A identificação precisa e rápida de doenças do milho é um pré-requisito para pulverização de precisão no campo. Contudo, o ambiente externo altamente variável, juntamente com o custo computacional dos modelos profundos, ainda limita a implantação no mundo real. Para enfrentar esses desafios, propomos o Dycorn-YOLO11, um detector de doenças do milho implantável construído sobre um design de arquitetura de captura de características dupla-dinâmica. Primeiro, o bloco de reparametrização convolucional online (OREPA) é incorporado na espinha dorsal para reduzir a complexidade de treinamento e inferência. Segundo, uma arquitetura de captura de características dupla-dinâmica é construída, onde v3-Dyhead e Dysample trabalham em conjunto para alcançar alinhamento deformável e amostragem adaptativa ao conteúdo, fortalecendo a representação de lesões pequenas e de baixo contraste. Além disso, um pipeline leve de “poda de canal + distilação de conhecimento” comprime substancialmente o modelo enquanto preserva a expressividade das características da espinha dorsal. Experimentos mostram que o modelo melhorado atinge uma precisão (P) de 88,2%, recall (R) de 73,9% e mAP de 81,5%, representando ganhos de 0,8, 2,1 e 3,4 pontos percentuais sobre o YOLO11n. A contagem de parâmetros e o tamanho do modelo são reduzidos em 41,5% e 40,0%, respectivamente, e a velocidade de inferência aumenta para 113,2 f/s, alcançando um equilíbrio entre precisão, compacidade e eficiência. O modelo também mantém alta estabilidade em um conjunto de dados externo e complexo, e oferece forte desempenho em tempo real tanto em experimentos estáticos quanto em movimento no campo. Em resumo, o Dycorn-YOLO11 demonstra desempenho robusto e implantável, proporcionando uma base técnica viável para pulverização de precisão em campos de milho.
Li et al. (Sun,) estudaram esta questão.