EBS-YOLO：基于边缘优化双向空间特征增强的小麦赤霉病疫情田间检测新方法

《Plant Methods》：EBS-YOLO: edge-optimized bidirectional spatial feature augmentation for in-field detection of wheat Fusarium head blight epidemics

本研究针对小麦赤霉病(FHB)田间疫情等级检测中存在的病穗边缘特征不明显、复杂环境干扰等难题，开发了边缘优化双向空间特征增强YOLO网络(EBS-YOLO)。该模型通过焦点边缘选择模块(FSM)增强边缘特征表征，采用双向空间连接特征金字塔网络(DSCFPN)优化特征融合机制，在保持低复杂度(2.05M参数/5.0MB)的同时，实现了小麦病健穗检测mAP达84.5%、疫情等级检测准确率94.7%的优异性能，为田间病害精准监测提供了高效解决方案。

　　

小麦作为全球种植最广泛的粮食作物，年产量超过7亿吨，养活了全球40%以上的人口。然而由镰刀菌复合群引起的小麦赤霉病(Fusarium Head Blight, FHB)严重威胁着小麦的产量和品质。在中国，赤霉病每年影响约450万公顷小麦，占全国种植面积的20%，2000-2018年间年均损失超过341万吨。传统上，赤霉病疫情评估依赖人工观察，这种方法不仅耗时耗力，而且容易产生主观偏差，导致检测结果不一致、不准确。

田间复杂环境和病区边缘不清晰为病健穗的准确区分带来了巨大挑战。尽管深度学习技术在作物病害检测中取得了显著进展，但在小麦赤霉病疫情等级检测方面仍存在诸多局限：现有方法难以在复杂背景下准确区分感染穗与健康穗，对病害不同发病阶段的表现差异适应能力不足，且模型复杂度高不利于田间实时应用。

针对这些挑战，西北农林科技大学的研究团队在《Plant Methods》上发表了题为"EBS-YOLO: edge-optimized bidirectional spatial feature augmentation for in-field detection of wheat Fusarium head blight epidemics"的研究论文，提出了一种新颖的边缘优化双向空间特征增强YOLO网络，为小麦赤霉病疫情等级的快速精准检测提供了创新解决方案。

研究团队采用了多项关键技术方法：基于2013-2024年从陕西8个试验基地及湖北、安徽3个调查点收集的1152张小麦冠层图像构建数据集；开发焦点边缘选择模块(FSM)替代原始C2f模块以增强边缘特征表征；设计双向空间连接特征金字塔网络(DSCFPN)平衡全局与局部特征获取；采用Wise-IoU(WIoU)损失函数提升定位精度；依据国家标准(GB/T 15796-2011)按病穗率划分5个疫情等级。

模型架构优化效果显著

EBS-YOLO模型在骨干网络中用FSM模块替代原始C2f模块，通过多尺度特征提取和边缘特征增强策略，显著提升了模型对小麦穗部和病害复杂边缘特征的捕捉能力。在颈部网络设计的DSCFPN结合了全局到局部空间聚合(GLSA)与双向金字塔交互，优化了特征融合机制。损失函数方面，用WIoU v2替代CIoU，通过自适应非单调聚焦机制提升定位精度。

模块性能验证充分

消融实验表明，FSM、DSCFPN和WIoU2模块的逐步引入使mAP₅₀从83.1%提升至84.5%，mAP_50-95从48.0%增至49.3%。FSM模块专注于边缘特征增强，其多分支结构能有效提取小麦穗部在不同尺度下的细节特征；DSCFPN通过双向加权连接实现跨尺度特征融合，显著提升了模型在复杂背景下区分小麦穗与噪声的能力。

检测性能全面领先

与8种主流检测算法对比，EBS-YOLO在病健穗检测中表现最优，mAP₅₀达84.5%，显著高于YOLOv8(83.1%)、YOLOv10(82.6%)、YOLOv11(83.0%)、YOLOv12(82.7%)等模型。特别在病穗检测(AP-diseased=82.9%)和健穗检测(AP-healthy=86.1%)方面均达到最高水平。热力图分析显示，EBS-YOLO在复杂田间环境下能更精准地聚焦目标区域，特征响应集中且边界清晰。

疫情等级检测准确率高

基于病穗率的疫情等级检测中，EBS-YOLO准确率达94.7%，显著优于其他模型(SSD:69%，YOLOv8:68%)。混淆矩阵分析表明，该模型在5个疫情等级上均保持高识别率，尤其在2-4级动态发病阶段的复杂场景下表现稳定，避免了其他模型仅在1级(多数健康)和5级(严重发病)表现良好的局限性。

泛化能力经得起验证

时空独立验证实验中，EBS-YOLO在2024年病虫害调查数据集(24A、24B、24C)上的疫情等级检测准确率分别为96%、96%、92%，平均达到94.7%，证明了模型在自然田间条件下的强泛化能力。实时推理性能测试显示，在RTX 3090上可达38.4 FPS，单帧推理时间仅26.07ms，满足田间实时检测需求。

该研究首次实现了基于目标检测的小麦赤霉病疫情等级田间精准检测，通过边缘特征优化和双向空间增强策略，有效解决了复杂环境下病健穗区分难题。EBS-YOLO兼具高性能(84.5% mAP₅₀)与低复杂度(2.05M参数/7.4 GFLOPs)的优势，为作物病害智能监测提供了可迁移的技术框架。未来部署至微信小程序或无人机平台后，可为农户提供便捷的病害检测与防控决策支持，同时有望拓展至稻瘟病、玉米穗腐病等其它作物病害检测场景，具有广阔的农业应用前景。