面向小目标优化的棉叶病害智能诊断模型

doi:10.11772/j.issn.1001-9081.2025091148

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3332-3341.DOI: 10.11772/j.issn.1001-9081.2025091148

• 多媒体计算与计算机仿真 • 上一篇

面向小目标优化的棉叶病害智能诊断模型

哈里旦木・阿布都克里木, 张耿荣, 梁宇涵, 魏安然, 阿布都克力木・阿布力孜()

新疆财经大学信息管理学院，乌鲁木齐 830012

收稿日期:2025-09-28 修回日期:2025-12-19 接受日期:2025-12-24 发布日期:2026-01-21 出版日期:2026-10-10
通讯作者: 阿布都克力木?阿布力孜
作者简介:哈里旦木·阿布都克里木（1978—），女（维吾尔族），新疆伊宁人，教授，博士，CCF会员，主要研究方向：自然语言处理、农业人工智能
张耿荣（2001—），女，山西长治人，硕士研究生，主要研究方向：农业人工智能
梁宇涵（2001—），女，湖北十堰人，硕士研究生，主要研究方向：农业人工智能
魏安然（2000—），男，山东济南人，硕士研究生，主要研究方向：农业人工智能
基金资助:
国家自然科学基金资助项目(62566061);国家自然科学基金资助项目(62366050)

Small-target-oriented intelligent diagnosis model for cotton leaf diseases

Abudukelimu HALIDANMU, Gengrong ZHANG, Yuhan LIANG, Anran WEI, Abulizi ABUDUKELIMU()

School of Information Management，Xinjiang University of Finance and Economics，Urumqi Xinjiang 830012，China

Received:2025-09-28 Revised:2025-12-19 Accepted:2025-12-24 Online:2026-01-21 Published:2026-10-10
Contact: Abulizi ABUDUKELIMU
About author:HALIDANMU Abudukelimu， born in 1978， Ph. D.， professor. Her research interests include natural language processing， agricultural artificial intelligence.
ZHANG Gengrong， born in 2001， M. S. candidate. Her research interests include agricultural artificial intelligence.
LIANG Yuhan， born in 2001， M. S. candidate. Her research interests include agricultural artificial intelligence.
WEI Anran， born in 2000， M. S. candidate. His research interests include agricultural artificial intelligence.
Supported by:
National Natural Science Foundation of China(62566061)

摘要/Abstract

摘要：

近年来农作物病害的智能治理已取得一定进展，但棉叶病害因目标尺度小、边界模糊仍面临重大挑战，且缺乏实现“识别?诊断?决策”一体化的模型。为解决上述问题，提出了棉叶病害智能诊断模型。首先，创建了包含1 320条数据的棉花种植问答数据集，为后续通义千问大语言模型的微调提供数据基础；其次，在YOLOv12n主干网络末端引入多尺度简单注意力模块（MSSimAM），以突出多尺度病害相关特征并抑制冗余信息；在检测头部采用自适应阈值焦点损失（ATFL）函数，以缓解难易样本不平衡问题，从而形成MN-YOLO模型；最后，集成MN-YOLO与微调后的通义千问大语言模型，基于检测结果生成病害防治方案。实验结果表明，MN-YOLO在保持较低参数量的情况下，交并比（IoU）阈值为0.5的平均精度均值（mAP₅₀）达到96.9%，相较于YOLOv12n提升了2.0个百分点，精确率和召回率分别提升0.5和4.5个百分点。在不同数据集上的泛化实验中，所提模型也表现出较强的适应性和稳定性。该棉叶病害智能诊断模型集成了病害检测与防治方案推荐功能，在提升检测精度的同时，也为农业智能化提供了有效支撑。

关键词: 棉叶病害, YOLOv12, 小目标检测, 病害防治, 智慧农业

Abstract:

Recently， intelligent management of crop diseases has made considerable progress. However， cotton leaf disease still poses significant challenges due to small target sizes and blurred leaf boundaries， and there is a lack of models that integrate “recognition-diagnosis-decision-making.” Therefore， an intelligent diagnosis model for cotton leaf diseases was proposed. First， a dataset containing 1 320 entries of cotton cultivation question and answer was constructed to provide data basis for subsequent fine-tuning of the Tongyi Qianwen large language model. Second， the Multi-Scale Simple Attention Module （MSSimAM） was introduced at the end of the YOLOv12n backbone to highlight multi-scale disease-related features and suppress redundant information. Third， in the detection head， the Adaptive Threshold Focal Loss （ATFL） function was employed to address the imbalance between easy and hard samples， thereby forming the MN-YOLO model. Finally， MN-YOLO model was integrated with the fine-tuned Tongyi Qianwen large language model to generate disease prevention and treatment measure recommendations based on the detection results. Experimental results indicates that MN-YOLO model achieves a mean Average Precision at Intersection over Union （IoU） threshold of 0.5 （mAP₅₀） of 96.9% while maintaining a low parameter count， representing increases of 2.0 percentage points in mAP₅₀， 0.5 percentage points in precision， and 4.5 percentage points in recall compared with YOLOv12n. In generalization experiments， the proposed model also demonstrates strong adaptability and stability across different datasets. The results indicate that this diagnosis model for cotton leaf diseases combines disease detection and treatment measure recommendation， improving detection precision while providing effective support for smart agriculture.

Key words: cotton leaf disease, YOLOv12, small target detection, disease prevention and treatment, smart agriculture

中图分类号:

TP391

哈里旦木・阿布都克里木, 张耿荣, 梁宇涵, 魏安然, 阿布都克力木・阿布力孜. 面向小目标优化的棉叶病害智能诊断模型[J]. 计算机应用, 2026, 46(10): 3332-3341.

Abudukelimu HALIDANMU, Gengrong ZHANG, Yuhan LIANG, Anran WEI, Abulizi ABUDUKELIMU. Small-target-oriented intelligent diagnosis model for cotton leaf diseases[J]. Journal of Computer Applications, 2026, 46(10): 3332-3341.

图/表 15

参考文献 55

[1]	Tlatlaa J S， Tryphone G M， Nassary E K. Unexplored agronomic， socioeconomic and policy domains for sustainable cotton production on small landholdings： a systematic review［J］. Frontiers in Agronomy， 2023， 5： No.1281043.
[2]	国家统计局. 国家统计局关于2024年棉花产量的公告［EB/OL］. （2024-12-25）［2025-12-16］..
	National Bureau of Statistics of China. Bulletin on the national cotton output in 2024 ［EB/OL］. （2024-12-25）［2025-12-16］..
[3]	Carneiro A A B， Patekar S， Goyal M， et al. Lignin-enabled silica hybrid nanoparticles from rice husk for improved biopesticide delivery and cotton bollworm control［J］. International Journal of Biological Macromolecules， 2025， 309（Pt 1）： No.142589.
[4]	Kumar R， Batra S， Singh P K， et al. Implementation and evaluation of various deep learning models for the diagnosis of cotton leaf diseases［C］// IC3SE 2024. Piscataway： IEEE， 2024： 483-488.
[5]	Yin C， Wang Z， Lv X， et al. Reducing soil and leaf shadow interference in UAV imagery for cotton nitrogen monitoring［J］. Frontiers in Plant Science， 2024， 15： No.1380306.
[6]	Wang S， Xu D， Liang H， et al. Advances in deep learning applications for plant disease and pest detection： a review［J］. Remote Sensing， 2025， 17（4）： No.698.
[7]	Zhang N， Zhang X， Shang P， et al. Detection of cotton verticillium wilt disease severity based on hyperspectrum and GWO-SVM［J］. Remote Sensing， 2023， 15（13）： No.3373.
[8]	Li X， Yang C， Huang W， et al. Identification of cotton root rot by multifeature selection from Sentinel-2 images using random forest［J］. Remote Sensing， 2020， 12（21）： No.3504.
[9]	Peyal H I， Pramanik M A H， Nahiduzzaman M， et al. Cotton leaf disease detection and classification using lightweight CNN architecture［C］// ICECE 2022. Piscataway： IEEE， 2022： 413-416.
[10]	Kanade A K， Potdar M P， Kumar A， et al. Weed detection in cotton farming by YOLOv5 and YOLOv8 object detectors［J］. European Journal of Agronomy， 2025， 168： No.127617.
[11]	Noon S K， Amjad M， Qureshi M A， et al. Handling severity levels of multiple co-occurring cotton plant diseases using improved YOLOX model［J］. IEEE Access， 2022， 10： 134811-134825.
[12]	Zhang Z， Yang Y， Xu X， et al. GVC-YOLO： a lightweight real-time detection method for cotton aphid-damaged leaves based on edge computing［J］. Remote Sensing， 2024， 16（16）： No.3046.
[13]	Tian Y， Ye Q， Doermann D. YOLOv12： attention-centric real-time object detectors［PP/OL］. arXiv （2025-02-18）［2025-07-10］..
[14]	Yang B， Zhang X， Zhang J， et al. EFLNet： enhancing feature learning for infrared small target detection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： No.5906511.
[15]	Yang A， Li A， Yang B， et al. Qwen3 technical report［PP/OL］. arXiv （2025-05-14）［2025-07-10］..
[16]	Redmon J， Divvala S， Girshick R， et al. You only look once： unified， real-time object detection［C］// CVPR 2016. Piscataway： IEEE， 2016： 779-788.
[17]	Liu W， Anguelov D， Erhan D， et al. SSD： single shot multiBox detector［C］// ECCV 2016， LNCS 9905. Cham： Springer， 2016： 21-37.
[18]	Carion N， Massa F， Synnaeve G， et al. End-to-end object detection with Transformers［C］// ECCV 2020， LNCS 12346. Cham： Springer， 2020： 213-229.
[19]	Girshick R， Donahue J， Darrell T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// CVPR 2014. Piscataway： IEEE， 2014： 580-587.
[20]	He K， Zhang X， Ren S， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1904-1916.
[21]	Girshick R. Fast R-CNN［C］// ICCV 2015. Piscataway： IEEE， 2015： 1440-1448.
[22]	Ren S， He K， Girshick R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
[23]	何青海，马本学，瞿端阳，等. 基于机器视觉棉叶螨自动监测与分级方法研究［J］. 农机化研究， 2013， 35（4）： 152-155.
	He Qinghai， Ma Benxue， Qu Duanyang， et al. Research of cotton spider mites automatic detection and classification which based on machine vision［J］. Journal of Agricultural Mechanization Research， 2013， 35（4）： 152-155.
[24]	毕君涛. 基于深度学习的棉叶主要病虫害检测方法研究［D］. 阿拉尔：塔里木大学， 2023.
	Bi Juntao. Research on the detection method of major diseases and pests in cotton leaves based on deep learning［D］. Alaer： Tarim University， 2023.
[25]	Wang C Y， Bochkovskiy A， Mark Liao H Y. YOLOv7： trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］// CVPR 2023. Piscataway： IEEE， 2023： 7464-7475.
[26]	Woo S， Park J， Lee J Y， et al. CBAM： convolutional block attention module［C］// ECCV 2018， LNCS 11211. Cham： Springer， 2018： 3-19.
[27]	Ganguly S， Jathin S， Mohak M， et al. Automated detection and classification of cotton leaf diseases： a computer vision approach［C］// AMATHE 2024. Piscataway： IEEE， 2024： 1-7.
[28]	Jayanthy S， Kiruthika G， Lakshana G， et al. Early cotton plant disease detection using drone monitoring and deep learning［C］// ICWITE 2024. Piscataway： IEEE， 2024： 625-630.
[29]	Li X， Gao J， Jin S， et al. Towards robust registration of heterogeneous multispectral UAV imagery： a two-stage approach for cotton leaf lesion grading［J］. Computers and Electronics in Agriculture， 2023， 212： No.108153.
[30]	Lu Y， Lu X， Zheng L， et al. Application of multimodal Transformer model in intelligent agricultural disease detection and question-answering systems［J］. Plants， 2024， 13（7）： No.972.
[31]	Zheng Z， Wang P， Ren D， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation［J］. IEEE Transactions on Cybernetics， 2022， 52（8）： 8574-8586.
[32]	Yang L， Zhang R Y， Li L， et al. SimAM： a simple， parameter-free attention module for convolutional neural networks［J］. Proceedings of Machine Learning Research， 2021， 139： 11863-11874.
[33]	Serosh. Cotton dataset［DS/OL］. ［2025-09-26］..
[34]	Redmon J， Farhadi A. YOLOv3： an incremental improvement［PP/OL］. arXiv （2018-04-08）［2025-09-26］..
[35]	Gong H， Li H， Xu K， et al. Object detection based on improved YOLOv3-tiny［C］// CAC 2019. Piscataway： IEEE， 2019： 3240-3245.
[36]	Li C， Li L， Jiang H， et al. YOLOv6： a single-stage object detection framework for industrial applications［PP/OL］. arXiv （2022-09-07）［2025-09-26］..
[37]	Ultralytics. Explore Ultralytics YOLOv8［EB/OL］. （2026-05-21）［2026-09-02］. .
[38]	Wang C Y， Yeh I H， Mark Liao H Y. YOLOv9： learning what you want to learn using programmable gradient information［C］// ECCV 2024， LNCS 15089. Cham： Springer， 2025： 1-21.
[39]	Wang A， Chen H， Liu L， et al. YOLOv10： real-time end-to-end object detection［C］// NeurIPS 2024. Red Hook： Curran Associates Inc.， 2024： 107984-108011.
[40]	Wang C， He W， Nie Y， et al. Gold-YOLO： efficient object detector via gather-and-distribute mechanism［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 51094-51112.
[41]	Ultralytics. Ultralytics YOLO11［EB/OL］. （2026-05-21）［2026-09-02］. .
[42]	Lei M， Li S， Wu Y， et al. YOLOv13： real-time object detection with hypergraph-enhanced adaptive visual perception［PP/OL］. V2. arXiv （2025-09-05）［2025-09-26］..
[43]	Zhao Y， Lv W， Xu S， et al. DETRS beat YOLOs on real-time object detection［C］// CVPR 2024. Piscataway： IEEE， 2024： 16965-16974.
[44]	Feng Y， Huang J， Du S， et al. Hyper-YOLO： when visual object detection meets hypergraph computation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2024， 47（4）： 2388-2401.
[45]	Xu S， Zheng S， Xu W， et al. HCF-Net： hierarchical context fusion network for infrared small object detection［C］// ICME 2024. Piscataway： IEEE， 2024： 1-6.
[46]	Wang Q， Wu B， Zhu P， et al. ECA-Net： efficient channel attention for deep convolutional neural networks［C］// CVPR 2020. Piscataway： IEEE， 2020： 11531-11539.
[47]	Zhang Q L， Yang Y B. SA-Net： shuffle attention for deep convolutional neural networks［C］// ICASSP 2021. Piscataway： IEEE， 2021： 2235-2239.
[48]	Hu J， Shen L， Sun G. Squeeze-and-excitation networks［C］// CVPR 2018. Piscataway： IEEE， 2018： 7132-7141.
[49]	Shao H， Zeng Q S， Hou Q B， et al. MCANet： medical image segmentation with multi-scale cross-axis attention［J］. Machine Intelligence Research， 2025， 22（3）： 437-451.
[50]	Liu Y， Shao Z， Teng Y， et al. NAM： normalization-based attention module［PP/OL］. arXiv （2021-11-24）［2025-07-10］..
[51]	Zheng Z， Wang P， Liu W， et al. Distance-IoU loss： faster and better learning for bounding box regression［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（7）： 12993-13000.
[52]	Rezatofighi H， Tsoi N， Gwak J， et al. Generalized intersection over union： a metric and a loss for bounding box regression［C］// CVPR 2019. Piscataway： IEEE， 2019： 658-666.
[53]	Zhang Y F， Ren W， Zhang Z， et al. Focal and efficient IOU loss for accurate bounding box regression［J］. Neurocomputing， 2022， 506： 146-157.
[54]	Wang J， Xu C， Yang W， et al. A normalized Gaussian Wasserstein distance for tiny object detection［PP/OL］. V2. arXiv （2022-06-14）［2025-08-10］..
[55]	Cottonleaf. Tomato leaf disease dataset［DS/OL］. ［2025-08-10］..

名称	配置	名称	配置
学习率	0.01	BatchSize	32
图像大小	640×640	Epoch	200
优化器	SGD

名称	配置	名称	配置
学习率	0.01	BatchSize	32
图像大小	640×640	Epoch	200
优化器	SGD

模型	精确率/%	召回率/%	mAP₅₀/%	mAP_50-95/%	Params	GFLOPs	推理时延/ms	能耗/J
Faster R-CNN^［22］	71.9	72.7	78.8	—	—	—	55.6	—
YOLOv3^［34］	93.1	79.0	87.2	77.2	103 668 095	282.2	9.3	1.13
YOLOv3-tiny^［35］	86.3	78.9	84.3	66.1	12 130 234	18.9	1.2	0.08
YOLOv5n	85.0	81.9	87.5	57.2	2 503 919	7.1	0.9	0.03
YOLOv6n^［36］	81.1	72.8	78.9	49.8	4 234 239	11.8	0.9	0.05
YOLOv7^［25］	92.9	90.0	92.9	76.9	37 218 132	105.2	6.2	0.42
YOLOv8n^［37］	86.3	82.3	87.4	59.8	3 006 623	8.1	1.1	0.03
YOLOv9t^［38］	88.9	82.8	89.2	61.3	1 971 759	7.6	1.0	0.03
YOLOv10n^［39］	84.9	82.4	86.5	60.8	2 696 366	8.2	0.6	0.03
Gold-YOLO^［40］	—	—	88.2	58.8	—	12.1	7.1	0.05
YOLO11n^［41］	91.2	88.5	93.0	69.6	2 583 127	6.3	0.9	0.03
YOLOv12n^［13］	92.2	88.5	94.9	72.1	2 557 703	6.3	1.1	0.03
YOLOv13n^［42］	92.1	88.0	94.2	72.1	2 448 870	6.2	1.4	0.03
RT-DETR^［43］	87.3	83.0	86.3	63.4	31 994 015	103.5	11.6	0.41
Hyper-YOLO^［44］	90.5	86.2	90.8	65.0	3 943 039	10.8	1.8	0.04
MN-YOLO	92.7	93.0	96.9	76.7	2 539 271	6.3	1.5	0.03

模型	精确率/%	召回率/%	mAP₅₀/%	mAP_50-95/%	Params	GFLOPs	推理时延/ms	能耗/J
Faster R-CNN^［22］	71.9	72.7	78.8	—	—	—	55.6	—
YOLOv3^［34］	93.1	79.0	87.2	77.2	103 668 095	282.2	9.3	1.13
YOLOv3-tiny^［35］	86.3	78.9	84.3	66.1	12 130 234	18.9	1.2	0.08
YOLOv5n	85.0	81.9	87.5	57.2	2 503 919	7.1	0.9	0.03
YOLOv6n^［36］	81.1	72.8	78.9	49.8	4 234 239	11.8	0.9	0.05
YOLOv7^［25］	92.9	90.0	92.9	76.9	37 218 132	105.2	6.2	0.42
YOLOv8n^［37］	86.3	82.3	87.4	59.8	3 006 623	8.1	1.1	0.03
YOLOv9t^［38］	88.9	82.8	89.2	61.3	1 971 759	7.6	1.0	0.03
YOLOv10n^［39］	84.9	82.4	86.5	60.8	2 696 366	8.2	0.6	0.03
Gold-YOLO^［40］	—	—	88.2	58.8	—	12.1	7.1	0.05
YOLO11n^［41］	91.2	88.5	93.0	69.6	2 583 127	6.3	0.9	0.03
YOLOv12n^［13］	92.2	88.5	94.9	72.1	2 557 703	6.3	1.1	0.03
YOLOv13n^［42］	92.1	88.0	94.2	72.1	2 448 870	6.2	1.4	0.03
RT-DETR^［43］	87.3	83.0	86.3	63.4	31 994 015	103.5	11.6	0.41
Hyper-YOLO^［44］	90.5	86.2	90.8	65.0	3 943 039	10.8	1.8	0.04
MN-YOLO	92.7	93.0	96.9	76.7	2 539 271	6.3	1.5	0.03

YOLOv12n	MSSimAM	ATFL	精确率/%	召回率/%	mAP₅₀/%	mAP_50-95/%	Params	GFLOPs
√			92.2	88.5	94.9	72.1	2 557 703	6.3
√	√		93.1	92.4	96.5	76.2	2 539 271	6.3
√		√	92.5	89.4	94.5	70.6	2 509 319	6.3
√	√	√	92.7	93.0	96.9	76.7	2 539 271	6.3

面向小目标优化的棉叶病害智能诊断模型

Small-target-oriented intelligent diagnosis model for cotton leaf diseases

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 55

相关文章 15

编辑推荐

Metrics

模块	精确率/%	召回率/%	mAP₅₀/%	mAP_50-95/%	Params	GFLOPs
PPA^［45］	87.7	81.4	87.9	62.4	4 710 511	7.9
ECA^［46］	90.5	97.6	92.9	68.8	2 539 274	6.3
Shuffle Attention^［47］	91.5	90.5	94.7	69.9	2 539 367	6.3
SE^［48］	91.3	89.1	94.0	70.0	2 539 783	6.3
MCA^［49］	92.6	80.0	93.7	69.5	2 539 281	6.3
NAM^［50］	91.4	89.7	94.3	71.9	2 539 783	6.3
SimAM^［32］	92.7	92.9	96.3	74.2	2 539 271	6.3
MSSimAM	92.7	93.0	96.9	76.7	2 539 271	6.3

损失函数	精确率	召回率	mAP₅₀	mAP_50-95
CIoU^［31］	93.1	92.4	96.5	76.2
DIoU^［51］	92.9	90.1	95.4	71.3
GIoU^［52］	91.8	89.0	94.7	71.9
EIoU^［53］	92.5	93.4	96.5	76.9
NWD^［54］	94.2	92.5	94.8	75.3
ATFL^［14］	92.7	93.0	96.9	76.7

病害	精确率	召回率	mAP₅₀	mAP_50-95
曲叶病初期	86.3	88.8	92.8	70.2
曲叶病中期	91.6	92.1	95.8	76.3
根结线虫病	100.0	96.0	99.5	60.3
白霉病	92.4	94.9	97.5	79.3
健康	93.4	93.5	97.4	82.6

模型	精确率/%	召回率/%	mAP₅₀/%	mAP_50-95/%	Params	GFLOPs
YOLOv12n	69.2	97.5	78.1	66.3	2 557 508	6.3
MN-YOLO	92.5	94.3	97.4	88.0	2 539 076	6.3

[1]	姚华, 杨高明, 李雪莲, 陆凯旋. 基于动态感知和交叉调制的遥感小目标检测[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2968-2976.
[2]	吴闵奇, 杨元华, 李航, 胡雅琴, 汤智豪, 梅腾. 基于图Transformer和RT-DETR的轻量化水下小目标检测[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1586-1595.
[3]	张红瑞, 冯威铭, 杨潞霞, 马永杰. 基于YOLO11改进的水下小目标检测算法CSAF-YOLO[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1578-1585.
[4]	李雨希, 王雅莹, 田诗芹, 郑伯川. 基于分割引导和频域增强的轻量级谷穗计数网络[J]. 《计算机应用》唯一官方网站, 2026, 46(10): 3307-3316.
[5]	边小勇, 袁培洋, 胡其仁. 双编码空频混合的红外小目标检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 252-259.
[6]	范博淦, 王淑青, 陈开元. 基于改进YOLOv8的航拍无人机小目标检测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2342-2350.
[7]	余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 647-654.
[8]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[9]	肖海林, 田波, 胡彬, 孔祥婷, 吴媛媛, 马仁煜, 张中山. 基于信道先验多尺度跨轴注意YOLO的无人机视角下多尺度小目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 4021-4029.
[10]	边小勇, 胡其仁. 多注意力对比学习的红外小目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(11): 3707-3712.
[11]	刘赏, 周煜炜, 代娆, 董林芳, 刘猛. 融合注意力和上下文信息的遥感图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 292-300.
[12]	李烨恒, 罗光圣, 苏前敏. 基于改进YOLOv5的Logo检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2580-2587.
[13]	姬张建, 杜娜. 基于改进VariFocalNet的微小目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2200-2207.
[14]	刘越, 刘芳, 武奥运, 柴秋月, 王天笑. 基于自注意力机制与图卷积的3D目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1972-1977.
[15]	王林, 刘景亮, 王无为. 基于空洞卷积融合Transformer的无人机图像小目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3595-3602.