文献分享:SCS-YOLO:农业病害实时检测模型——以小麦赤霉病为例

本文是 Gao 等人于 2025 年发表在《Computers and Electronics in Agriculture》上的一篇文章。

1. 简介

本研究使用的小麦图像数据集来自河南农业大学原阳实验基地。利用一架大疆Phantom 4 RTK无人机(UAV)和两台移动设备作为图像采集设备。实验期间共收集了1387张小麦图像，其中一些示例如图1和图2所示。

本研究共获得了1387张不同高度的小麦图像，为了满足目标检测的训练要求，使用可视化标注工具LabelMe对每张图像中包含的小麦穗用矩形方框进行手动标注，将其分为“健康”和“患病”两类。为了增强模型的泛化能力，降低过拟合风险，对采集到的小麦图像进行离线数据增强。最终，小麦图像数据集扩展到8296张图像。将数据集按8:2的比例分为训练集和测试集。关于数据集的详细信息如表1所示。

小麦赤霉病的严重程度可以根据最终患病穗率的范围来评估，小麦赤霉病的严重程度可以根据其穗发生率范围分为五个级别。不同级别的具体标准见表2。

StarNet是一种新的神经网络架构，与传统方法依赖于扩展网络来获得更丰富的特征表示不同，StarNet实现了高效的特征表示过程，避免了对增加计算量的需求。对于像YOLOv5这样跨多个尺度执行目标检测的网络，StarNet的新策略在不增加额外计算负担的情况下提供了更丰富的特征表示，从而提高了网络的检测性能。通过简单地堆叠这些创新的星形块，StarNet显降低了传统卷积网络所需的计算开销和参数数量，同时保持了高性能。这种方法使StarNet特别适用于资源受限的设备。图4显示了starnet块的结构。

本文提出了一种创新的轻量级CB模块，创造性地集成了融合卷积(FusionConv)和深度卷积(DWConv)的设计，在保持其性能的同时显著降低了模型的计算成本和复杂性。如图5所示，CB模块由两个FusionConv层和一个DWConv层组成，形成了一个精简而强大的架构。这种创造性的融合使CB模块能够提供强大的特征提取和维度转换，提供了一个突破性的解决方案。

在CB模块中，输入特征首先通过FusionConv层进行特征提取和维度转换，其设计大大减少了强加的计算负荷。这些特征随后通过DWConv层，在提取附加特征的同时进一步减少了计算需求。最后，利用FusionConv优化特征提取和信息流步骤。CB模块通过FusionConv和DWConv操作的多次迭代，有效整合了来自不同层次的特征，增强了特征间的信息流。将CB模块集成到YOLOv5的颈部网络中，在保持其检测性能的同时，显著降低了模型的推导计算成本和复杂度。

Shape-NWD是一种新的损失函数，用于在目标检测任务中执行边界盒回归，旨在通过整合Shape-IoU和归一化Wasserstein距离(NWD)来提高回归过程的准确性和鲁棒性。通过结合形状和尺度因素，Shape-NWD优化了检测盒的回归损失，能够更好地适应小目标检测任务中观察到的形状和尺度变化，并提供更高的性能。通过考虑形状和尺度因素，Shape-NWD可以更准确地衡量预测框和真实框之间的差异，从而指导模型学习更具判别性的特征表示。这使得YOLOv5能够更精确地定位受小麦赤霉病影响的区域，减少误检和漏检的数量，最终提高检测的整体准确性和可靠性。

实验环境的硬件和软件配置详见表3。

为了评价小麦赤霉病尖峰的检测性能，采用了精确率、召回率、F1和mAP来评估；本研究采用FPS、参数(Params)和GFLOPs来评估所开发模型的实时性能，采用决定系数(R²)和均方根误差(RMSE)来评价目标检测模型的计数性能。通常，较高的R²和较小的RMSE表示较好的计数性能。

为了验证模型的有效性和优越性，针对8种已建立的目标检测框架进行了一系列对比实验。对比各个模型精度、实时处理能力和计算复杂度差异。实验结果如表5所示。

大多数未检测到的物体位于图像的外围区域，这表明尽管这些模型的识别性能有所增强，但它们在边缘区域检测麦穗的能力仍然较弱。相比之下，SCS-YOLO模型对小麦穗的识别能力更强，特别是在有效检测外围区域的小物体方面。从图7可以看出，在自然野外场景中，从低空手机图像到UAV图像的转换，由于存在更加密集和相对模糊的物体，对目标检测和分类提出了重大挑战。

如图7所示，YOLOv3-Tiny、YOLOv7-Tiny、YOLOv8s、YOLOv9s等模型的漏检率明显高于手机模型，说明在使用细节模糊的UAV图像进行训练时，这些模型未能捕捉到不同类别的有效特征。相比之下，SCS-YOLO的检测性能最优。虽然它并没有完全避免遗漏和错误检测的情况，但这些问题主要发生在严重遮挡或小边缘物体上。与手机图像相比，UAV图像的高度更高，导致物体更密集、更小，其中麦穗之间严重的遮挡和重叠，以及物体过小，给模型的检测能力带来了很大的困难。然而，SCS-YOLO很少对小麦穗进行错误分类，表明它具有强大的识别和分类能力，可以准确识别和分类不同田间场景下的实际小麦穗目标。综上所述，SCS-YOLO模型整体检测性能优越，能有效满足复杂环境下对小麦赤霉病影响下小麦穗的精准实时鉴定需求。

为了研究该模型的不同组成部分对小麦赤霉病峰值检测的影响，对StarNet、CB模块和Shape-NWD三种关键策略进行了消融实验。表6总结了实验结果。

基线的mAP为91.31%，但推理速度低并且计算复杂度高。引入StarNet作为骨干网后，模型的计算效率显著提高。然而，这一调整导致mAP略微降低到90.39%。这些发现表明，采用更轻量级的StarNet架构大大降低了计算复杂度，提高了模型的推理速度。在StarNet集成步骤的基础上，增加CB模块进一步提高了效率，CB模块通过其跨分支设计，实现了更有效的跨层特征融合过程，最大限度地减少了冗余计算，从而提高了模型的运行效率和识别精度。最后，Shape-NWD的结合产生了最平衡的性能。通过优化特征提取过程中的形状适应性度量，Shape-NWD显著增强了模型识别小物体形状相关特征的能力，减轻了轻量化设计带来的精度损失，同时提高了计算效率。

与基线相比，本文提出的SCS-YOLO模型在实时性和资源效率方面取得了显著改善。消融研究证实，这三种改进策略有助于在小麦赤霉病检测场景中优化检测性能和计算效率之间的平衡。在保持高水平检测精度的同时，SCS-YOLO显著降低了计算复杂度，提高了实时推理能力，使其特别适合部署在资源受限的边缘设备上。在实施Shape-NWD策略期间，进行了补充实验，以研究权重系数对所得模型性能的影响。在实验中，Shape-IoU和NWD的权重系数在0到1的范围内同步调整，步长为0.1。表7给出了不同权系数设置下产生的实验结果。

如表7所示，权重系数的选择对模型的精度、召回率、F1分数和mAP都有显著影响，从而证实了Shape-NWD策略在优化其检测精度和小目标方面的关键作用识别能力。表7显示，当Shape-IoU的权重较高时，准确率增加，召回率降低。这表明，较高的Shape-IoU权重使模型更关注边界盒形状匹配，降低了错误检测率，但可能遗漏一些小对象，降低了召回率。相反，当NWD权重较高时，查全率增加，但查准率降低。这可能是因为较高的NWD权值使模型更加关注物体的分布距离，增强了模型检测小物体的能力，但可能引入更多的错误检测。此外，当Shape-IoU和NWD权重分别为0.4和0.6时，检测性能最佳。该设置有效地解决了边界盒回归问题，以平衡形状匹配和物体分布距离，在保证高检测精度的同时提高了对小物体的识别能力。通过合理调整Shape-NWD策略中的权重系数，可以显著优化模型的检测性能，在复杂场景下具有明显的优势。

鉴于NVIDIA Jetson Nano优异的能效，选择它作为SCS-YOLO模型的部署平台。其紧凑的尺寸和强大的计算能力使其能够在各种环境中部署。这有助于使用部署的模型实时检测和定位疾病发生情况，有助于预防疾病进一步传播，并为实际实施SCS-YOLO提供大量硬件支持。此外，该设备低功耗水平和高性能使其能够长时间连续运行，满足持续监控的要求。本研究的目的是利用轻量级SCS-YOLO模型实现小麦赤霉病的快速实时检测。为了验证改进的SCS-YOLO模型在边缘设备上的有效性，并促进小麦赤霉病的自动识别，将其部署在NVIDIA Jetson Nano上。部署环境的详细信息如表8所示。

随后，研究了不同图像输入大小对部署在边缘设备上的SCS-YOLO精度和速度的影响(图8)。

从图8可以看出，在416 ×416 ~ 640 ×640的图像输入尺寸范围内，模型的召回率、F1、mAP均呈现增加的趋势。这一发现表明，更大的图像尺寸使模型能够提取更详细和关键的特征，从而增强其检测能力。然而，当图像尺寸增加到1024 ×1024时，观察到这四个指标的显著下降。这些下降可能归因于边缘设备的有限资源，其中处理高分辨率图像所带来的计算负担增加损害了模型性能。

SCS-YOLO模型在小麦图像中表现出鲁棒性，在涉及密集小物体的条件下有效识别健康和患病的小麦穗，尽管偶尔会出现错误和遗漏的检测。这证明了它能够满足在低功耗边缘设备上快速准确地在实际现场环境中进行小麦赤霉病检测的要求。为了进一步分析小麦赤霉病情况，计算原始数据集1387幅小麦图像的病穗率。如图11所示，患病穗率的R²值达到0.90,RMSE为3.48的发病率。

本研究提出一种基于 SCS-YOLO 的瞬时检测模型，可在高性价比、低功耗的 Jetson Nano 嵌入式平台上实现小麦赤霉病的高精度实时检测。该模型融合 StarNet 骨干网络、轻量化 CB 模块与加权 Shape-NWD 损失函数，有效降低了模型参数量与计算复杂度，并提升了推理速度。SCS-YOLO 模型平均精度均值（mAP）可达 90.51%，相较于基准模型，参数量与浮点运算量（GFLOPs）分别降低 39.97%、42.13%。研究进一步在 Jetson Nano 平台上完成病穗率统计分析，可实时反馈小麦赤霉病发病严重程度，充分验证了该模型在边缘设备上开展赤霉病快速检测的应用潜力。

由谷物镰刀菌引发的镰刀菌头疫病(小麦赤霉病)会大幅降低小麦产量和质量水平，同时产生有害的真菌毒素，危及粮食安全和人类和牲畜的健康。在田间情况下，小麦赤霉病的有效实时检测仍然是一个关键的挑战。因此，本研究提出了一个创新的实时农业疾病检测模型SCS-YOLO，用于小麦赤霉病检测和严重程度评估。此外，将其部署在低成本、低功耗的NVIDIA Jetson Nano嵌入式平台上，实现了低资源实时检测。首先，利用StarNet重构了YOLOv5s骨干网，在保持计算效率的同时，获得了更丰富、更具表现力的特征表示。然后提出一种新颖的轻量化CB模块来取代C3模块，进一步减少了模型参数的数量和计算规模。最后引入加权的Shape-NWD函数，该函数考虑了边界框的形状和大小，有效提高了模型检测小物体的能力。结果表明，SCS-YOLO模型的平均精度(mAP)为90.51%，模型参数和千兆浮点运算(GFLOPs)分别降低39.97%和42.13%，优于现有模型。随后，计算患病穗率，其决定系数(R²)和均方根误差(RMSE)分别为0.90和3.48，有效量化了小麦赤霉病的严重程度。此外，SCS-YOLO在NVIDIA Jetson Nano上的平均推理时间仅为0.26 s，显示出在边缘设备上快速检测小麦赤霉病的强大潜力。本研究为小麦赤霉病检测与评价提供了可靠、高效、准确的解决方案。此外，SCS-YOLO设计灵活，可扩展到其他作物病害或作物类型的分析。