Recently updated on: 2026-09-04
近日，南京农业大学智慧农业学院（人工智能学院）舒磊教授团队在农业信息技术领域国际期刊 Computers and Electronics in Agriculture 发表研究论文，论文题为“Lightweight Real-Time Detection of Sweet Potato Virus Disease by a Hybrid CNN–Transformer Network”。研究针对真实田间环境中甘薯病毒病早期症状细小、对比度低、易受遮挡和复杂背景干扰等问题，提出融合卷积神经网络与 Swin Transformer 的混合检测框架 Swin-SPVDNet，在细粒度病害特征感知、全局上下文建模和实时检测效率之间实现了较好平衡。博士生韩茹为论文第一作者，舒磊教授为通信作者，南京农业大学为第一署名单位。
甘薯主要通过薯蔓和薯块进行无性繁殖，病毒容易随繁殖材料跨代传播并导致品种退化。甘薯病毒病是危害最严重的甘薯病害之一，早期常表现为轻微黄化、叶脉透明或细小斑点，病程加重后可出现花叶、叶片狭窄和植株矮化。传统生物学指示、酶联免疫吸附和聚合酶链式反应等方法准确性较高，但成本、检测通量与现场操作要求限制了其大范围快速筛查。基于计算机视觉的自动检测为田间巡查、种苗质量控制和精准植保提供了可扩展的技术路径。
现有视觉模型在 SPVD 检测中面临局部与全局信息难以兼顾的问题：卷积神经网络擅长提取叶片纹理和病斑细节，但有限感受野不利于理解植株整体状态；Transformer 能够建立长距离依赖，却可能弱化早期病斑所需的精细局部信息，并带来额外计算开销。田间土壤、杂草、重叠叶片、动态光照及多症状共存进一步增加了检测难度。
图 1 真实田间甘薯病毒病检测面临的主要挑战及模型设计动机
为此，研究团队设计了面向 SPVD 特征的 Swin-SPVDNet。该模型并非简单堆叠 CNN 与 Transformer，而是通过三类关键结构实现有针对性的局部—全局协同：首先，在卷积骨干中引入 C2PSA 结构，提高对细小病斑和局部纹理的敏感性；其次，构建 C3STR 模块，在较高空间分辨率下紧密耦合卷积运算与 Swin Transformer，使局部细节与全局上下文充分交互；再次，引入残差注意力模块（RAB），从通道和空间维度优化特征表达，同时改善深层网络中的梯度传播。模型还配置微小目标检测头，以保留高分辨率信息并增强对早期、低对比度症状的定位能力。
图 2 Swin-SPVDNet 总体网络结构
图 3 C3STR、残差注意力模块与微小目标检测头的结构设计
研究团队在江苏徐州露地甘薯田开展数据采集，使用 Nikon D7100 相机与 DJI Pocket 2 设备，从不同角度和光照条件记录“徐薯 3 号”植株的黄化、叶片畸变、矮化等症状。原始数据集包含 1,264 幅图像，并通过旋转、对比度调整、翻转和随机裁剪等方式扩充数据多样性。所有标注由具备植物病害知识的人员依据农艺与病毒学症状标准进行审核，从数据源头提升模型训练和评价的可靠性。
消融实验显示，各模块对模型性能具有互补作用，完整 Swin-SPVDNet 获得 94.5% 的精确率、88.2% 的召回率、95.6% 的 mAP@0.5 和 86.5% 的 mAP@0.5:0.95。与多种 YOLOv5—YOLOv12 系列模型相比，该模型在小尺度、形状不规则及受到遮挡的症状上表现出更稳定的预测和更准确的定位；在 NVIDIA RTX 4090 平台上，其推理速度达到 58.3 FPS，表明模型具备实时分析潜力。AP75 和 AP90 等更严格指标下的结果进一步说明，微小目标检测头有助于改善细粒度病害区域的定位质量。
研究成果为甘薯病毒病的快速、低成本和规模化视觉筛查提供了新的模型方案，可进一步用于手持式诊断设备、无人机巡田平台和智能种苗检测系统。论文同时指出，当前研究主要基于 RGB 图像和有限区域数据，未来将结合多光谱、高光谱或热红外信息，开展跨区域与跨品种验证，并通过模型剪枝、量化和硬件感知优化推进在 Jetson 等边缘计算平台上的实际部署。该研究有望促进甘薯病害监测由人工经验判断向实时智能感知转变，为种苗质量控制、田间病害预警和精准植保提供技术支撑。
相关发表论文信息：
[1] Ru, Han, Lei Shu, Grzegorz Cielniak, Yan Zhu, Xing Yang, Fan Yang, and Kai Huang. “Lightweight Real-Time Detection of Sweet Potato Virus Disease by a Hybrid CNN–Transformer Network.” Computers and Electronics in Agriculture 255 (2026): 112319.
论文链接：https://doi.org/10.1016/j.compag.2026.112319