摘要
小麦赤霉病是最常见且具有破坏性的小麦病害之一，对我国的粮食产量和粮食安全构成重大威胁。小麦赤霉病的发生不仅会显著降低小麦的产量和品质，还会产生脱氧雪腐镰刀菌烯醇等真菌毒素，对动物和人类的健康产生不利影响。在病害发生的中早期，快速且准确地进行小麦赤霉病的严重度识别，对于实施有效的田间管控、减少病害损失以及小麦抗病品种研究均具有重要意义。因此本文主要针对田间复杂背景下的单穗、群体两种小麦图像进行一系列的分析处理，旨在不同场景下实现小麦赤霉病的严重度识别任务。论文的主要内容如下： （1）分析了7种卷积神经网络对单穗小麦赤霉病严重度的识别效果。首先，针对单穗小麦图像数据集，选择了3种常规模型（VGG16、ResNet50和DenseNet121）以及4种轻量化模型（RepGhostNet、MobileNetV3、ShuffleNetV2和EfficientNetV2）以实现单穗小麦赤霉病的严重度识别任务。在模型训练过程中，采用了先进的在线增强策略，如CutMix和AutoAugment，以提升模型的泛化能力。结果显示，DenseNet121模型的识别性能最好，准确率达96.80%，F1score达94.99%，普遍优于4种轻量化模型。轻量化模型MobileNetV3的准确率达88.93%，F1score达82.88%，但该模型的识别速度最快，每秒帧数（FramePerSecond,FPS）达145.51，且模型参数量和浮点操作数（Floating-pointOperations,FLOPs）均较少。因此在单穗小麦赤霉病严重度识别任务中，如何采用更有效的技术和策略兼顾模型的精度和速度仍有一定的改进空间。 （2）提出了基于知识蒸馏的单穗小麦赤霉病严重度识别方法。基于（1）的研究结果，选定精度最高的DenseNet121作为教师模型，并利用PolyLoss函数替换原有的损失函数，同时采用余弦退火算法更新模型学习率，进一步提升模型精度，从而更有效地指导学生模型的训练。随后选定实时性能最强的轻量化模型MobileNetV3为学生模型，利用知识蒸馏的思想，在保证模型轻量化的前提下，基于教师模型的知识传递提升学生模型MobileNetV3的精度。随后探究了不同的权重系数和温度系数对模型精度的影响。结果表明，知识蒸馏能够显著提升轻量化模型的精度，蒸馏后的MobileNetV3的准确率、精确率、召回率以及F1score分别提升了7.58%、11.76%、11.84%和11.80%，弥补了轻量化模型精度欠佳的问题。此外，当温度系数保持不变时，权重系数为0.5时模型的准确率最高，达96.51%。当权重系数保持不变时，温度系数的不同设置，对模型的精度影响不大。 （3）提出了基于MS-YOLOv7的群体小麦赤霉病穗实时检测和严重度识别方法。首先，基于YOLOv7框架，用MobileNetV3重构YOLOv7主干网络，以显著减少模型参数量和计算复杂度，更好地适应群体小麦赤霉病穗实时检测的需求。随后引入Slim-neck轻量化结构来进一步压缩模型参数和计算规模，从而提高模型的检测速度。提出的MS-YOLOv7模型的平均精度均值（meanAveragePrecision,mAP）达91.46%，在CPU上的FPS从1.62提升至4.51，模型参数量和FLOPs分别降低了48.48%和75.84%。然后，基于模型结果，统计了每张群体小麦图片中的患病麦穗数以及总麦穗数，计算出小麦赤霉病病穗率，其决定系数（CoefficientofDetermination,R2）和均方根误差（RootMeanSquaredError,RMSE）分别为0.90和0.03，实现了较好的统计效果。最终通过病穗率的所处范围确定了群体小麦赤霉病严重度。
NETL