拍张照就查出虫害！YOLOv11s 落地甘薯潜叶蛾检测，普通手机离线也能用

（来源：计算机视觉研究院）

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/PMC13291849/pdf/fpls-17-1774493.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

本文基于最新 YOLO 深度学习模型实现了甘薯潜叶蛾的自动化图像检测，不仅检测精度领先前代，还能直接在中端手机上离线运行，为田间植保提供了低成本、易落地的智能方案。

PART/1

痛点

甘薯是农户日常饮食与农业收入的重要来源，但在种植全程面临多种病虫害威胁，其中潜叶蛾的危害尤为隐蔽。幼虫藏在叶片组织内取食，留下蛇形虫道与失绿斑块，严重时导致叶片干枯脱落，直接影响作物产量。

据联合国粮农组织统计，病虫害每年造成全球作物 20%-40% 的损失。传统人工巡查不仅耗时费力，还高度依赖人员经验，容易出现漏判、误判；虫害扩散后再大量用药，又会带来土壤环境污染、农药残留、害虫抗药性等一系列问题。

面对这一痛点，研究团队希望通过计算机视觉与深度学习技术，实现田间快速、精准的潜叶蛾识别，为精准植保提供技术支撑。

PART/2

方法

1. 田间真实数据训练，贴合实际场景

研究团队在秘鲁兰巴耶克大区的商业甘薯田，选取 2 个不同生长期的地块（2 月龄、3 月龄），用普通消费级手机原位采集图像，最终构建了名为camote_minador的专用数据集，包含 751 张标注完成的甘薯叶片图像。

所有图像均按统一标准采集：距离叶片 45cm、垂直拍摄，完整保留了田间真实的光照变化、灰尘、叶片重叠等复杂背景，避免了实验室数据 “效果好看但落地性差” 的问题。

【数据集样本示意图，展示田间拍摄的甘薯叶片整体形态，以及潜叶蛾造成的蛇形虫道、局部失绿等典型危害细节】

【图像采集标准化协议，包含拍摄设备、分辨率、拍摄角度等具体参数】

为提升模型泛化能力，训练过程中采用动态数据增强策略，包括马赛克拼接、图像混合、随机旋转翻转、光照色彩调节等，让模型在有限数据下也能适应多样的田间环境。

2. 轻量模型选型，专为移动端落地设计

研究选取两款 YOLO 系列轻量模型做对照：YOLOv8s 与最新的 YOLOv11s，二者均属于 “小尺寸” 架构，适合部署在算力有限的移动设备上。

其中 YOLOv11s 针对小目标检测做了三处关键架构升级：

• 骨干网络用 C3k2 模块替代传统 C2f，融合 3×3 与 5×5 卷积核，更好捕捉不同宽度的虫道特征

• 颈部加入 C2PSA 空间注意力模块，自动聚焦叶片虫害区域，弱化土壤、杂草等背景干扰

• 检测头采用 SPPELAN 模块，优化多尺度特征提取，提升细小目标的定位精度

两款模型均采用 1280×1280 高分辨率输入，确保虫道这种占比不足 5% 的细小目标也能被清晰识别。训练使用 AdamW 优化器，加入早停机制防止过拟合，所有超参数保持一致，保证对比公平。

【技术方法全流程图，展示从数据集构建、模型训练到移动端部署的完整技术路径】

PART/3

实验

1. 检测精度：YOLOv11s 全面领先

在独立测试集上的结果显示，YOLOv11s 的综合表现全面优于前代：

• 精确率 73.20%，比 YOLOv8s 提升近 3 个百分点，误判更少

• 召回率 66.72%，漏检率更低，能发现更多隐蔽的虫害区域

• mAP@50（综合检测精度）达到 71.63%，整体检测稳定性更强

【YOLOv8s 与 YOLOv11s 检测性能指标对比表】

从学习曲线与混淆矩阵来看，YOLOv11s 在背景噪声区分上优势明显 —— 更少把叶脉、阴影错当成虫道，同时对真实虫害的识别更稳定。5 折交叉验证也证实，模型结果波动小，在不同数据子集下均能保持稳定表现，泛化能力可靠。

【模型学习曲线对比图，呈现 mAP、精确率、召回率、边界框损失等指标随训练轮次的变化趋势】

【两款模型的归一化混淆矩阵对比，直观展示漏检与误检的差异】

2. 手机端实测：中端设备就能离线跑

研究团队基于 TensorFlow Lite 框架开发了移动端检测原型，采用 MVVM 架构设计，支持安卓 10 及以上系统，全程离线运行，无需网络。

在中端机型 Redmi Note 11 上的实测数据显示：

• 单张 1280×1280 图像推理仅需 5.28 秒，比 YOLOv8s 快约 15%

• 运行内存占用约 116MB，对手机硬件压力很小

• 支持实时拍照与相册选图两种模式，检测结果直接在图上标注虫道位置与置信度

【移动端应用架构示意图，展示视图层、ViewModel 层、模型层的三层结构与数据流向】

【移动端设备性能对比表，包含推理时间、内存占用等实测数据】

PART/4

落地前景

这项工作最核心的价值，是把前沿 AI 检测技术做到了 “接地气”：第一，场景真实。所有数据均来自大田环境，而非实验室理想条件，训练出的模型能直接应对田间复杂的光照、背景干扰，实用性更强。第二，门槛极低。不需要专业检测设备，普通农户用中端手机就能完成检测；且离线可用，适配网络条件差的偏远农田。第三，绿色赋能。快速精准的虫害检测能指导农户精准施药，避免盲目打药，既降低生产成本，也减少农药对环境与农产品的影响，助力绿色农业与精准植保落地。

未来这项技术还可扩展更多作物与虫害类别，结合无人机航拍实现大面积农田快速巡查，让 AI 真正成为农户田间管理的实用工具。

有相关需求的你可以联系我们！