来源：期刊VIP网 时间：
作者：孙文峰;周德福;王轩力;王继芬;杨雅麟;张洋;王轩慧;
单位：青岛农业大学理学与信息科学学院;山西工程技术学院大数据与智能工程系;上海第二工业大学资源与环境工程学院;
摘要：条锈病、黄矮病和白粉病是威胁小麦正常生长的三种重要叶片病害，早期精准识别对于及时采取有效防治措施至关重要。针对小麦叶片病害图像特征复杂、目标尺寸微小，以及现有深度学习模型精度低、鲁棒性差等问题，本研究提出一种基于改进YOLOX的小麦叶片病害识别模型。首先，通过强化StemLayer无损下采样和引入通道注意力机制优化主干网络中的Stage层级，增强模型对细微病斑特征的表征能力；其次，改进空间金字塔池化模块，采用5×5池化核替代大尺寸池化核，减少细粒度特征丢失；再次，在颈部网络的CSPNextBlock中引入7×7大核深度可分离卷积和expand＿ratio参数，同时调整CSPLayer的Block数量，扩大感受野并降低计算量；最后，引入平均绝对误差(L1)损失函数，并将分配器的center＿radius参数从2.5调至2.0以优化正样本分配策略，提升微小目标定位精度。实验结果表明，改进后的模型在保持与原始YOLOX相当的参数量和推理速度(31.4帧·s~(-1))的同时，平均精度均值(mAP~(50))提升2.0个百分点，达到92.5%,对条锈病、黄矮病和白粉病的识别平均精度分别为94.7%、85.5%和97.4%。相比RTMDet、YOLOF、YOLOV3和Faster-RCNN模型，本研究提出模型的mAP~(50)分别提升15.5、0.5、5.2、0.2个百分点。本研究结果可为农业生产中的小麦叶片病害精准识别提供可靠的方法和技术支持。
关键词：YOLOX;;小麦叶片病害识别;;大核深度卷积;;深度学习
基金资助：国家自然科学基金项目(52176081);; 青岛农业大学博士启动基金资助项目(663/1120065,663/1123005);青岛农业大学大学生创新创业训练计划项目(2023年第431号,2024年第1634号,2024年第1749号);; 山东省大学生创新创业训练计划项目(S202310435223,S202410435022,S202410435080)
