基于YOLOv10n的花生叶斑检测模型通过多维特征增强和几何感知损失

精确识别早期花生叶斑对于保护油籽供应和减少农药依赖具有战略意义。然而，通用检测器在非结构化田间环境中面临严重的领域适应瓶颈，主要由于小特征消散、物理遮挡和类别失衡。为了解决这个问题，本研究构建了一个跨越两个物候周期的数据集，并提出了POD-YOLO，这是一个具有物理感知和动态优化的轻量框架。该框架基于YOLOv10n架构，并遵循“以数据为中心”的理念，通过协同“增强-损失-优化”机制优化参数收敛路径：(1) 输入阶段：引入了物理域重建（PDR）模块，以模拟物理遮挡，阻止捷径学习并构建一个稳健的特征空间；(2) 损失阶段：建立了损失流形重塑（LMR）机制，利用双分支约束来抑制背景梯度并增强小目标定位；(3) 优化阶段：实施了解耦动态调度（DDS）策略，将AdamW与余弦退火结合，以确保在小样本数据上平稳收敛。实验结果表明，POD-YOLO的精确度比基线提高了9.7%，召回率达到83.08%，同时保持了8.4 GFLOPs的低计算成本。本研究验证了通过优化动态挖掘轻量架构潜力的可行性，为基于边缘的智能植物保护提供了高效的范式。