基于多尺度特征增强的改进YOLOv11n桑蚕健康状态实时检测研究
电子技术应用
易云飞1，2，3，史英杰1，陈旺3，施丽媛1，史翔宇1
1.广西科技大学 计算机科学与技术学院；2.河池学院 大数据与计算机学院；3.广西师范大学 计算机科学与工程学院
摘要： 为解决传统桑蚕养殖中病蚕识别滞后、检测精度不足的问题，提出一种改进YOLOv11n的桑蚕健康状态检测方法（MSDA-YOLO）。该方法的核心创新包括：（1）在主干网络中引入多尺度分组空洞卷积（Multi-scale Grouped Dilated Convolution，MSGDC）与C3k2结合设计了C3k2MS模块，以提升对不同尺度特征的提取能力；（2）首次在桑蚕检测研究中引入DySample动态上采样器，提高在密集场景下对蚕体的空间细节感知与几何结构保持能力；（3）使用自适应空间特征融合策略（Adaptively Spatial Feature Fusion，ASFF）改造YOLOv11的检测头，优化多尺度特征融合效能，抑制尺度间特征冲突。实验结果表明，MSDA-YOLO在多项评估指标上均表现出色。具体而言，该方法在精确率上达到87.0%，召回率为77.8%，mAP@0.5为87.3%，mAP@0.5：0.95为52.8%，均领先于基线模型YOLOv11n和目前主流的YOLO系列检测模型，在桑蚕健康检测方面具有明显优势。
中圖分類號：TP391 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.257687
中文引用格式： 易云飛，史英杰，陳旺，等. 基于多尺度特征增強的改進YOLOv11n桑蠶健康狀態實時檢測研究[J]. 電子技術應用，2026，52(7)：142-150.
英文引用格式： Yi Yunfei，Shi Yingjie，Chen Wang，et al. Research on real-time detection of silkworm health status based on improved YOLOv11n with multi-scale feature enhancement[J]. Application of Electronic Technique，2026，52(7)：142-150.
中文引用格式： 易云飛，史英杰，陳旺，等. 基于多尺度特征增強的改進YOLOv11n桑蠶健康狀態實時檢測研究[J]. 電子技術應用，2026，52(7)：142-150.
英文引用格式： Yi Yunfei，Shi Yingjie，Chen Wang，et al. Research on real-time detection of silkworm health status based on improved YOLOv11n with multi-scale feature enhancement[J]. Application of Electronic Technique，2026，52(7)：142-150.
Research on real-time detection of silkworm health status based on improved YOLOv11n with multi-scale feature enhancement
Yi Yunfei1，2，3，Shi Yingjie1，Chen Wang3，Shi Liyuan1，Shi Xiangyu1
1.School of Computer Science and Technology， Guangxi University of Science and Technology；2.School of Big Data and Computer Science， Hechi University；3.School of Computer Science and Engineering， Guangxi Normal University
Abstract： This paper proposes an improved silkworm health detection algorithm based on YOLOv11n (MSDA-YOLO) to address the issues of delayed disease recognition and insufficient detection accuracy in traditional silkworm farming. The core innovations of the algorithm include: 1) introducing the Multi-scale Grouped Dilated Convolution in the backbone network and combining it with C3k2 to propose the C3k2MS module, which enhances the model’s ability to extract features at different scales; 2) introducing the DySample dynamic upsampler for the first time in silkworm disease detection, which improves the model’s ability to perceive spatial details and maintain geometric structure for small targets; 3) using the Adaptive Spatial Feature Fusion strategy to modify YOLOv11’s detection head, optimizing multi-scale feature fusion and suppressing feature conflicts between scales. Experimental results show that MSDA-YOLO achieves superior performance, with a precision of 87.0%, recall of 77.8%, mAP@0.5 of 87.3%, and mAP@0.5:0.95 of 52.8%, surpassing the baseline YOLOv11n and other mainstream YOLO models, demonstrating its clear advantage in silkworm health detection.
Key words : YOLOv11n；multi-scale grouped dilated convolution；DySample；adaptively spatial feature fusion
引言
本文詳細內容請下載：
http://m.tom3567.com/resource/share/2000007153
作者信息：
易云飛1，2，3，史英杰1，陳旺3，施麗媛1，史翔宇1
（1.廣西科技大學 計算機科學與技術學院，廣西 柳州 545006；
2.河池學院 大數據與計算機學院，廣西 河池 546300；
3.廣西師范大學 計算機科學與工程學院，廣西 桂林 541000）
此內容為AET網站原創，未經授權禁止轉載。