关于动态尺度特征挖掘与双向注意力交互的黄瓜病害检测路线图，左侧纵向模块清晰划分三层研究逻辑：顶层明确精准识别复杂背景黄瓜病斑的核心检测目标；中层拆解两大模型创新方向，RFCAConv 动态尺度模块整合感受野调整、通道注意力、多尺度病斑提取技术，AFEM 背景抑制模块集成全局池化、可学习权重、双向交互、噪声抑制算法，中间 DSFM-BAI 融合特征挖掘与双向注意力交互核心创新，罗列 YOLO11、RFCAAConv、AFEM、C3K2-DSC 等全套网络组件；底层完整标注实验验证链路，包含黄瓜病害原始数据集、MixUp 数据增强、消融对比试验、Android 移动端部署四大验证环节。下半部分环形核心区域围绕 DSFM-BAI 算法展开，分三大分支完整展示研究落地成果：数据集构建板块标注 1280 幅原图、3840 幅增强图像、8 类病害标签数据规模；应用板块聚焦黄瓜炭疽病、霜霉病、蔓枯病多类别田间病害识别，拓展公开数据集泛化场景；性能收益板块直观展示 mAP 85.9%、召回率 83.2%、推理速度 58.88 f/s 核心指标，底部补充安卓端 84.8% 识别准确率、0.352s 单图耗时的移动端落地数据，两侧标注复杂场景识别、手机端落地两大核心应用价值，将晦涩的深度学习农业算法、实验流程、性能数据整合为条理清晰的可视化科研框架，解决研究生论文技术路线逻辑混乱、算法创新点展示不直观、课题汇报难以完整梳理研究脉络、绘图耗时久的科研痛点。硕博研究生可直接复用框架绘制毕业论文、期刊论文标准技术路线图；农业 AI 研发工程师用于项目方案汇报、算法迭代思路展示；高校专业课教师可作为深度学习农业视觉教学案例。