病害是影响农作物生产的重要因素，严重阻碍了农业的可持续发展。烟草是我国重要的特色经济作物，然而，烟草在生长过程中易受病害侵袭，造成降质减产，成为困扰烟农的一大严峻问题。及时准确地监测病害发生情况是精准防治、减少损失的基础和前提。

近日，河南省农业科学院农业信息技术研究所、西北农林科技大学、郑州烟草研究院等单位在《Smart Agricultural Technology》发表了题为“Research on lightweight detection and recognition of tobacco disease based on RT-YOLOv10 and UAV remote sensing images”（IF5.6，Q1，中科院二区）。研究（1）首次构建了无人机航拍场景下烟草病害的专用数据集，填补了该领域的数据空白。该数据集涵盖了真实田间环境中的多尺度病斑特征，包括杂草干扰、光照变化等实际挑战，为烟草病害的无人机智能监测及相关研究提供了关键数据支撑。（2）通过在YOLOv10 基础上引入MS_C2f、MS_CSP等创新模块，强化特征提取与特征融合，重构颈部网络等针对性优化，突破了边缘部署的性能瓶颈，实现了模型参数量压缩与精度提升的协同优化，为烟草病害的无人机实时监测提供了首个自适应高效模型。（3）攻克了低分辨率、大尺度航拍图像中小目标病害检测这一高难度问题，显著提升了模型对不同生长阶段差异特征及形态多变病害的泛化能力。

RT-YOLOv10一种基于YOLOv10的轻量化病害检测算法，专为无人机影像设计。在下采样阶段引入 RFAConv 和无参数注意力机制 SimAM，以提高特征提取精度；在上采样阶段，采用DySample更精准地还原颜色、纹理、边缘等对病害识别至关重要的有效信息。为增强网络对多尺度病株（大小和形态各异）特征的捕捉与融合能力，我们设计了MS_C2f和 MS_CSP模块，其嵌入的注意力机制能有效聚焦关键信息、突出病害主体，显著减少因杂草、阳光反射等复杂背景干扰导致的误检和漏检。此外，通过设计双分支协同密集连接的颈部结构，促进了多级别语义信息的深度交互，提升了网络对不同病害类型特征的学习与表征能力。

图1 （a）改进后的 RT-YOLOv10 模型架构，整合了多种创新模块和注意力机制以提升模型性能。（b）下采样模块的具体构成。（c）、（d）和（e）分别为 YOLOv10、YOLOv9 和 YOLOv8 的简化结构图

图2 不同模型检测结果

结果表明：（1）RT-YOLOv10 的标准版 RT-YOLOv10-s，在参数数量和浮点运算量更低的所有模型中，各项评估指标均达到最佳性能，表现出显著提升。其精确率、召回率、mAP50和mAP50–95分别为97.2%、93.6%、97.5%和83.9%。其中，与YOLOv5-s、YOLOv6-s、YOLOv7-Tiny、YOLOv8-s、YOLOv9-s和YOLOv10-s相比，mAP50–95分别提升了9.6、14.0、16.7、4.0、3.4和5.0个百分点。

（2）更轻量化的版本RT-YOLOv10-t，其精确率、召回率、mAP50和mAP50–95分别为95.5%、92.4%、97.2%和79.7%，仍优于大多数模型。与参数数量和浮点运算量最低的YOLOv7-Tiny相比，其精确率、召回率、mAP50和mAP50–95分别提升了0.6、0.8、0.6和12.5个百分点。此外，RT-YOLOv10-t仅包含230万个参数和10.8GFLOPs，分别为YOLOv7-Tiny的38.3%和81.8%。因此，所提出的RT-YOLOv10模型展现出最优的综合性能，能够在真实复杂环境下实现无人机遥感图像中烟草病害的高精度实时监测，为烟草乃至其他作物的病害防控提供了一种新的可靠方法和理论依据。

河南省农业科学院农业信息技术研究所农业遥感研究室研究生陈自立为第一作者，郭燕为通讯作者。本研究得到国家重点研发计划课题（2022YFD2001105）、中国烟草总公司河南省公司科技项目（2023410000240025）、河南省农业科学院农业遥感创新团队项目（2024TD28）支持。

全文链接：https://doi.org/10.1016/j.atech.2025.101415.