《Computers and Electronics in Agriculture》：TDDet: A novel lightweight and efficient tea disease detector
編輯推薦：
茶葉病害每年致茶業嚴重經濟損失，傳統檢測耗時易誤。研究人員開展茶葉病害檢測研究，提出輕量高效的 TDDet。實驗表明其 mAP 達 94.33%，優于先進模型，為病害防治提供新方案。
茶葉作為重要經濟作物，其種植常因各類病害面臨產量與質量下滑的困境，給茶農帶來顯著經濟損失。傳統依賴人工目視的檢測方法不僅耗時，還易受人為誤差影響，在復雜田間條件下檢測精度低，且對早期病害存在數天的檢測延遲。隨著深度學習的發展，基于卷積神經網絡（CNN）的檢測方法雖提升了精度，但多數存在計算復雜度高、推理速度慢的問題，難以滿足實時處理高分辨率圖像或大規模數據的需求，在復雜場景中還可能出現誤檢、漏檢及細節捕捉不足等情況。為解決這些難題，安徽農業科學院農業經濟與信息研究所的研究人員開展了相關研究，提出了輕量高效的 TDDet 模型，該研究成果發表在《Computers and Electronics in Agriculture》。
研究人員主要采用了以下關鍵技術方法：在特征提取方面，使用深度可分離卷積（DW）降低計算量，同時引入多查詢注意力（MQA）機制，通過共享查詢并獨立映射鍵和值，減少計算和內存開銷，以優化計算效率并保留豐富特征細節；在特征聚合環節，提出跨尺度特征融合（CFF）模塊，利用高效多尺度注意力（EMA）和部分卷積（PConv），前者通過大感受野探索空間位置關系以增強多尺度空間信息，后者選擇性保留相關輸入區域以降低計算成本和提高聚合效率；此外，采用動態上采樣模塊 DySample，通過動態調整特征圖采樣率來降低計算成本并提升模型性能。
整體架構
TDDet 沿用 YOLOv8 架構，針對特征提取和聚合進行優化，由 backbone、neck 和 head 三個關鍵模塊組成，是可在資源受限的移動或邊緣設備上運行的輕量級模型。
數據收集
茶葉病害數據集由安徽農業科學院農業經濟與信息研究所研究人員采集，在安徽省當地茶園，使用配備 50mm 微距鏡頭的佳能 EOS 5D Mark IV 單反相機拍攝，該相機的 3040 萬像素全畫幅傳感器確保了包括葉片紋理細微變化在內的病害癥狀的精確捕捉。
實驗結果
實驗表明，TDDet 在檢測茶葉病害方面表現出色，實現了 94.33% 的平均精度均值（mAP）、91.33% 的精度和 92.94% 的召回率，參數更少卻優于其他最先進的目標檢測模型，能夠快速準確地識別茶葉病害。
TDDet 通過深度可分離卷積（DW）和多查詢注意力（MQA）機制，在保持計算效率的同時捕捉復雜的病害模式，利用跨尺度特征融合（CFF）模塊和 DySample 實現高效的特征聚合，提升了模型對病害特征細節的敏感度和表示能力。該研究為茶葉病害的實時精準檢測提供了新的有效解決方案，有助于幫助茶農及時采取防治措施，降低經濟損失，對茶葉產業的可持續發展具有重要意義。
