摘要
农作物病害对农业生产和粮食安全有着深远影响。小麦作为我国的主要粮食作物之一，其产量和质量对人民身体健康和国家粮食安全有重大意义。小麦赤霉病是影响小麦生产安全的主要病害之一，会造成小麦减产甚至死亡，从而对国家粮食供应带来直接损失，此外小麦赤霉病产生的毒素对人类和动物的生命健康构成潜在威胁，因此，快速准确检测小麦赤霉病病情对于保障农作物生产、维护粮食安全和推动农业可持续发展具有重要意义。本文从小穗尺度和麦穗尺度两个方面出发，以大田环境下采集的小麦小穗赤霉病图像和小麦麦穗赤霉病图像为研究对象，构建基于深度学习的小麦赤霉病病小穗和病穗检测计数模型，进而对小麦赤霉病病情严重度和发生程度分级，并在改进模型的基础上设计了相应的系统。 本文主要研究内容如下： （1）基于改进 YOLOv8s 的小麦小穗赤霉病检测和病情严重度分级。针对大田环境复杂背景下的小目标和密集目标检测问题，提出了一种改进YOLOv8s算法（OCE-YOLOv8s），用于小麦小穗赤霉病的检测和计数。首先将YOLOv8s模型主干网络中的普通Conv替换为具有四个维度注意力机制的全维动态卷积 ODConv，提高网络对目标区域特征的提取；然后 Neck 网络采用改进Efficient RepGFPN 特征融合网络实现低层特征与高层语义信息的融合，使模型能够提取更丰富的特征信息；最后将CIoU损失函数改为EIoU损失函数，加快模型收敛速度，进一步提高模型准确率。实验结果表明，改进模型对小麦小穗赤霉病的检测精度达到98.3%，相比原模型提高了2个百分点。改进模型预测病小穗数与人工统计病小穗数间的决定系数R2为0.969，均方根误差RMSE为1.07，平均绝对误差MAE为0.73。能有效满足对小麦小穗赤霉病的精确检测和计数，可为大田环境下赤霉病的实时监测和病情严重度分级提供参考。 （2）基于轻量化改进 YOLOv8s 的小麦麦穗赤霉病检测和发生程度分级。针对传统模型参数量大、计算量大、资源要求高、难以部署于移动设备等问题，提出一种轻量化改进方法，便于模型移动终端的快速部署，提高小麦麦穗赤霉病的识别效率。首先使用改进FasterNet模块作为YOLOv8s模型的特征提取模块，然后将YOLOv8s模型主干网络的普通Conv改为轻量化卷积GhostConv，减少模型参数量和计算量；而后在不影响模型精度的前提下将模型的大目标检测头移除，最后引入Focal CloU 损失函数减少样本不平衡对检测结果的影响，加快模型的收敛速度。实验结果表明，改进模型（YOLOv8s- CGF）的模型大小仅为11.7 M，为原模型（YOLOv8s）的52.0%；参数量仅为5.7x106M，为原模型的51.4%；计算量为21.1 GFLOPs，为原模型的74.3%；模型的平均精度mAP@0.5为99.5%。改进模型预测病穗数与人工统计病穗数之间的决定系数R2为0.969，均方根误差RMSE为1.18，平均绝对误差MAE为0.97。可实现田间环境下小麦麦穗赤霉病的快速准确检测和发生程度分级，以及方便模型在移动端的部署。 （3）小麦赤霉病病情检测系统的设计与实现。系统基于Vue和SpringBoot框架实现，用户上传小麦赤霉病图像，系统调用模型输出麦穗图像中的小麦赤霉病病情严重度或小麦赤霉病发生程度，可为小麦赤霉病检测和分级提供实际帮助。
NETL