本研究旨在开发一种能够在自然环境中识别小麦病害的算法。该算法通过适应小目标和复杂背景，期望为科学管理和病害防治提供精确依据。首先，通过在不同时间段拍摄农业环境中的小麦，共获取了3622张原始小麦病害图像数据集。其次，针对感染的小麦穗和叶片具有的检测目标区域小、外观、纹理、颜色等特征相似等特点，提出了YOLO-Wheat检测方法。该算法利用了新的C2f-DCN模块和SCNet注意力机制，增强了病害特征的提取能力，并扩展了输入特征的感受野。此外，通过学习偏移和加权，提高了模型从畸变物体中提取信息的能力。为了提升小病害的识别能力，设计上扩大了小目标的检测层，修改了检测头，并优化了损失函数。这些改进大幅提升了小病害检测的准确性。在实验数据集上，YOLO-Wheat方法获得了93.28%的mAP@0.5，比原模型提升了12%。该方法在性能上比之前的模型提升了47%，同时算法大小减少了23.94 MB。研究结果表明，该方法显著提升了模型从小目标图像中提取特征的能力，并增强了作物病害检测的鲁棒性。因此，该方法可精确且有效地应用于实际的作物病害检测场景。

图1 小麦黄锈病图像

图2 小麦褐锈病图像

图3 小麦黑穗病的图像

图4小麦秆锈病的图像

图5 健康小麦的图像

图6 C2F-DCN结构图

图7 SCNet注意力机制

图8 小目标检测层

图9 重新设计的解耦头

图10 位置卷积

图11 YOLO-WHEAT算法

图12 YOLO-WHEAT算法

图13 小麦病害检测精度比较

图14 检测结果可视化