摘"要：為能夠更精確地量化病蟲害的發(fā)生程度和分布情況，以及綜合考慮多種影響因素，提出納入概率分布的多面域油菜種子病蟲害顯著性檢測(cè)方法。通過(guò)對(duì)油菜種子病蟲害圖像進(jìn)行超像素分割，獲得超像素塊，以這些塊構(gòu)建圖像連通圖，并結(jié)合初始圖像信息和先驗(yàn)知識(shí)，計(jì)算出顯著圖中超像素的概率分布表示。利用KL散度，比較不同區(qū)域超像素的概率分布，提高顯著性檢測(cè)的精度，并采用超像素邊界連通性的量化指標(biāo)，區(qū)分顯著圖區(qū)域與背景區(qū)域，獲得顯著圖，完成油菜種子病蟲害的檢測(cè)。結(jié)果表明，此方法檢測(cè)結(jié)果精確，顯著圖清晰，具有較高的實(shí)用性。

關(guān)鍵詞：概率分布；多面域；種子病蟲害；顯著性檢測(cè)；超像素分割；KL散度

中圖分類號(hào)：S565""文獻(xiàn)標(biāo)識(shí)碼：A""文章編號(hào)：0488-5368（2025）03-0098-07

A Multifaceted Method for Detecting Significance of Rapeseed Seed Pests and Diseases Based on Probability Distribution

LI Fengqing， "SHAO Wentai， "LI Mingjun

（Institute of Agricultural Sciences， "Gannan Tibetan Autonomous Prefecture， Hezuo， Gansu， 747000， China）

Abstract：To accurately quantify the severity and distribution of pests and diseases in rapeseed seeds while considering multiple influencing factors， this study proposes a multifaceted significance detection method based on probability distribution. Superpixel segmentation was applied to images of infected rapeseed seeds to obtain superpixel blocks， which were "then used to construct an image connectivity graph. By integrating initial image information with prior knowledge， the probability distribution of superpixels in the saliency map was computed. KL divergence was employed to compare the probability distributions of superpixels across different regions， enhancing the accuracy of significance detection. A quantitative index of superpixel boundary connectivity was introduced to distinguish salient regions from the background， generating a refined saliency map for detecting pests and diseases in rapeseed seeds. Experimental results demonstrate that this method achieves high detection accuracy， produces clear saliency maps， and offers strong practical applicability.

Key words：Probability distribution; Multifaceted domain; Seed pests and diseases; Saliency detection; Superpixel segmentation; KL divergence

引言

通過(guò)全面、準(zhǔn)確地掌握病蟲害的分布和嚴(yán)重程度，多面域油菜種子病蟲害顯著性檢測(cè)有助于及時(shí)發(fā)現(xiàn)病蟲害并采取有效措施，確保油菜的健康生長(zhǎng)和產(chǎn)量穩(wěn)定[1]。同時(shí)，它也為農(nóng)民和農(nóng)業(yè)管理部門提供科學(xué)的決策依據(jù)，有助于優(yōu)化種植布局和資源配置，提高經(jīng)濟(jì)效益和生態(tài)效益[2]。此外，這種檢測(cè)方法的運(yùn)用還推動(dòng)了農(nóng)業(yè)生產(chǎn)的現(xiàn)代化和智能化，為農(nóng)業(yè)的可持續(xù)發(fā)展注入了新的動(dòng)力[3]。因此，多面域油菜種子病蟲害顯著性檢測(cè)在保障農(nóng)業(yè)生產(chǎn)安全、促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展等方面具有重要意義。

對(duì)多面域油菜種子病蟲害顯著性檢測(cè)的方法有很多，比如Wu X等人提出的元學(xué)習(xí)在有限樣本條件下的植物病害檢測(cè)[4]。此方法利用大量相關(guān)任務(wù)學(xué)習(xí)積累的先驗(yàn)知識(shí)，構(gòu)建一個(gè)具備強(qiáng)大泛化能力的元模型。當(dāng)面臨新的植物病害識(shí)別任務(wù)時(shí)，該模型僅需少量樣本即可迅速提取病害特征，并融合先驗(yàn)知識(shí)，實(shí)現(xiàn)植物病害檢測(cè)。此方法中構(gòu)建元模型需要大量的相關(guān)任務(wù)數(shù)據(jù)，且這些數(shù)據(jù)需要充分覆蓋各種植物病害情況，否則會(huì)導(dǎo)致模型泛化能力不足。由Ni J等人提出的基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測(cè)[5]。此方法先對(duì)番茄葉片病害圖像進(jìn)行預(yù)處理，設(shè)計(jì)一個(gè)改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)卷積層、池化層等結(jié)構(gòu)提取葉片圖像中的病害特征。利用標(biāo)注好的數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，使其能夠準(zhǔn)確識(shí)別不同種類的病害。利用訓(xùn)練好的模型對(duì)新的葉片圖像進(jìn)行病害檢測(cè)。該方法的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練通常需要大量的計(jì)算資源和時(shí)間，特別是對(duì)大批量數(shù)據(jù)集以及繁雜網(wǎng)絡(luò)構(gòu)架的處理時(shí)，對(duì)硬件要求較高，所以實(shí)現(xiàn)起來(lái)很困難。楊堃等人提出的采用視覺(jué)增強(qiáng)注意力機(jī)制的植物病蟲害檢測(cè)[6]。此方法通過(guò)圖像處理技術(shù)提取植物葉片的關(guān)鍵特征。利用注意力機(jī)制，模型能夠自動(dòng)聚焦于與病蟲害相關(guān)的顯著區(qū)域，忽略無(wú)關(guān)背景。通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)特征進(jìn)行學(xué)習(xí)和分類，實(shí)現(xiàn)病蟲害的精準(zhǔn)檢測(cè)。此方法由于視覺(jué)加強(qiáng)注意力模型具有強(qiáng)大的特征提取和學(xué)習(xí)能力，如果訓(xùn)練數(shù)據(jù)中存在噪聲或異常值，模型會(huì)出現(xiàn)過(guò)擬合的訓(xùn)練數(shù)據(jù)，使模型性能下降。由周維等人提出的基于優(yōu)化的YOLOv4-GhostNet模型的水稻病蟲害檢測(cè)方法[7]。此方法以幻象模塊替代傳統(tǒng)卷積，優(yōu)化主干特征提取網(wǎng)絡(luò)CSPDarkNet53，采用GhostNet模塊提取圖像特征；增強(qiáng)YOLOv4的PANet構(gòu)架，以提升特征提取能力；并綜合遷移學(xué)習(xí)和訓(xùn)練方法，實(shí)現(xiàn)對(duì)水稻病蟲害的檢測(cè)。但此方法對(duì)YOLOv4的PANet構(gòu)架進(jìn)行增強(qiáng)雖然提升了特征提取能力，但也增加模型的訓(xùn)練難度和調(diào)參復(fù)雜性，所以結(jié)構(gòu)不易操作。

本研究通過(guò)計(jì)算超像素的概率分布表示，量化不同區(qū)域的病蟲害特征，從而更準(zhǔn)確地識(shí)別出病蟲害區(qū)域與正常區(qū)域的差異。概率分布的引入能夠綜合考慮多面域的信息，從而更全面地評(píng)估病蟲害的顯著性，提高檢測(cè)的準(zhǔn)確性和穩(wěn)定性。概率分布具有良好的可解釋性，能夠清晰地展示出不同區(qū)域的病蟲害程度。因此，本研究提出納入概率分布的多面域油菜種子病蟲害顯著性檢測(cè)方法。

1多面域油菜種子病蟲害顯著性檢測(cè)

1.1油菜種子病蟲害圖像超像素分割

超像素分割是對(duì)圖像進(jìn)行的一種預(yù)處理，也就是把像素分割成超像素塊，其過(guò)程可把圖像中有用信息盡量多地留下[8]。依據(jù)圖論的超像素分割算法是將油菜種子病蟲害圖像A里的各個(gè)頂點(diǎn)ωi作為圖像內(nèi)的各個(gè)像素點(diǎn)，bi是將頂點(diǎn)連起來(lái)的邊，邊的權(quán)重ωij是度量?jī)蓚€(gè)相鄰像素間的相似度，由（1）式表達(dá)：

A=（W，B）（1）

其中ωi∈W，bi∈B。在圖像A內(nèi)計(jì)算代價(jià)樹C的最小值的過(guò)程，即是超像素分割的過(guò)程，用（2）式表達(dá)：

|C|=min∑bi∈Cωbi（2）

其中C∈B。

依據(jù)聚類的超像素分割算法是在超像素分割前先設(shè)定油菜種子病蟲害圖像中像素聚類所需達(dá)到的擬合閾值[9]，再直接采用油菜種子病蟲害圖像的初始像素進(jìn)行聚類，直到滿足預(yù)先設(shè)定的擬合閾值，生成超

像素[10]。依據(jù)聚類的超像素分割算法的流程為：

（1）簇中心Oi=[xi1，xi2，…xin]+T初始化，各個(gè)像素qi的每個(gè)特征分量值用xi1，xi2，…xin表示。

（2）以某種鄰近方法，把簇中心Oi轉(zhuǎn)移至圖像內(nèi)梯度最小的地方。

（3）對(duì)各個(gè)像素qi作標(biāo)識(shí)label（i），并分配初始化成極大的距離值dist（i）。

（4）對(duì)各個(gè)簇中心Oi與全局的像素qi之間的距離進(jìn)行運(yùn)算，并修正label（i）和dist（i）值。

（5）對(duì)Oi與殘錯(cuò)度REi進(jìn)行重新運(yùn)算。

（6）循環(huán)（5）步，直至殘余度REi迭代次數(shù)到達(dá)最高值或是比閾值小，完成聚類。

通過(guò)基于圖論方法以及聚類方法完成油菜種子病蟲害圖像超像素分割，得到超像素塊。

1.2構(gòu)建連通圖

得到的油菜種子病蟲害圖像中的超像素塊用作連通圖的頂點(diǎn)，位于油菜種子病蟲害圖像邊界上的超像素塊的集合為D，用某種關(guān)聯(lián)關(guān)系把邊界上的超像素塊連接起來(lái)，形成一個(gè)閉環(huán)圖，也就是任意xi∈D

以及任意xj∈D，那么eij=1。相鄰的兩個(gè)超像素塊i和j有關(guān)聯(lián)關(guān)系，那么eij=1，若超像素塊P與超像素塊j相鄰，那么超像素塊P是超像素塊i的二近鄰，兩者也存在關(guān)聯(lián)關(guān)系，那么eip=1。對(duì)于超像素塊p，超像素塊g與之相鄰，運(yùn)算P和g的距離，用式（3）表達(dá)：

s（xp，xg）=‖Xp-xg‖2（3）

對(duì)超像素塊P與超像素塊g兩者間距離和邊界超像素塊之間的關(guān)系進(jìn)行判別，假如閾值αp大于s（xp，xg），那么超像素塊P與超像素塊g具有較大關(guān)聯(lián)度，將其填進(jìn)關(guān)聯(lián)關(guān)系內(nèi)，由（4）式表達(dá)：

αig=1，eip=epg=1 and "αp≥s（xp，xg）

0，else（4）

式中，閾值的運(yùn)算式由（5）表達(dá)：

αp=α×average∑gs（xp，xg）（5）

如果超像素塊i和g之間有關(guān)聯(lián)關(guān)系，那么eig=1。接著尋找有關(guān)聯(lián)關(guān)系的超像素塊，直到全部超像素塊都找完。

依據(jù)上述過(guò)程可知，本研究構(gòu)建的連通圖要符合（6）～（8）式的條件。條件1由（6）表達(dá)：

（xi，xj）|eij=1∪

（xi，xp）|eij=ejp）=1

xi，xj，xp∈X（6）

條件2由（7）表達(dá)：

（xi，xj）|eij=ejp=1，αp≥s（xp，xg）

xi，xj，xp，xg∈X（7）

條件3由（8）表達(dá)：

（xi，xj）|eij=1，xi，xj∈D（8）

式中，全部像素的特征分量集合用X描述。

由以上三個(gè)條件構(gòu)建出油菜種子病蟲害連通圖R。

1.3多面域油菜種子病蟲害顯著圖的概率分布表示

在多面域油菜種子病蟲害顯著性檢測(cè)問(wèn)題上，先運(yùn)算出顯著圖中超像素概率分布表示，在運(yùn)算形式上，都是極大后驗(yàn)估計(jì)[11]，用式（9）表達(dá)：

H=argmaxP（H|A）（9）

式中，油菜種子病蟲害顯著圖概率分布、油菜種子病蟲害初始圖像、初始圖像相應(yīng)的油菜種子病蟲害顯著圖中超像素的概率分布表示分別用P（H|A）、A、H代表。依據(jù)初始圖像A和構(gòu)建的相應(yīng)連通圖R，得到顯著圖的概率分布，用（10）式表達(dá)：

P（H|R，A）=P（R|H）P（H|A）P（R|A）（10）

式中，油菜種子病蟲害顯著圖中超像素的概率分布表示關(guān)于連通圖的似然概率、顯著圖的概率分布表示關(guān)于初始圖的條件概率、連通圖關(guān)于初始圖的概率分別用P（R|H）、P（H|A）、P（R|A）代表。本研究把條件概率P（H|A）作為H的先驗(yàn)分布。把已知的連通圖和初始圖定為常量。

由（2）式可知，在指定初始圖像構(gòu)建相應(yīng)連通圖的方法上，連通圖和先驗(yàn)信息確定了顯著圖的概率分布表示。因?yàn)槎嗝嬗蛴筒朔N子病蟲害是指在不同的生長(zhǎng)環(huán)境、不同的品種、不同的生長(zhǎng)階段等條件下，油菜種子病蟲害的分布和顯著性可能會(huì)有所不同[12]，所以要針對(duì)多面域油菜種子病蟲害的顯著圖的概率問(wèn)題。將選取的多面域條件設(shè)定成U={u1，u2，…un，相應(yīng)的連通圖用{R1，R2，…，Rn}表示，則用（11）式描述多面域油菜種子病蟲害顯著性檢測(cè)問(wèn)題：

H=argmaxP（H|R1，R2，…，Rn，A）（11）

把（11）式展開，獲得（12）式：

P（H|R1，R2，…，Rn，A）∝P（H|A）∏ni=1P（Ri|H）（12）

式中，油菜種子病蟲害連通圖關(guān)于顯著圖中超像素的概率分布表示的條件分布用P（Ri|H）表示，表達(dá)顯著圖中超像素的概率分布表示對(duì)連通圖的關(guān)聯(lián)幅度。

通過(guò)上述過(guò)程，將多面域油菜種子病蟲害顯著性檢測(cè)納入概率分布問(wèn)題，得到多面域油菜種子病蟲害顯著圖中超像素概率分布表示。

1.4多面域油菜種子病蟲害的KL散度

使用KL散度來(lái)比較多面域油菜種子病蟲害圖像中超像素的概率分布，計(jì)算圖像中超像素概率分布之間的KL散度[13，14]，獲得關(guān)于油菜種子病蟲害在多面域下的變化和顯著性信息，提高多面域油菜種子病蟲害顯著性檢測(cè)精度[15]。用（13）式表示KL散度形式：

MKL（P1‖P2）=∑x∈ΩP（x）logP1（x）P2（x）（13）

其中Ω，P1、P2、MKL（P1‖P2）分別代表圖像中超像素的概率空間、概率空間內(nèi)的兩個(gè)超像素概率分布、分布P1關(guān)于分布P2的KL散度。分布P2關(guān)于分布P1的KL散度用MKL（P2‖P1）

代表。從式（13）看出MKL（P1‖P2）≠M(fèi)KL（P2‖P1），也就是KL散度不是對(duì)稱的。在MKL（P1‖P2）中，油菜種子病蟲害圖像中超像素實(shí)際分布是P1，其相似分布是P2。MKL（P1‖P2）的值越小，說(shuō)明實(shí)際分布和相似分布越相似，相反，則說(shuō)明越不同。依據(jù)Jensen不等式，可得MKL（P1‖P2）≥0，只有P1=P2時(shí)，MKL（P1‖P2）=0。

1.5多面域油菜種子病蟲害顯著性檢測(cè)

本研究閉環(huán)操作油菜種子病蟲害連通圖，同時(shí)擴(kuò)大鄰接，在閉環(huán)鄰接擴(kuò)大的連通圖中運(yùn)算，并設(shè)定油菜種子病蟲害顯著圖區(qū)域?yàn)槟繕?biāo)區(qū)域，其它區(qū)域?yàn)楸尘皡^(qū)域。油菜種子病蟲害圖像中超像素v擴(kuò)大的區(qū)域面積用（14）式表達(dá)：

S（V）=∑Ni=1exp-M2（v，v1）2×α2（v）（14）

式中M（v，vi）表示油菜種子病蟲害連通圖中最短的相異超像素路徑距離，采用離差標(biāo)準(zhǔn)化原理歸一化此最短路徑，此外M（v，v）=0。M（v，vi）的表達(dá)式為（15）式：

M（v，vi）=minv1=v，v2，Lt=vi∑t-1j=1MKL（vj，vj+1）（15）

其中，把每個(gè)超像素vi向v擴(kuò)大區(qū)域面積的貢獻(xiàn)值控制在（0，1]中，則S（v）在S[1，N]中取值，N代表油菜種子病蟲害圖像中超像素?cái)?shù)量。α（v）代表控制參數(shù)，用于每個(gè)超像素?cái)U(kuò)大區(qū)域面積的運(yùn)算過(guò)程中，對(duì)不一樣的v，α（v）取值也不一樣。本研究對(duì)α（v）進(jìn)行自適應(yīng)處理，對(duì)于圖像中的每個(gè)超像素節(jié)點(diǎn)v，計(jì)算它與另外每個(gè)超像素節(jié)點(diǎn)之間的最短路徑。基于這些最短路徑值，確定預(yù)設(shè)閾值，使用此預(yù)設(shè)閾值二值分割全部最短路徑值，達(dá)到該預(yù)設(shè)閾值的1/3。

用（16）式運(yùn)算油菜種子病蟲害連通圖邊界和超像素的距離L（v）：

L（v）=S（v）×β（vi）（16）

式中，vi是邊界節(jié)點(diǎn)時(shí)，β函數(shù)取值1；vi是其它節(jié)點(diǎn)時(shí)，β函數(shù)取值0。

測(cè)量油菜種子病蟲害圖像中超像素v的邊界連通性的量化指標(biāo)用（17）式表達(dá)：

Z（v）=L（v）S（v）（17）

依據(jù)得到的邊界連通性的量化指標(biāo)，判斷油菜種子病蟲害顯著圖區(qū)域和背景區(qū)域，并運(yùn)算每個(gè)超像素是潛在背景的概率值，用（18）式表達(dá)：

Pvi=1-expZ2（vi）2×α2Z（18）

式中αZ，取值3。超像素邊界連通性的量化指標(biāo)Z（v）減小時(shí)，其為背景的潛在性概率值也隨之減小，向0趨近；相反，Z（v）減小時(shí)，潛在性概率值向0趨近。綜合PvI，加權(quán)油菜種子病蟲害顯著圖區(qū)域?qū)Ρ榷?，運(yùn)算油菜種子病蟲害圖像中每個(gè)超像素的顯著值，用（19）式表達(dá)：

Y（v）=∑Ni=1MKL（v，vI）Psp（v，vi）Pvi（19）

其中Psp（v，vi）表達(dá)式為（20）式：

Psp（v，vi）=expM2sp（v，vi）2×α2sp（20）

式中Msp（v，vi）是執(zhí)行歸一化后的兩個(gè)超像素空間歐式距離，αsp取值還是3。依據(jù)顯著值Y（v），把油菜種子病蟲害初始圖中的每個(gè)超像素區(qū)域加權(quán)，獲取顯著圖，用（21）表達(dá)：

YA=1-exp-Y2（v）2×α2t（t）（21）

式中αt（t）自適應(yīng)取值，為預(yù)設(shè)閾值的1/3。綜上過(guò)程完成多面域油菜種子病蟲害顯著性檢測(cè)。

2結(jié)果分析

選取溫帶氣候油菜雜交種子數(shù)據(jù)集作為樣本來(lái)源。該數(shù)據(jù)集中包含五種不同品種、產(chǎn)地和生長(zhǎng)環(huán)境的油菜種子圖像，共計(jì)500張圖像。圖像均使用Canon EOS R6相機(jī)在自然光條件下拍攝，拍攝距離約30 cm；每張圖像分辨率為5 184×3 456像素，確保種子細(xì)節(jié)清晰可見(jiàn)。每張圖像平均種子數(shù)量約10～20粒，部分圖像中存在輕微重疊，但大部分種子均為獨(dú)立或僅有輕微接觸，以保證分析的準(zhǔn)確性。油菜種子樣本明細(xì)見(jiàn)表1。

以圖像中超像素邊界連通性的量化指標(biāo)值為判斷標(biāo)準(zhǔn)，對(duì)圖像背景和顯著圖劃分，在所選的溫帶氣候油菜雜交種子數(shù)據(jù)集上進(jìn)行驗(yàn)證，圖1為邊界連通性量化指標(biāo)在背景和顯著圖區(qū)域內(nèi)的分布結(jié)果。

由圖1可知，油菜種子病蟲害圖像中背景和顯著圖的邊界連通性量化指標(biāo)在2.5處相交。在這之后，顯著圖的分布概率逐漸趨于平穩(wěn)，保持在0～0.01的范圍內(nèi)；而背景的分布概率則從2.5開始迅速增長(zhǎng)。因此，當(dāng)量化指標(biāo)選取為2.5時(shí)，能夠有效地將背景和顯著圖區(qū)分開來(lái)。綜合以上結(jié)果，可以得出結(jié)論：以油菜種子病蟲害圖像中超像素邊界連通性的量化指標(biāo)值為判斷標(biāo)準(zhǔn)，能夠準(zhǔn)確完成圖像背景和顯著圖的劃分。

選取1張油菜種子病蟲害圖像，驗(yàn)證本研究方法對(duì)顯著性檢測(cè)的效果，并對(duì)比改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)方法和視覺(jué)加強(qiáng)注意力模型方法，檢測(cè)結(jié)果如圖2（a）、（b）、（c）、（d）所示。

通過(guò)觀察圖2，可以明顯看出本研究方法在顯著性檢測(cè)方面的出色表現(xiàn)。該方法成功檢測(cè)出所有的油菜種子，無(wú)一遺漏，且檢測(cè)效果非常清晰，種子的輪廓得以完整呈現(xiàn)。相比之下，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)方法雖然清晰度很好，但部分種子未能被檢測(cè)出來(lái)，導(dǎo)致檢測(cè)結(jié)果不夠完整。而視覺(jué)加強(qiáng)注意力模型方法的檢測(cè)結(jié)果則不盡如人意，不僅檢測(cè)不完整，圖像邊緣部分也顯得較為模糊。綜合比較，本研究方法不僅檢測(cè)結(jié)果精確，無(wú)失誤，而且在清晰度方面也表現(xiàn)出色。

為了更科學(xué)地評(píng)估不同方法在油菜種子病蟲害檢測(cè)方面的性能，引入使用準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1分?jǐn)?shù)（F1-Score）和每秒幀率（FPS）作為評(píng)估指標(biāo)。對(duì)比本研究方法、改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)方法、視覺(jué)加強(qiáng)注意力模型方法進(jìn)行病蟲害檢測(cè)，結(jié)果如表2所示。

分析表2中的數(shù)據(jù)，經(jīng)過(guò)對(duì)三種不同方法在油菜種子病蟲害檢測(cè)任務(wù)中的性能評(píng)估，可以得到以下量化結(jié)果：本研究方法的平均準(zhǔn)確率為99.04%，平均精確率為98.72%，平均召回率為99.14%，平均F1分?jǐn)?shù)為98.93%，而改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)方法和視覺(jué)加強(qiáng)注意力模型方法在這些指標(biāo)上分別表現(xiàn)為98.28%和98.06%的準(zhǔn)確率，92.92%和91.48%的精確率，92.98%和91.82%的召回率，以及92.95%和91.65%的F1分?jǐn)?shù)。因此，本研究方法在油菜種子病蟲害檢測(cè)任務(wù)中表現(xiàn)出了顯著的優(yōu)勢(shì)。在準(zhǔn)確率上，本研究方法高出其他兩種方法近一個(gè)百分點(diǎn)，這表明本研究方法能夠更準(zhǔn)確地識(shí)別出病蟲害種子。在精確率和召回率上，本研究方法同樣表現(xiàn)優(yōu)異，分別高出其他兩種方法六個(gè)和七個(gè)多百分點(diǎn)，這進(jìn)一步證明了本研究方法在識(shí)別病蟲害種子時(shí)的穩(wěn)定性和可靠性。F1分?jǐn)?shù)作為精確率和召回率的調(diào)和平均數(shù)，也體現(xiàn)了本研究方法的全面優(yōu)勢(shì)。此外，雖然本研究方法在FPS上與其他兩種方法相近，但在保持高精度檢測(cè)的同時(shí)，仍然達(dá)到了較高的處理效率，這在實(shí)際應(yīng)用中具有重要意義。綜上所述，本研究方法在油菜種子病蟲害檢測(cè)方面展現(xiàn)出了卓越的性能，為油菜種植業(yè)的病蟲害防控提供了有力的技術(shù)支持。

3結(jié)論

本研究創(chuàng)新性地納入了概率分布理論，對(duì)多面域油菜種子病蟲害顯著性進(jìn)行檢測(cè)。通過(guò)構(gòu)建油菜種子病蟲害連通圖，并計(jì)算出多面域病蟲害顯著圖的概率分布表示，得以對(duì)不同區(qū)域的病蟲害進(jìn)行精細(xì)化分析。這種方法不僅突破了傳統(tǒng)檢測(cè)手段中數(shù)據(jù)單一、結(jié)果不穩(wěn)定的局限，更能綜合考量多種影響因素，極大提高檢測(cè)結(jié)果的可靠性。此外，多面域的分析方式為人們提供更為全面、深入的病蟲害信息，為制定針對(duì)性的防治措施提供有力支持，展現(xiàn)出較高的檢測(cè)精度，可有效完成多面域油菜種子病蟲害顯著性檢測(cè)任務(wù)，對(duì)于保障油菜產(chǎn)業(yè)的健康發(fā)展具有重要意義，同時(shí)也為其他作物的病蟲害檢測(cè)提供有益的參考。

下一步的研究方向?qū)⒕劢褂趦?yōu)化算法模型，提高檢測(cè)效率與準(zhǔn)確性。同時(shí)，還將探索更多影響病蟲害發(fā)生的關(guān)鍵因素，并將其納入概率分布分析框架，以構(gòu)建更完善的病蟲害預(yù)測(cè)體系。此外，期望將該方法推廣至其他作物病蟲害檢測(cè)中，為農(nóng)業(yè)生產(chǎn)的健康與穩(wěn)定貢獻(xiàn)更多力量。

參考文獻(xiàn)：

[1]"王圓圓，林建，王姍.基于YOLOv4-tiny模型的水稻早期病害識(shí)別方法[J].江蘇農(nóng)業(yè)科學(xué)，2023，51（16）：147-154.

[2]nbsp;吳葉蘭，管慧寧，廉小親，等.高光譜成像的多種類柑橘病蟲藥害葉片檢測(cè)方法研究[J].光譜學(xué)與光譜分析，2022，42（8）：2 397-2 402.

[3]"張國(guó)忠，呂紫薇，劉浩蓬，等.基于改進(jìn)DenseNet和遷移學(xué)習(xí)的荷葉病蟲害識(shí)別模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（8）：188-196.

[4]"Wu X ， Deng H ， Wang Q ，et al.Meta-learning shows great potential in plant disease recognition under few available samples[J].The Plant Journal， 2023，114（4）：767-782.

[5]"Ni J ， Zhou Z ， Zhao Y，et al.Tomato leaf disease recognition based on improved convolutional neural network with attention mechanism[J].Plant Pathology， 2023，72（7）：1 335-1 344.

[6]"楊堃，范習(xí)健，薄維昊，等.基于視覺(jué)加強(qiáng)注意力模型的植物病蟲害檢測(cè)[J].南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（3）：11-18.

[7]"周維，牛永真，王亞煒，等.基于改進(jìn)的YOLOv4-GhostNet水稻病蟲害識(shí)別方法[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（3）：685-695.

[8]"楊穎，文小玲，章秀華.基于方向梯度直方圖和局部二值模式混合特征的水稻病蟲害識(shí)別方法研究[J].河南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，55（6）：1 089-1 096.

[9]"閆云才，郝碩亨，高亞玲，等.基于空地多源信息的獼猴桃果園病蟲害檢測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（S2）：294-300.

[10]"李莉杰，王寶祥.基于漸進(jìn)式分割的蔬菜病蟲害識(shí)別仿真研究[J].計(jì)算機(jī)仿真，2021，38（10）：419-423.

[11]"袁非夢(mèng)，耿化品，王思蕊，等.基于概率分布特征和代理模型的試驗(yàn)數(shù)據(jù)擴(kuò)充方法研究[J].機(jī)械強(qiáng)度，2023，45（4）：871-878.

[12]"溫艷蘭，陳友鵬，王克強(qiáng)，等.基于機(jī)器視覺(jué)的病蟲害檢測(cè)綜述[J].中國(guó)糧油學(xué)報(bào)，2022，37（10）：271-279.

[13]"楊晨，劉立波.圖文跨模態(tài)檢索的概率分布表示學(xué)習(xí)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2022，34（5）：751-759.

[14]"趙宏偉，霍東升，王潔，等.基于顯著性檢測(cè)的害蟲圖像分類[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2021，51（6）：2 174-2 181.

[15]"翟繼友，周靜波，霍瑛.基于前景優(yōu)化和概率估計(jì)的顯著性檢測(cè)[J].控制與決策，2021，36（4）：917-924.