摘要：[目的/意义]玉米螟虫害检测对提高玉米的产量和质量至关重要，然而现有的检测方法存在一定的局限性，难以满足大规模应用的要求。针对该问题本研究实践了一种基于无人机低空近景图像和YOLO-ESN (You Only Look Once Enhanced Small object Network)模型检测玉米螟虫害的方法，以虫洞检测替代虫体检测，从而提高田间应用的适应性。[方法]本研究以YOLOv11 (You Only Look Once version 11)模型为基础，在Backbone部分加入ELA (Enhanced Lightweight Attention)注意力机制，增强模型特征提取能力，在Neck部分采用轻量级C3k2-SCConv (C3k2-Spatial and Channel Reconstruction Convolution)模块，在仅增加较少参数量的情况下提升特征融合效率，在Head部分新增微小目标检测模块，直接利用浅层高分辨率特征提升模型性能，同时加入NWD+EIoU (Normalized Wasserstein Distance+Efficient Intersection over Union)损失函数优化边界框回归精度。最后，结合决策树算法确定虫害严重程度并生成虫害分布热力图。[结果和讨论]在自建玉米螟虫害数据集上进行的实验表明，改进后的YOLO-ESN在mAP@50 (mean Average Precision at IoU threshold of 0.50)和mAP@50:95 (mean Average Precision Averaged over IoU Thresholds from 0.50 to 0.95 with Step Size 0.05)上分别达到88.6%和40.5%，较基准模型提升7.6个百分点和4.9个百分点，精准度与召回率分别达到80.2%和82.1%，较基准模型提升6.3个百分点和2.3个百分点，同时参数量减少11.52%。[结论]实验结果证明，本研究为玉米螟虫害大范围精准检测提供了一种高效解决方案，推动精准农业进一步发展。
