摘要： 针对水稻病虫害识别任务中对高精度与复杂场景适应性的双重要求，本文提出了一种基于改进型 RT-DETR 的目标检测方法，并通过系统实验对其性能进行了验证与对比分析。在原始 RT-DETR 模型的基础上，引入 P2 小目标检测头、OrthoNets 正交通道注意力机制和 Additive Block 模块，以增强模型在小目标检测和复杂背景处理方面的能力。实验结果表明，改进模型的准确率较原始 RT-DETR 提高了 1.2%，mAP@50 提升了 2.3%，参数量由 20.18M 降至 19M。尽管 FLOPs 增加了 36.5G，检测性能却得到了显著提升。同时，本文将改进模型与主流目标检测算法 YOLOv5 和 YOLOv8 进行对比，从精度、召回率、参数量及计算复杂度等多个维度进行评估。结果显示，改进后的模型在 mAP@、Precision 和 Recall 等关键指标上均优于对比模型，尤其在小目标检测和复杂背景适应方面展现出更强的鲁棒性与识别能力。通过典型样本的可视化分析进一步验证了该方法在实际应用场景中的有效性。尽管模型计算量有所上升，但其在识别精度方面的显著提升充分说明了结构改进的合理性与实用价值。本文研究为水稻病虫害的智能监测与精准防控提供了有效的技术路径，也为后续模型部署与推广应用奠定了基础。

关键词: 水稻病虫害；RT-DETR 模型；小目标检测；OrthoNets；注意力机制；Additive 模块

中图分类号: 

• S-3