SCS-YOLO模型：基于轻量化深度学习的小麦赤霉病实时检测与严重度评估新方法

本文提出SCS-YOLO模型，通过StarNet主干网络、CB轻量模块和加权Shape-NWD损失函数优化，在NVIDIA Jetson Nano边缘设备上实现小麦赤霉病（FHB）90.51% mAP的实时检测，参数和计算量分别降低39.97%和42.13%，为农业病害智能监测提供高效解决方案。

　　

Highlight
本研究亮点在于：

1. 构建跨海拔、光照条件下的多样化小麦数据集，为模型训练奠定基础；
2. SCS-YOLO模型以90.51% mAP超越YOLOv5s，参数量减少39.97%，计算量(GFLOPs)降低42.13%，帧率提升76.16%；
3. 首次在低成本NVIDIA Jetson Nano边缘平台实现小麦赤霉病实时检测与严重度评估（R²=0.90，RMSE=3.48）。

Construction of SCS-YOLO
为提升小麦赤霉病实时检测性能，我们创新性设计SCS-YOLO模型，其三大核心技术：

1. StarNet特征提取网络：作为主干网络，以低计算开销高效捕获复杂FHB特征；
2. CB轻量模块：替代传统C3模块，进一步压缩模型规模；
3. 加权Shape-NWD损失函数：通过融合目标框形状与尺寸信息，显著提升小目标检测能力。

Comparison with other classic object detection models
模型训练采用640×640统一输入尺寸，结合在线/离线数据增强策略。如表4所示，SCS-YOLO在测试集上mAP达90.51%，推理速度较YOLOv5s提升76.16%，且参数量仅2.7M，完美适配边缘设备部署需求。

Advantages of the lightweight SCS-YOLO
相较于现有作物病害检测算法（如DeepFHB、MEAN-SSD等），本模型在保持精度的同时：

1. 单帧推理耗时仅0.26秒，满足田间实时监测需求；
2. 成功部署至低功耗嵌入式设备，验证了其在精准农业中的实用价值；
3. 模块化设计可扩展至其他作物病害分析。

Conclusions
SCS-YOLO通过三重创新实现边缘端小麦赤霉病高效检测，为粮食安全生产提供轻量化AI解决方案，其灵活架构为作物病害智能监测开辟新途径。