《Information Processing in Agriculture》：Efficient field-scale detection system of intensive rice lesions on edge devices
编辑推荐：
为解决复杂田间环境下密集、微小水稻病斑（如稻瘟病、褐斑病）的实时精准检测难题，研究人员基于YOLOv8s，通过引入轻量级特征金字塔网络(LFPN)、新型TRNet模块、细节增强共享检测头(DES-head)及WIoU损失函数，开发了轻量检测算法EFR-YOLO。该模型在参数减少49.11%的同时，实现了91.6%的mAP@0.5，并在Jetson Orin Nano边缘设备上达到41.9 FPS的处理速度，为边缘计算支持下的田间水稻病害自主巡检提供了高效解决方案。
水稻是全球半数以上人口的主粮，其产量的稳定对粮食安全至关重要。然而，水稻在生长过程中极易受到稻瘟病和褐斑病等病害的侵袭，早期发病若不及时控制，可能导致减产超过30%。传统的病害监测主要依靠人工田间巡视，这种方法不仅效率低下、成本高昂，而且严重依赖经验，难以实现大面积田块的实时、精准监控。近年来，尽管基于深度学习的目标检测技术在农业病害识别中展现出潜力，但将其应用于复杂的田间环境仍面临巨大挑战：多变的自然光照、病斑目标本身微小且密集分布、以及边缘计算设备有限的计算资源，都使得开发一套既精准又高效的实时检测系统困难重重。
为了攻克这些难题，一篇发表在《Information Processing in Agriculture》上的研究提出了一种名为EFR-YOLO的轻量级检测算法，旨在为田间尺度下的密集水稻病斑检测提供一个稳定、高效的边缘计算解决方案。
研究人员为开展此项研究，主要运用了以下几项关键技术方法：首先，自主构建了名为BBD-Rice的水稻病害数据集，包含7840张图像和47,313个标注的病斑实例，涵盖稻瘟病和褐斑病两类，并考虑了不同时段的光照变化以增强模型鲁棒性。其次，在算法设计上，以YOLOv8s为基线模型，进行了四项核心改进：1) 设计了轻量级特征金字塔网络(LFPN)，以更好地保留用于检测小病斑的高分辨率细节特征；2) 提出了新型TRNet模块替代原有的C2f模块，在降低参数冗余的同时保持特征提取能力；3) 开发了细节增强共享检测头(DES-head)，通过参数共享和细节增强卷积(DEConv)提升对小目标的敏感性；4) 将边界框回归损失函数替换为WIoU，以加速训练收敛并提升定位精度。最后，研究在PC和多种NVIDIA Jetson系列边缘计算平台（如Jetson Orin Nano）上进行了模型训练、评估与部署验证。
研究结果
3.1. 模型测试结果与分析
训练过程显示，EFR-YOLO相比基线模型YOLOv8s具有更低的初始损失和更高的收敛性能。在BBD-Rice测试集上的评估表明，EFR-YOLO的整体平均精度(mAP@0.5)达到91.6%，优于YOLOv8s的89.7%，尤其是在检测微小的水稻褐斑病病斑方面表现更优。定性可视化结果证实，EFR-YOLO在复杂田间环境下能识别出更多病斑，且误检更少。
3.2. 消融实验
通过系统的消融实验验证了各个改进模块的有效性。逐步引入TRNet、DES-head、WIoU和LFPN模块后，模型参数从11.2M大幅降至5.7M（减少49.1%），同时mAP@0.5从89.7%提升至91.6%，推理速度(FPS)也从170.6提升至190.2。实验表明，LFPN结构虽然增加了计算量(FLOPs)，但显著降低了参数量并提升了推理速度，是适用于边缘设备的有效策略。
3.3. TRNet模块的对比分析
与MobileNetV4、EfficientViT等其他轻量模块对比，TRNet在参数量、FLOPs和推理速度上综合表现更优。在参数e=0.5的设置下，TRNet在保持高精度(89.3% mAP@0.5)的同时，实现了196.2 FPS的推理速度，凸显了其硬件友好型设计的高效性。
3.4. 共享卷积头的对比分析
将DES-head中的细节增强卷积(DEConv)与标准卷积(Conv2d)及多种多样化分支块(DBB)变体进行对比。结果显示，DEConv在取得最高mAP@0.5(90.4%)的同时，保持了可接受的推理速度，证明了其通过多分支差分卷积增强细粒度特征提取的有效性。
3.5. 不同IoU损失函数对检测性能的影响
在对比的11种IoU系列损失函数中，WIoU取得了最佳的mAP@0.5(90.3%)。WIoU通过自适应机制，在训练中减少对高质量样本的几何惩罚，并引入离群点感知权重，提升了模型对微小、密集病斑的定位能力，且不增加推理开销。
3.6. 与代表性检测框架的性能对比
与YOLOv5s、YOLOv7-Tiny、YOLOv10s等轻量模型，以及Faster R-CNN、YOLOv5m等非轻量模型对比，EFR-YOLO在参数量(5.7M)和计算量(28.3 GFLOPs)显著更低的情况下，实现了最高的mAP@0.5(91.6%)和领先的推理速度(190.2 FPS)，在效率与精度间取得了最佳平衡。
3.7. 类别激活图谱的模型解释
利用Grad-CAM技术生成的热力图显示，EFR-YOLO能够有效地将注意力集中在图像中的病斑区域，同时抑制背景干扰，这表明模型真正学习到了与病害相关的关键特征。
3.8. 在边缘计算平台上的性能评估
在Jetson Nano、Jetson Xavier NX和Jetson Orin Nano等多种边缘设备上部署测试。在640×640输入分辨率下，EFR-YOLO在Jetson Orin Nano上实现了49.1 FPS的实时处理速度，并保持了91.6%的高精度，其性能优于同分辨率下的YOLOv8s、YOLOv10s等模型。研究建议，在低算力设备上可选用320×320分辨率以优先保证速度，而在高性能设备上可选用640×640分辨率以最大化精度。
3.9. 误差分析
对检测失败案例的分析显示，错误主要分为漏检（假阴性，约70%）和误检（假阳性，约30%）。漏检主要发生在严重遮挡（如叶片重叠产生重影）和极端光照（过度曝光或深阴影）条件下；误检则多因泥土斑点等背景噪声与病斑形态相似所致。这为未来模型在复杂场景下的鲁棒性提升指明了方向。
研究结论与意义
本研究成功开发了面向田间密集水稻病斑检测的轻量级框架EFR-YOLO。通过构建专用的BBD-Rice数据集，并系统性地集成LFPN、TRNet、DES-head和WIoU等创新模块，该模型在显著降低参数规模（减少49.11%）和计算成本的同时，实现了优异的检测精度（91.6% mAP@0.5）和高速的推理性能。这打破了传统检测模型在精度与效率之间难以兼得的困局。
该研究的核心意义在于其强大的实用价值。EFR-YOLO模型并非停留在理论层面，其已在Jetson Orin Nano等边缘计算设备上得到验证，并成功部署于移动巡检机器人平台，证明了其在真实农田环境中进行稳定、高效、实时病害检测的可行性。这为在计算资源受限的边缘侧实现水稻病害的早期发现、精准施药和智能化田间管理提供了可靠的技术工具，推动了精准农业向实时化、智能化方向发展。
当然，研究也存在局限性，例如数据集的病害种类和地理多样性有限，且未涵盖雨、雾等恶劣天气条件。未来的工作可以围绕扩展数据集、增强模型在极端天气下的泛化能力，以及探索联邦学习等分布式学习范式以保护数据隐私并实现多设备协同优化等方面展开。尽管如此，本研究无疑为边缘计算在农业病害实时监测领域的深入应用奠定了坚实的技术基础，开辟了新的路径。
