企业官网建设流程全解析

点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12915959/pdf/pone.0342545.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

茶叶病害直接影响产量与品质，传统人工诊断费时费力、准确率低。近日，一项基于无人机低空遥感 + 优化 YOLO11的智能检测方案问世，打造出轻量、高精度、易部署的茶叶病害检测模型，为茶园智慧管护提供硬核技术支撑。

PART/1

痛点

行业痛点：传统检测难题待解

1. 人工诊断短板

   茶园多在丘陵山区，人工巡检成本高、效率低，依赖经验判断易出错，病害识别主观性强。

2. 现有模型缺陷

   传统机器学习特征提取复杂；深度学习模型存在复杂背景检测差、小目标漏检、模型臃肿、边缘部署难等问题，难以适配无人机机载设备。

3. 核心需求

   急需高精度、轻量级、实时性强，可在无人机边缘设备部署的茶叶病害检测模型。

PART/2

技术创新

技术创新：FCHE‑YOLO 模型三大优化

研究团队以 YOLO11 为基础，打造FCHE‑YOLO轻量化检测模型，从骨干网络、特征融合、检测头三大维度全面升级。

1. 骨干网络：FC_C3K2 轻量化模块

融合FasterNet Block（部分卷积降低计算量）+CGLU 卷积门控线性单元（通道注意力提升细节捕捉）+C3K2 结构，实现：

• 大幅降低参数量与计算量

• 增强复杂背景下特征提取鲁棒性

2. 颈部网络：HSFPN 高级筛选特征金字塔

替换传统 FPN，通过通道注意力 CA筛选特征，高效融合高低层语义信息，优化多尺度病害检测，同时压缩模型体积。

3. 检测头：Efficient‑Head 高效结构

用分组卷积 GConv替代传统卷积，参数与计算量降至传统卷积的 1/16，有效抑制过拟合，提升边缘部署效率。

【FCHE‑YOLO 模型结构 diagram】

PART/3

实验

实验验证：性能全面超越主流模型

研究团队在河南信阳思王山茶园采集3037 张高清图像，经筛选与增强后构建 5409 张样本数据集，覆盖茶黑腐病、茶云纹叶枯病、茶尺蠖危害等 8 类病害与健康叶片。

1. 核心指标对比（vs 基准 YOLO11）

【优化模块消融实验性能对比】

• mAP 从 94.1%→98.1%，提升 4 个百分点

• 推理速度 43.3 FPS→47.5 FPS，提升 9.7%

• 计算量 FLOPs 6.4G→4.2G，下降 34.3%

• 参数量 2.59M→1.46M，压缩率 38.9%

• 模型体积 5.24MB→3.04MB，节省 42% 存储空间

2. 主流模型 PK 结果

【不同检测模型性能对比】

对比 Faster R‑CNN、SSD、YOLOv5/v8/v10、RT‑DETR 等模型，FCHE‑YOLO 实现精度、速度、轻量化三者最优平衡，mAP、FPS、模型体积全面领先。

【多模型性能对比雷达图】

3. 实际检测效果

• 复杂背景下漏检、误检大幅减少，检测置信度更高

• 热图显示模型对病害目标聚焦更精准，抗环境干扰能力强

  （YOLO11 检测结果）

  （FCHE‑YOLO 检测结果）

  （热图对比图）

PART/4

落地应用

落地应用：无人机边缘部署可行

1. 硬件搭载方案

以大疆 T25P 农业无人机为载体，集成 Jetson TX2 边缘计算模块、OAK‑D 双目相机、GPS 定位模块，实现茶园全域航拍采集。

【硬件系统组成】

【 UAV 飞行路径】

2. 边缘端实测性能

【FCHE‑YOLO 在 Jetson TX2 平台运行指标】

• 推理延迟约 66ms，帧率 15.1 FPS，满足低速实时检测

• 运行功耗仅 4.3W，适配无人机续航需求

• 支持病害位置、类型、数量实时回传与后台统计

PART/5

总结与展望

1. 研究结论

FCHE‑YOLO 模型通过三大结构优化，成功实现高精度检测 + 极致轻量化，完美适配无人机低空遥感场景，可大幅提升茶叶病害检测效率与精准度，降低农户损失。

2. 未来方向

• 模型剪枝、TensorRT 量化加速，进一步提升边缘端推理速度

• 优化无人机航迹规划，实现全域无死角检测

• 扩充多区域、多品种茶树数据，提升模型泛化能力

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 | 能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测