摘要：[目的]针对人工田间调查效率低下，难以满足大范围田间环境下实时、高效的小麦赤霉病监测需求，本文搭建了一种基于云服务的多节点田间小麦赤霉病监测系统。[方法]该系统主要由数据采集节点、数据处理模块和系统上位机端三部分组成。数据采集节点采用网格状多节点部署方案，用于获取田间小麦的病害图像及温湿度环境数据，数据处理模块基于级联视觉检测的深度学习框架，分为两个阶段：第一阶段基于YOLOv8n模型从整图中精确定位小麦植株，提取每株小麦的图像区域，为第二阶段的实例分割和等级识别提供准确输入，减少背景干扰对检测性能的影响；第二阶段在每株小麦区域内执行实例分割及患病等级识别，为提升模型对关键区域特征的提取能力，框架在YOLOv8n基础上引入了加权双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）和CBAM（Convolutional Block Attention Module）注意力机制增加模型对有效信息的关注度；检测结果经云服务器组传输至系统上位机端进行呈现。[结果]模型测试阶段，改进后的模型在测试集上的精确度和召回率为分别为89.3%、89.1%，与模型改进之前相比分别提升了5.1、1.6百分点，单张图片推理时间仅为2.8 ms；用户可通过系统上位机端获取温湿度环境参数的变化趋势和模型检测结果，[结论]本研究系统可有效实现田间小麦赤霉病监测，为粮食安全生产提供了技术保障和科学依据。
文章目录
1材料与方法
1.1 田间小麦赤霉病监测系统设计
1.2 田间多节点部署方案
1.3 数据集构建
1.3.1 菌株培养与田间接种
1.3.2 数据采集
1.3.3 数据集构建
1.4 田间小麦赤霉病识别方法
1.4.1小麦赤霉病患病等级划分
1.4.2 YOLOv8网络模型
1.4.3 YOLOv8模型改进
1.4.4 特征融合网络BiFPN
1.4.5 CBAM注意力机制
2 试验结果与分析
2.1 试验环境及参数
2.2 评估指标
2.3 田间小麦定位方法
2.4 小麦穗部分割方法
2.4.1 消融试验结果
2.4.2 不同注意力机制
