圖分類號：S435.115 文獻標識碼：A 文章編號： 1000-4440（2025）05-0905-11

Abstract：Toaddress thechallenges ofcomplex backgrounds，smallesion targets，and the similaritybetween lesion targetsand backgroundfeatures inrice 1smut imagescollcted byunmannedaerial vehicles（UAVs），we proposed the LSN-YOLOv8detection model.Themodel was basedon theYOLOv8 framework，andthe largeselective kernel network （LSKNet）was incorporated into the backbone network.Bydynamicallyadjusting thereceptive field range，the model enhanceditsabilitytoextractfeaturesofsmalltargets.Aditionally，acoordinateatention mechanism（CA）modulewas inte

grated into the backbone network to combine the spatial location information of lesionswith channel attention， thereby enhancingthe model's focusonkeyregionswhile reducing background interference.The detection process was visualized and analyzed using the gradient-weighted class activation mapping（Grad-CAM）technique，thereby

providingintuitive explanationsfor the model’sdecision-making.To verifythe model’s performance，rice1 smut images captured by UAVsat diffrent disease stages andundervariousbackgroundconditionswereused toconstructarice 1 smutdataset.Thisdatasetwasutilizedfor modeltrainingand testing.Theexperimentalresultsindicatedthattheprecision， recall，and mean average precision at an intersection over union threshold of 0.50（ mAP₅₀ ）of the LSN-YOLOv8 model proposed in this study were 94.8% ， 87.3% ，and 92.3% ，respectively. These indices were all higher than those of classic object detection models such as YOLOv5，YOLOv7，YOLOv8 and Faster R-CNN.The visualization analysis results using Grad-CAM technology indicated thatthe LSN-YOLOv8 model wascapableof moreaccurately focusing onthediseased regions in the images.TheLSN-YOLOv8 model proposed inthis studycan provide technical supportforthemonitoring of rice 1 smut，disease control and prevention，and the identification of rice disease resistance.

KeyWords：rice1smut；disease identification；unmannedaerial vehicle；YOLOv8model；largeselective ker-nel network（LSKNet）；coordinate attention mechanism（CA）

水稻是全球最重要的糧食作物之一[1]，其產(chǎn)量與質(zhì)量的提升是水稻生產(chǎn)的核心目標。在生長過程中，水稻會遭遇各種病蟲害的侵襲，由稻綠核菌引起的稻曲病已成為全球水稻栽培區(qū)三大主要真菌病害之[2]。該病害不僅導致水稻產(chǎn)量下降，還產(chǎn)生有害毒素，嚴重影響食用安全[3]。目前，稻曲病的防治主要依賴化學藥劑，但長期使用化學藥劑易引發(fā)土壤污染和農(nóng)藥殘留等問題4。選育抗病品種是防治稻曲病的有效途徑[5]，而準確識別稻曲病的癥狀及判斷其發(fā)病階段是抗病品種選育和精準施藥的關(guān)鍵。傳統(tǒng)的稻曲病檢測主要依賴人工目測，存在效率低、勞動強度大、主觀性強等缺陷，難以實現(xiàn)實時監(jiān)測，且準確率較低[6]深度學習模型能夠從作物圖像中提取病斑特征，實現(xiàn)對病害類型的早期準確識別，從而減少農(nóng)業(yè)損失[7]。Zeng等[8]提出了一種自注意卷積神經(jīng)網(wǎng)絡（SACNN），該方法融合圖像的全局與局部特征，對作物病害的識別準確率超過 95% 。楊峰等9]基于YOLOv8 模型，采用改進的輕量級卷積神經(jīng)網(wǎng)絡ShuffleNetV2作為主干網(wǎng)絡，顯著提升了模型對病蟲害檢測的魯棒性。李仁杰等[10]針對自然環(huán)境下背景復雜和密集遮擋等問題，提出一種改進的YOLOv5模型，實現(xiàn)了對番茄葉片病害的實時檢測，模型精度達到 98.9% 。Wang等[]結(jié)合卷積神經(jīng)網(wǎng)絡（CNN）和門控循環(huán)單元（GRU），提出了一種用于冬小麥產(chǎn)量估算的模型。盡管這些研究在作物病害識別方面取得了一定進展，但其主要依賴地面相機獲取圖像，地面相機難以在短時間內(nèi)覆蓋大面積農(nóng)田，無法滿足大范圍病害快速識別與防治的需求。

無人機遙感技術(shù)憑借其覆蓋范圍廣、速度快、成本低等特點，在作物病害檢測領(lǐng)域已展現(xiàn)出了獨特優(yōu)勢[12]。 Hu 等[13]構(gòu)建DDYOLOv5 模型，并基于無人機獲取的松樹遙感影像數(shù)據(jù)集對模型進行訓練和測試，實現(xiàn)了對不同病害程度松樹的檢測與分類。Bao等[14]提出了一種基于DDMA-YOLO的無人機遙感目標檢測方法，用于檢測茶葉枯病。Tetila等[15對深度學習模型進行了優(yōu)化，并基于無人機拍攝的大豆蟲害圖像數(shù)據(jù)集對模型進行訓練和測試，結(jié)果表明，該模型分類性能顯著提升，準確率達到 93.82% 。孫鈺等[16通過簡化SSD300目標檢測框架避免了復雜的圖像預處理步驟，有效提升了無人機監(jiān)測的效率和準確性。Kerkech等[17提出基于可見光與紅外圖像配準的葡萄藤霜霉病檢測方法，該方法對融合圖像的檢測精度達到 92% 。胡根生等[18利用無人機采集野外茶園的遙感圖像并構(gòu)建輕量型網(wǎng)絡LiTLBNet，在動態(tài)監(jiān)測茶葉枯病中，該模型的檢測精度達到 75.1% ，平均精度均值達到 78.5% 。

目前，水稻稻曲病的檢測仍面臨諸多挑戰(zhàn)。病害目標尺寸小，多次下采樣操作易造成特征信息丟失；水稻稻曲病病斑隨機分布在稻穗上，且不同時期的病斑尺寸、形狀不一；水稻稻曲病病斑的顏色與背景相似，復雜背景會對檢測造成干擾。針對這些問題，本研究擬將YOLOv8作為基本網(wǎng)絡框架，融入大選擇性核網(wǎng)絡（Large selective kernel network，LSKNet）[19]，通過動態(tài)調(diào)整感受野增強模型對小目標特征的提取能力，集成坐標注意力機制（Coordinateattention，CA）[20]以去除冗余特征，結(jié)合GradCAM算法[21]實現(xiàn)檢測過程的可視化，為模型決策提供直觀解釋。以期提升模型對復雜背景下水稻稻曲病的識別性能。

1材料與方法

1.1 病害圖像采集

本研究使用的水稻稻曲病病害圖像于2023年9月-2023年10月采集自安徽省農(nóng)業(yè)科學院合肥市南崗試驗基地和牛角大圩試驗基地。采用搭載2.000×10⁷ 像素CMOS傳感器的大疆御2專業(yè)版（DJIMavic2Pro）無人機進行巡飛和視頻錄制。為減少無人機旋翼氣流對水稻冠層的干擾，根據(jù)水稻株高調(diào)整無人機飛行高度和鏡頭焦距。飛行高度設(shè)置為 1.2～1.8m ，攝像頭俯仰角設(shè)置為 -60^°～-30^° ，以避免拍攝正下方受氣流擾動較大的冠層區(qū)域，采集圖像如圖1所示。為了提高圖像數(shù)據(jù)的多樣性和模型的環(huán)境適應性，本研究對試驗基地不同田塊和不同發(fā)病階段的水稻進行了視頻錄制，共錄制13段視頻，每段時長為 2～4min ，視頻格式為MP4，分辨率為3840像素 ×2160 像素。

1.2 數(shù)據(jù)集構(gòu)建

采用CRVideoMate對錄制的視頻進行分幀處理，輸出圖像分辨率為3 3840×2160 ，以JPG格式保存。如圖2所示，為確保圖像質(zhì)量，剔除了模糊和相似度較高的幀，并將每幅圖像均等分割為4個分辨率為1920像素 ×1080 像素的圖像，最終獲得860張裁剪圖像。將860張裁剪圖像按照 .7：2：1 的比例劃分為訓練集（600張）驗證集（180張）和測試集（80張）。如圖3所示，使用LabelImg工具對圖像進行單目標標注，并生成對應的標簽文件，用于后續(xù)模型訓練和數(shù)據(jù)處理。

1.3水稻稻曲病識別模型設(shè)計

1.3.1基本框架模型選擇YOLO系列模型具有檢測精度高和檢測速度快的優(yōu)勢，目前已成為目標檢測的主流模型。其中，YOLOv8模型是在YOLOv5模型基礎(chǔ)上進行的更新和改進[22]，該模型由輸入端、骨干網(wǎng)絡（Backbone）、頸部網(wǎng)絡（Neck）和輸出端4個部分組成。在骨干網(wǎng)絡中，YOLOv8采用C2f特征提取模塊替代YOLOv5模型的C3特征提取模塊，通過融合低分辨率和高分辨率特征，增強模型對目標語義信息和細節(jié)特征的提取能力[23]。YOLOv8模型的特征金字塔網(wǎng)絡（Featurepyramidnetworks）沿用了YOLOv5模型的路徑聚合網(wǎng)絡（PANet）架構(gòu)，但在上采樣過程中刪除了原有的卷積結(jié)構(gòu)。YOLOv8模型的輸出端采用解耦頭設(shè)計，通過無錨（Anchor-Free）機制替代傳統(tǒng)的錨定（Anchor-Based）機制，顯著提升了模型對不規(guī)則物體的檢測性能。YOLOv8有 n，s，m，l，x 5 種參數(shù)量[24]，本研究選擇輕量化的 Υ0LOv8n 作為基線模型，以兼顧檢測效率與計算資源消耗。

1.3.2 LSN-YOLOv8模型設(shè)計本研究基于YOLOv8n模型進行了3個方面的改進。第一，在骨干網(wǎng)絡中引入大選擇性核網(wǎng)絡（LSKNet），通過動態(tài)調(diào)整機制自適應選擇不同尺寸的空間感受野，增強模型對小目標的特征提取能力。第二，在骨干網(wǎng)絡末端的C2f特征提取模塊后引入坐標注意力機制（CA），坐標注意力機制通過融合位置信息與通道注意力，為不同區(qū)域分配差異化權(quán)重，使網(wǎng)絡更加聚焦于稻曲病病斑區(qū)域，進一步提升特征提取的準確性和魯棒性。第三，采用梯度加權(quán)類激活映射（Grad-CAM）對模型進行特征可視化分析，直觀展示網(wǎng)絡在病害識別過程中的關(guān)注區(qū)域，驗證模型決策的合理性，增強模型的可解釋性。改進后的LSN-YOLOv8模型結(jié)構(gòu)如圖4所示。

1.3.2.1大選擇性核網(wǎng)絡（LSKNet）引入無人機遙感圖像中，水稻稻曲病部位僅占少量像素，且缺乏明顯的顏色、紋理、形狀等外觀特征，易被漏檢。此外，經(jīng)過多次下采樣操作后，圖像的分辨率降低，特征信息減弱，導致主干網(wǎng)絡難以提取其特征信息。在這種情況下，僅依賴有限的背景信息進行檢測，往往容易出錯。遙感圖像通常包含豐富的背景先驗信息，這些信息能夠引導模型關(guān)注關(guān)鍵特征，從而學習到更具區(qū)分度的特征表達。本研究采用的大選擇性核網(wǎng)絡（LSKNet）通過空間選擇機制，對經(jīng)過大深度卷積核處理的特征進行自適應加權(quán)和空間融合。該網(wǎng)絡能夠根據(jù)輸入特征動態(tài)調(diào)整各目標的感受野范圍，從而獲取更全面的上下文信息。這種空間維度上的自適應感受野調(diào)整機制，特別適用于無人機多視角拍攝圖像和復雜田間環(huán)境下的稻曲病檢測任務。將LSKNet集成到Y(jié)OLOv8n的特征提取網(wǎng)絡中，可顯著提升模型對小尺度稻曲病特征的關(guān)注能力，進而提高整體識別準確率。

大選擇性核網(wǎng)絡（LSKNet）的結(jié)構(gòu)如圖5所示，主要由前饋網(wǎng)絡模塊（FFN）和大內(nèi)核選擇模塊（LKSelection）2個子模塊組成。FFN模塊通過全連接層

Inputs：輸入；Backbone：主干網(wǎng)絡； Conv ：卷積操作;C2f：特征提取模塊;CA：坐標注意力模塊;LSKNet：大選擇性核網(wǎng)絡;SPPF：空間金字塔池化模塊;CBS：組合模塊; Conv2d ：二維卷積層； MaxPool ：最大池化層； BatchNorm2d ：批量歸一化層;SiLU：激活函數(shù)； Neck ：頸部網(wǎng)絡;Concat：融合；Upsample：上采樣;Head：檢測頭。

（FC）、深度卷積（DWConv）、激活函數(shù)（GELU）和第2個全連接層（FC）的級聯(lián)結(jié)構(gòu)實現(xiàn)通道混合和特征細化。大內(nèi)核選擇模塊（LKSelection）由全連接層、大內(nèi)核選擇子模塊（LSKModule）GELU激活函數(shù)和第2個全連接層組成。LSKModule作為LSK-Net的核心組件，采用大核卷積和空間核選擇機制實現(xiàn)特征提取。大核卷積通過將LSKModule分解為一系列深度可分離卷積序列實現(xiàn)高效計算。這些深度可分離卷積的卷積核尺寸和擴張率逐步增加，從而在捕捉更廣泛上下文信息的同時，減少了計算量和參數(shù)量。序列中，第 i 次深度可分離卷積的核大小 （k） 、擴張率 （d） 和接受野 （RF） 滿足以下遞推關(guān)系：

k_i-1?k_i;d₁=1，d_i-1i?RF_i-1

RF_?1=k_?1，RF_?i=d_i（k_i-1）+RF_?i-1

式中， k_i-1 為第 i-1 次深度可分離卷積核大??； k_i 為第 i 次深度可分離卷積核大小； d₁ 為初始擴張率；d_i-1 為第 _i-1 次擴張率； d_i 為第 i 次擴張率； RF_i-1 為第 i-1 個感受野； RF_i 為第 i 個感受野。

這種設(shè)計保證了感受野的快速擴展，同時通過

LKSelection：大內(nèi)核選擇模塊;FC：全連接層;GELU：激活函數(shù);LSKModule：大內(nèi)核選擇子模塊； Norm ：規(guī)范化；FFN：前饋網(wǎng)絡； DWConv ：深度可分離卷積;LargeKernel：大內(nèi)核模塊;LargeK：大型內(nèi)核;Concat：融合; AvgMaxPool ：平均池化和最大池化;SA：自注意力機制; Conv ：卷積處理;Sigmoid：激活函數(shù);SpatialSelection：空間選擇模塊。

限制最大擴張率避免了特征映射間出現(xiàn)間隙，顯著減少了參數(shù)量[25]。在特征提取過程中，模型通過不同尺度的感受野對輸入特征 （X） 進行逐層分解，獲取多尺度上下文信息。分解公式如下：

U₀=X，U_i+1=F_i^dw（U_i）

式中， U₀ 為初始輸入； X 為輸入特征； U_i+1 為第i+1 次輸入； U_i 為第 i 次輸入； F_i^dw 為第 i 次深度可分離卷積操作； 為 U_i 第 i 次經(jīng)過 1×1 卷積變換的結(jié)果； F_i^×1 為第 χ_i 次 1×1 卷積操作; [1，N] 為第1層到第 N 層。

LSKNet通過空間核選擇機制，從不同尺度的大卷積核中篩選出對特征映射最具有信息量的空間區(qū)域，具體步驟如下：

（1）將不同感受野對應的卷積核所提取的特征圖拼接在一起，形成一個包含多尺度信息的特征向量：

式中， 為串接后的特征表示； 為第 i 個特征表示。

（2）對融合特征執(zhí)行通道平均池化和最大池化操作，將得到的雙通道池化特征通過卷積層 F^2N （???） 映射為 N 個空間注意力圖，利用Sigmoid激活函數(shù)為每個解耦的大卷積核生成獨立的的空間選擇掩膜，將解耦的大卷積核序列與對應的空間選擇掩膜進行加權(quán)處理，并通過 F（?） 融合獲得關(guān)注特征S_o 計算公式如下：

式中， SA_avg 為平均池化結(jié)果; P_avg 為平均池化操作； SA_max 為最大池化結(jié)果； P_max 為最大池化操作； 為特征表示； F^2N 為將2個通道的池化特征變換為 N 個空間注意力圖操作； 為經(jīng)過 F^2N 操作后的特征表示； σ 為激活函數(shù)； 為第 i 個池化特征； 為 經(jīng)過激活函數(shù) （σ） 處理后的特征表示； s 為關(guān)注特征； F 為卷積層融合操作; 為 和 2個特征在 i=1 到 i=N 層的所有項求和。

（3）將輸入特征 （X） 和注意力特征（S）進行逐元素相乘，獲得輸出特征。計算公式如下：

Y=X?S

式中， Y 為輸出特征； X 為輸入特征； s 為關(guān)注特征。

LSKNet通過動態(tài)調(diào)整感受野范圍，有效整合遙感圖像的背景先驗信息，顯著提升了模型的多尺度上下文信息捕獲能力、小自標病害特征的提取精度、無人機視角下稻曲病的識別準確率。

1.3.2.2坐標注意力機制（CA）引入自然環(huán)境下，無人機遙感采集的水稻病害圖像存在復雜背景（如健康的水稻葉片、健康的稻穗、陰影等）干擾問題。由于稻曲病在圖像中表現(xiàn)為小目標，隨著網(wǎng)絡層數(shù)的加深，病害特征容易被大量背景信息淹沒而逐漸丟失，導致模型識別精度下降。為解決這一問題，本研究在特征提取網(wǎng)絡中引人了坐標注意力機制（CA）。該機制能夠獲取特征圖像的位置信息和通道間關(guān)系，從而增強模型對稻曲病區(qū)域的關(guān)注，減少復雜背景的干擾。坐標注意力機制模塊結(jié)構(gòu)如圖6所示。

Input：輸入;Residual：殘差連接； ?XAvgPool ：水平方向的全局平均池化； YAvgPool ：垂直方向的全局平均池化；Concat：拼接水平和垂直方向；BatchNorm：批量歸一化;Non-linear：非線性激活函數(shù)； Conv2d ：分解為兩個方向的卷積操作;Sigmoid：激活水平方向和垂直方向的注意力權(quán)重;Re-weight：將注意力權(quán)重與原始特征相乘;Output：加權(quán)后的輸出特征圖。

坐標注意力機制通過坐標信息嵌人和坐標注意力生成將輸入特征圖中的目標位置信息嵌入通道注意力中。首先，對輸入特征圖分別沿水平和垂直方向進行平均池化，獲得 （H，1） 和 （1，W） 的位置信息。隨后，將這些位置信息與通道注意力結(jié)合，生成具有空間感知能力的注意力圖。該機制保留了空間特征細節(jié)，同時精確捕捉目標位置信息，使模型能夠準確定位病害區(qū)域。計算公式如下：

式中， z_c^H（H） 為高度 H 的全局平均池化結(jié)果；z_c^W（W） 為寬度 W 的全局平均池化結(jié)果； i ）為在通道 c 上，對于給定的高度 H ，沿著寬度方向i 對所有位置的特征值 x_c（H，i） 進行平均池化； W 為寬度； 為在通道 α_c 上，對于給定的寬度W ，沿著高度方向 j 對所有位置的特征值 x_c（j，W） 進行平均池化； H 為高度。

CA提供精確的位置引導，而LSKNet則基于位置信息進行自適應核選擇，這種協(xié)同作用顯著提升了模型的識別精度。此外，CA輸出的位置權(quán)重增強了模型的可解釋性，使決策過程更加透明。

1.4 試驗方法

1.4.1試驗平臺與參數(shù)設(shè)置本研究的模型訓練與測試試驗在配備IntelCorei7-11700KCPU（主頻2.30GHz ）、NVIDIA GeForce RTX 4080 GPU和Windows10（64位）操作系統(tǒng)的計算機平臺上進行。迭代次數(shù)（Epoch）設(shè)置為300，批處理大小（Batchsize）設(shè)置為16。模型優(yōu)化采用隨機梯度下降算法（SGD），主干網(wǎng)絡通過加載預訓練權(quán)重進行初始化，初始學習率設(shè)置為0.01，整個模型基于PyTorch深度學習框架實現(xiàn)，使用Python編程語言開發(fā)。

1.4.2評價指標為了評估模型性能，本研究采用精準度 （P） 、召回率 （R） 和交并比閾值為0.50時的平均精度值均值（ mAP₅₀ ）3個通用評價指標。檢測結(jié)果的判定標準為：當預測邊界框與真實邊界框的交并比（IoU）超過閥值0.5時，判定為正樣本；否則判定為負樣本。

2 結(jié)果與分析

2.1LSKNet模塊和CA模塊對模型的影響

基于自制的水稻稻曲病數(shù)據(jù)集驗證LSN-YOLOv8中LSKNet模塊和CA模塊的有效性。如表1所示，與YOLOv8模型相比， YOLOv8+LSKNet 模型精準度、召回率和 mAP₅₀ 分別提高了10.7個百分點、3.4個百分點和13.8個百分點，表明LSKNet模塊通過動態(tài)調(diào)整感受野能有效增強模型對小目標特征的提取能力。與YOLOv8模型相比， Υ0L0v8+CA 模型精準度和 mAP₅₀ 分別提高了2.8個百分點和0.4個百分點，而召回率降低了3.3個百分點。表明CA模塊能夠提升定位精度，但可能漏掉一些真正的正樣本。與YOLOv8模型相比，LSN-YOLOv8模型的精準度提高了13.5個百分點，召回率提高了11.5個百分點， mAP₅₀ 提高了14.9個百分點，表明LSKNet模塊和CA模塊的協(xié)同作用能夠顯著提升模型對小目標特征的關(guān)注能力。

2.2 不同模型識別性能對比

進一步將LSN-YOLOv8模型和主流檢測模型FasterR-CNN、YOLOv5、YOLOv7和YOLOv8分別進行對比。如圖7所示，YOLOv5模型能夠識別圖像中形態(tài)特征較完整的病害目標，但對被健康葉片遮擋的病害目標存在重復識別的情況。YOLOv7模型較好地解決了重復識別和錯誤識別的問題，但其識別精度較低。YOLOv8模型的漏識別率較低，但精度仍有待提高。FasterR-CNN模型對病害的特征變化或尺度變化的適應性差，而病害表征與葉片特征相似度高，導致出現(xiàn)漏識別的情況。LSN-YOLOv8模型對不同尺度、不同發(fā)病階段的病害均能實現(xiàn)準確識別，表明該模型具有更強的特征提取能力，在田間環(huán)境中表現(xiàn)出更好的適應性。

將YOLOv5、YOLOv7、YOLOv8、Faster R-CNN 模 型性能進行對比。如圖8所示，LSN-YOLOv8模型 的精準度、召回率和 mAP₅₀ 分別達到了 94.8% 、 87.3% 和 92.3% 。與YOLOv5模型相比，LSNYOLOv8模型的精準度、召回率和 mAP₅₀ 分別提高 17.0個百分點、14.8個百分點和14.2個百分點。 與YOLOv7模型相比，LSN-YOLOv8模型的精準度、 召回率和 mAP₅₀ 分別提高14.0個百分點、17.3個百 分點和15.6個百分點。與YOLOv8模型相比，LSNYOLOv8模型的精準度、召回率和 mAP₅₀ 分別提高了 13.5個百分點、11.5個百分點和14.9個百分點。 與FasterR-CNN模型相比，LSN-YOLOv8模型的精 準度、召回率和 mAP₅₀ 分別提高了10.8個百分點、 6.1個百分點和7.7個百分點。

2.3 模型關(guān)注特征可視化

為驗證LSN-YOLOv8模型的性能，采用梯度加權(quán)類激活映射（Grad-CAM）技術(shù)對LSN-YOLOv8模型決策過程進行可視化分析。具體為，從模型輸出層獲取水稻稻曲病的預測信息，沿著梯度傳播路徑將信息傳遞至網(wǎng)絡前端各層。在此過程中，預測信息以梯度權(quán)重的形式被分配到每一層的特征圖上，最終生成一系列針對水稻稻曲病目標的熱力圖。這些熱力圖直觀地展示了模型在識別過程中所關(guān)注的關(guān)鍵特征區(qū)域，清晰地揭示了模型的預測邏輯和決策依據(jù)。

如圖9所示，在第9層的坐標注意力模塊（CA）能夠有效捕捉病害圖像的位置信息，并對不同區(qū)域賦予差異化的關(guān)注權(quán)重，為后續(xù)LSKNet模塊的特征提取提供了良好的空間引導。第10層的大選擇性核網(wǎng)絡（LSKNet）則在CA模塊定位的基礎(chǔ)上，對重點區(qū)域?qū)崿F(xiàn)了像素級的特征增強；而C2f模塊在整個可視化過程中展現(xiàn)出平滑的特征過渡能力，使得病害特征的呈現(xiàn)更加自然連貫。整體可視化結(jié)果表明，LSN-YOLOv8模型不僅實現(xiàn)了對病害區(qū)域的精確定位，其決策過程也具有良好的可解釋性。

Conv：卷積層;C2f：特征提取模塊;CA;坐標注意力模塊;LSKNet：大選擇性核網(wǎng)絡;SPPF：空間金字塔池化模塊;US：上采樣;CCT：融合;DET：檢測輸出。

利用Grad-CAM技術(shù)對YOLOv8和LSN-YOLOv8進行可視化分析，如圖10所示，YOLOv8模型對關(guān)鍵病害區(qū)域的關(guān)注程度不足，并且存在對非病害區(qū)域的關(guān)注。相比之下，LSN-YOLOv8模型在保持全局關(guān)注的同時，能夠更準確地聚焦于圖像中的病害區(qū)域，對非病害區(qū)域的關(guān)注較少，這一表現(xiàn)完全符合模型設(shè)計的預期目標。

3結(jié)論

水稻稻曲病檢測是篩選和培育抗病水稻品種的關(guān)鍵環(huán)節(jié)。為實現(xiàn)在自然田間條件下水稻稻曲病的快速準確檢測，本研究基于無人機遙感圖像數(shù)據(jù)集，針對無人機視角下水稻稻曲病圖像特征，以YOLOv8模型為基礎(chǔ)，提出了一種改進的LSN-YOLOv8模型。該模型主要在以下3個方面進行了改進：在骨干網(wǎng)絡中集成大選擇性核網(wǎng)絡（LSK-Net）；在主干網(wǎng)絡特征提取階段引入坐標注意力機制（CA）模塊：采用Grad-CAM技術(shù)對模型決策過程的可視化分析。試驗結(jié)果表明，LSN-YOLOv8模型精準度、召回率、 mAP₅₀ 分別為 94.8%.87.3% 和92.3% ，均高于YOLOv5、YOLOv7、YOLOv8、FasterR-CNN模等經(jīng)典目標檢測模型。梯度加權(quán)類激活映射（Grad-CAM）技術(shù)可視化分析結(jié)果表明，LSN-YOLOv8模型能夠更準確地聚焦于圖像中的病害區(qū)域。本研究提出的LSN-YOLOv8模型可為稻曲病監(jiān)測、病害防治和水稻抗病性鑒定提供技術(shù)支持。未來可以進一步探究LSKNet的輕量化設(shè)計，以實現(xiàn)模型在資源受限設(shè)備上的高效部署，從而進一步拓展其在實際應用場景中的適用性。

參考文獻：

[1] BINRAHMANANMR，ZHANGJH.Trendsinriceresearch： 2030andbeyond[J].Food and EnergySecurity，2023，12（2）： e390.

[2] SUNWX，F(xiàn)ANJ，F(xiàn)ANGAF，etal.Ustilaginoideavirens：inpathology，2020，58：363-385.

[3]QIU J，MENG S， DENG Y， et al. Ustilaginoidea virens：a fungus infects rice flower and threats world rice production[J].Rice Science，2019，26（4）：199-206.

[4]ZHOU L，MUBEEN M， IFTIKHAR Y，et al. Rice 1 smut pathogen;implications for mycotoxincontamination，current status，and futureperspectives[J].Frontiers in Microbiology，2024，15：1344831.

[5]ROYA，SAHUPK，DAS C，et al. Conventional and new-breeding technologies for improving disease resistance in lentil （Lens culinaris Medik）[J].Frontiers in Plant Science，2023，13：1001682.

[6]陸煜，俞經(jīng)虎，朱行飛，等.基于卷積神經(jīng)網(wǎng)絡的輕量級水稻 葉片病害識別模型[J].江蘇農(nóng)業(yè)學報，2024，40（2）：312-319.

[7]BUJAI，SABELLAE，MONTEDURO AG，et al.Advances in plant disease detection and monitoring：from traditional assays to in-field diagnostics[J].Sensors，2021，21（6）：2129.

[8]ZENG W，LI M. Crop leaf disease recognition based on self-attention convolutional neural network[J].Computers and Electronics in Agriculture，2020，172：105341.

[9］楊鋒，姚曉通.基于改進YOLOv8 的小麥葉片病蟲害檢測輕 量化模型[J].智慧農(nóng)業(yè)（中英文），2024，6（1）：147-157.

[10]李仁杰，宋濤，高婕，等.基于改進YOLOv5的自然環(huán)境下 番茄患病葉片檢測模型[J].江蘇農(nóng)業(yè)學報，2024，40（6）： 1028-1037.

[11]WANG J，WANG PX，TIANHR，et al. A deep learning framework combining CNN and GRU for improving wheat yield estimates using time series remotely sensed multi-variables[J].Computers and Electronics in Agriculture，2023，206：107705.

[12］鮑文霞，吳育桉，胡根生，等.基于改進RDN網(wǎng)絡的無人機茶 葉圖像超分辨率重建[J].農(nóng)業(yè)機械學報，2023，54（4）：241- 249.

[13]HU G S，YAOP，WAN MZ，et al.Detection and classification of diseased pine trees with different levels of severity from UAV remote sensing images[J]. Ecological Informatics，2022，72：101844.

[14]BAO W X，ZHU ZQ，HU G S，et al. UAV remote sensing detection of tea leaf blight based on DDMA-YOLO[J]. Computers and Electronics in Agriculture，2023，205：107637.

[15]TETILA EC，MACHADO BB，ASTOLFIG，et al.Detection and classification of soybean pestsusingdeep learning with UAV images[J].Computers and Electronics in Agriculture，2020，179： 105836.

[16］孫鈺，周焱，袁明帥，等.基于深度學習的森林蟲害無人機 實時監(jiān)測方法[J].農(nóng)業(yè)工程學報，2018，34（21）：74-81.

[17]KERKECHM，HAFIANE A，CANALSR.Vine disease detection in UAV multispectral images using optimized image registration and deep learning segmentation approach[J]. Computers and Electronics in Agriculture，2020，174：105446.

[18］胡根生，謝一帆，鮑文霞，等.基于輕量型網(wǎng)絡的無人機遙感圖 像中茶葉枯病檢測方法[J].農(nóng)業(yè)機械學報，2024，55（4）：165- 175.

[19]LIYX，LIX，DAIYM，etal.Lsknet：afoundationlightweight backbone for remote sensing[J].International Journal of Computer Vision，2024，133：1410-1431.

[20]SONGYF，ZHANG Z，SHANCF，et al.Constructing stronger and faster baselinesfor skeleton-based action recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022，45（2）：1474-1488.

[21]JAHMUNAHV，NGEYK，ANRS，etal.Explainabledetection ofmyocardial infarction using deep learning models with GradCAMtechnique on ECG signals[J].Computers in Biology and Medicine，2022，146：105550.

[22]SHENL Y，LANG BH，SONG Z X.DS-YOLOv8-Based object detection method for remote sensing images[J].IEEE Access， 2023，11：125122-125137.

[23]SOLIMANIF，CARDELLICCHIOA，DIMAUROG，etal.Optimizing tomato plantphenoty detection：boosting YOLOv8 architectureto tackle data complexity[J].Computersand Electronicsin Agriculture，2024，218：108728.

[24]YANG SZ，WANGW，GAO S，etal. Strawberry ripeness detectionbasedonYOLOv8algorithmfusedwithLW-Swin Transformer [J].Computers and Electronicsin Agriculture，2O23，215： 108360.

[25]PANP，GUOWL，ZHENGXM，etal.Xoo-YOLO：adetection method forwild ricebacterialblightinthe field from theperspectiveofunmanned aerial vehicles[J].FrontiersinPlant Science， 2023，14：1256545.

（責任編輯：成紓寒）