摘要
小麦作为世界主粮类作物之一，其优质和高产对保障粮食安全意义重大，但小麦易受外界环境或生物因素侵扰而产生病害。其中，小麦赤霉病传播范围广，危害程度深，已成为当前小麦面临的最严重的病害之一。通过对小麦赤霉病孢子进行检测，可以在病害初期发出预警并采取相应措施进行防治，从而控制病情扩散，减轻病害对小麦生产造成的损失。然而，在赤霉病孢子的实际检测过程中，由于图像拍摄的角度、复杂场景以及光照差异等影响，数据中易产生孢子的密集分布和遮挡分布;此外，孢子作为小目标，在密集和遮挡场景下的有效像素和特征信息较少，且易受到噪声干扰或孢子间的相互干扰，增加了有效特征的提取难度，因而现有方法易发生对目标的误检、漏检和重复检测等问题。 针对上述问题，本文借助计算机视觉技术，对赤霉病孢子在密集和遮挡分布下的检测进行研究，设计了针对密集小目标检测的模型YOLOv8-FECA和针对遮挡小目标检测的模型YOLOv8-SEAM-NMS,实现对小麦赤霉病孢子密集遮挡小目标的有效检测。所做的主要研究工作和取得的初步成果如下: (1)构建了小麦赤霉病孢子数据集。针对目前小麦赤霉病致病孢子相关的数据集较少，而深度学习模型需要高质量数据集才能完成训练过程的需求，本文以引发小麦赤霉病的禾谷镰孢菌和亚洲镰孢菌两种病菌为研究对象，通过在实验室环境中引入生物及物理性干扰来模拟田间环境，并进行孢子显微图像的采集及原始数据增强，最终构建了目标检测模型需要的高质量病害孢子数据集。 (2)针对赤霉病孢子图像中密集分布小目标的检测问题，设计了一种密集场景小目标检测模型YOLOv8-FECA。以YOLOv8为基准模型，首先添加了新的小目标检测层，以此增强网络对更小目标语义信息的捕捉以及提高其特征描述的准确性。同时，构建了融合特征的焦点注意力机制FECA以实现对小目标和密集分布目标的关注。最后，为提高模型的收敛能力以及对边界框预测的准确性，引入了 Wise-IoU Loss与DFL Loss结合作为边界框的回归损失。研究结果显示，优化后模型相比YOLOv8在孢子数据集中的mAP@0.5提高了 4.3％，达到96.8％,且改进模型的FPS也达到实时检测要求，由此表明，本文设计的YOLOv8-FECA网络模型在保持高性能的同时能够有效提升密集场景小目标检测的精度。 (3)针对赤霉病孢子在遮挡环境下小目标检测的问题，设计了一种遮挡小目标检测模型YOLOv8-SEAM-NMS。对于类内遮挡，引入RepGT和RepBox构成的排斥损失函数并以Soft-NMS替代NMS作为本文模型所应用的目标框筛选机制，改善孢子间遮挡造成的候选框被错误排除和小目标漏检问题;针对类间遮挡，引入SEAM模块增强孢子目标特征学习，改善因非目标遮挡引起的漏检和错检问题，从而提高目标检测的准确性。研究结果显示，YOLOv8-SEAM-NMS网络模型的总体检测效果最好，在mAP@0.5、mAP@0.5:.95、P和R指标上相比基准模型分别提升了 4.8％、3.6％、2.0％、2.3％。 综上所述，本文针对性设计的小目标检测模型在更关注密集遮挡场景下目标重要特征的同时，满足了一阶段目标检测的实时要求，这也为其他作物病害孢子显微图像的精准识别提供了有力的思路和方法参考。
NETL