技术特征：
1.一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述步骤包括如下：s1：使用改进的yolov5s网络检测田间小麦穗，以检测病穗和健康穗；s2：将本研究提出的改进的yolov5s与yolov3-tiny、yolov4、ssd、faster r-cnn和yolov7模型进行了对比，验证了模型的有效性和优越性。2.根据权利要求1所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述步骤s2中模型为yolov5s模型，所述yolov5s模型是一个经典的单阶段结构，它包括以下三部分：特征提取主干网络，特征融合颈部网络和检测头,yolov5s算法的检测过程包括以下三个主要步骤：(1)特征提取：将输入图像的尺寸调整为640
×
640，并将调整后的图像输入主干网络，主干网络集成了卷积(convolution，conv)，快速空间金字塔池化(fast spatial pyramid pooling mudule，sppf)等多种特征提取模块；(2)特征融合：主干网络生成的特征图传输到颈部网络，颈部网络采用panet结构进行多尺度特征融合，充分整合特征图提供的不同层和尺度的信息；(3)检测头：在颈部网络中融合特征后，该层的输出被输送到用于检测不同尺度的目标的三个检测头，这些检测头可分别检测小型、中型和大型目标。3.根据权利要求1所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述步骤s1中包括mobilenetv3主干网络，采用轻量级网络mobilenetv3替换了yolov5s的原始主干网络，将sppf模块整合到主干网络中，以增强感受野和特征表达能力，从而提高检测精度，此外，我们将颈部的c3模块替换为c3ghost模块，以进一步减小模型尺寸，所述mobilenetv3遵循mobilenetv1的深度可分离卷积和mobilenetv2的线性瓶颈和倒残差结构，并通过网络架构搜索(neural architecture search，nas)获取参数，它使用netadapt算法来获得卷积内核和通道的最佳数量，此外，该模型在优化过程中引入了h-swish函数和挤压和激励(squeeze-and-excitation，se)注意力模块，大大提高了模型的速度和性能；h-swish是swish非线性的最新修改版本，与原始swish函数相比，其设计计算速度更快，对量化更友好。计算公式如下：所述se是一种注意力机制，通过自适应地调整特征图中每个通道的权重来提高模型的表达能力，se架构包括两个主要模块：挤压模块和激励模块，挤压模块通过全局平均池化操作将特征图的空间维度降为1x1，得到每个通道的全局特征描述。激励模块利用全连接层来学习每个通道的重要性权重，然后将这些权重应用于原始特征图，生成加权特征图，随后转发到下一层进行处理；通过将注意力se模块插入到神经网络的不同层中，可以使网络更加关注重要的特征，减少对不重要特征的依赖，从而提高模型的性能和泛化能力。4.根据权利要求2所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述c3ghost是通过用ghost bottleneck替换原始的c3中的bottleneck来减少模型参数的引入，ghost bottleneck由ghostconv和深度卷积(depthwise convolution,
dwconv)组成，可以降低一般卷积层的计算复杂度和参数量，同时保持相似的识别性能(k.han et al.,2020；shang et al.,2023)。5.根据权利要求1所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述步骤s2中还包括对模型的评估，利用多个指标来综合评估模型的性能，包括精度(precision，p)、召回率(recall，r)、f1得分、全类平均精度(mean average precision，map)、每秒帧数(frames per second，fps)、参数量(parameters)和每秒浮点运算数(flops)，p反映模型对正样本进行分类的能力，r评估模型找到正样本的能力，f1分数是p和r的调和平均值，map表示所有类别的平均精度的平均值，fps用于评估模型的检测速度，此外，parameters用于评估模型的大小，flops用于评估模型的计算复杂度，p、r、f1和map的计算方法如下：map的计算方法如下：map的计算方法如下：map的计算方法如下：map的计算方法如下：其中tp表示正确检测到的正样本数，而fp表示错误检测到的正样本数，同样，tn表示正确检测到的负样本的数量，而fn表示错误检测到的负样本数，此外，n表示本研究中分析的麦穗类别数。6.根据权利要求1所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述步骤s1中还包括数据集的准备，为了满足对象检测的训练要求，使用labelme获得了每个图像对应的标签文件，在图像中手动将小麦穗标记为两类：fhb和healthy，共生成402个标记文件，共标注16，884个小麦穗，平均每个图像包含42个小麦穗，随后对图像进行了离线增强和在线增强，操作分别为：离线增强使用组合增强来模拟自然环境中样本的复杂性，组合增强通过翻转(水平和垂直)、亮度变换、锐化、对比度变换、模糊(高斯模糊、平均模糊、中值模糊之一)、拉伸和失真，在图像上进行不重复的组合操作处理，将组合数量限制为至多四个；在线增强选择马赛克增强和混合增强等方式，以提高模型的鲁棒性，在线增强功能包括色彩空间变换、随机水平翻转、图像缩放、图像平移、马赛克增强和mixup增强；将增强的小麦图像以8：2的比例分为训练集和测试集，随后，训练集进一步划分为训练集和验证集，比例为9：1，数据集包括1736张训练图像和193张验证图像以及483张测试图像，利用训练集训练模型，利用验证集来评估模型的泛化性，利用测试集来评估模型的准确性和鲁棒性，本步骤确保有足够的图像可用于训练、调整和测试模型。7.根据权利要求1所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：利用pytorch 1.10.0深度学习框架构建和改进模型，并在ubuntu 20.04下对模型进行训练和测试，计算机的cpu是amd epyc 7642 48核处理器，2.3ghz，具有80g内存，gpu
是nvidia geforce rtx 3090，具有24g视频内存，为了加快网络训练速度，我们使用gpu进行加速，cuda版本为11.3和cudnn版本为8.2.1，在训练过程中采用sgd优化算法，将sgd动量参数统一设置为0.937，初始学习率设置为0.01，权重衰减参数设置为5e-4，采用图像加权策略改善样本数量的不平衡问题，使用余弦退火算法更新学习率，将输入图像的尺寸调整为640
×
640像素，bacth size大小设置为32，以满足每个模型的训练需求，训练批次(epoch)总数设置为500。8.根据权利要求1所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：通过消融实验以探索mobilenetv3和c3ghost模块对模型的影响,发现集成mobilenetv3和c3ghost模块足以兼顾模型准确性和速度(map＝97.15％，fps＝80)，此外，与仅添加mobilenetv3(fps＝71.93)相比，添加c3ghost模块可以进一步减小模型大小并加快检测速度(fps＝80)，值得注意的是，与原来的yolov5s相比，所提出的模型的fps提高了10.5，参数数量减少了49.72％，flops减少了71.32％，确保所提出的模型具有最小的模型尺寸和最高的检测速度，不会影响检测的准确性。9.根据权利要求1所述一种在自然环境中快速实时检测小麦赤霉病穗的方法，其特征在于：为了进一步确定小麦fhb造成的严重程度，从402张图像中统计出了总穗、健康穗和患病穗的数量，然后计算了病穗率(x)，采用决定系数(coefficient of determination，r2)和均方根误差(root mean squared error，rmse)来评估检测计数的准确性，根据病穗率的范围区间来确定fhb造成损伤的严重程度，病穗率和严重程度的确定均按小麦赤霉病测报技术规范来确定。此外，r2和rmse以及病穗率的计算如公式：其中i表示小麦图像的序列号，y
i
表示图像i中小麦穗的真实数量，是图像i中预测的小麦穗的数量，是图像i的平均数量。n是图像的总数量。x表示病穗率，d表示患病穗数，t表示麦穗总数。
技术总结
本发明公开了一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，涉及图像识别技术领域，所述步骤包括如下：s1：使用改进的yolov5s网络检测田间小麦穗，以检测病穗和健康穗；s2：将本研究提出的改进yolov5s与yolov3-tiny、yolov4、ssd、faster r-cnn和yolov7模型进行了对比，验证了模型的有效性和优越性,可实现自然环境中小麦赤霉病(fusarium head blight，fhb)的快速、实时、准确检测，本研究进一步统计出健康穗、患病穗、总穗，并将患病穗与总穗的比例作为病穗率，病穗率的决定系数(coefficient of determination，r2)达0.9802，按照病穗率的范围确定小麦fhb严重度，实现了较好的统计效果，结果表明，本研究提出的改进的yolov5s满足移动设备的实时、高效、准确要求。准确要求。准确要求。
技术研发人员：郭伟 高春凤 公政 张慧 乔红波
受保护的技术使用者：河南农业大学
技术研发日：2023.07.24
技术公布日：2023/10/27