摘要： 针对田间复杂背景下作物叶片病害病灶尺度差异大、小目标易漏检误检，且现有检测模型难以兼顾检测精度、轻量化与实时性的行业痛点，本文提出一种基于改进 RT-DETR（Real-Time Detection Transformer）的苹果叶片病害实时检测模型。设计以稀疏动态多尺度视觉注意力（SDMVA）为核心的 FastFieldNet 主干网络，高效提取多尺度特征、扩展感受野，平衡特征表达能力与计算开销；提出幅度感知线性注意力（MALA）与 AIFI-MALA 编码器，解决 Transformer 原生 Softmax 注意力计算复杂度随序列长度二次增长的效率瓶颈，弥补传统线性注意力忽略查询向量幅度导致的得分平滑、局部感知不足的缺陷；构建 Focaler-MPDIoU 损失函数，融合动态加权与边界框几何优化特性，提升病害小目标定位精度。在 Plant Pathology 2021 数据集实验表明，改进模型 mAP??、mAP?????分别达 90.8%、63.9%，较原生 RT-DETR 提升 1.5%、3.6%；参数量仅 12.68M，较基准模型降低 36.5%，推理速度达 94.6FPS，综合性能优于主流目标检测算法，实现了精度、轻量化与实时性的平衡，为智慧农业病害智能检测提供了新技术方案。

关键词: 智慧农业；RT-DETR；病害识别；注意力机制；损失函数

中图分类号: 

• S237