冯佳睿博士答辩公告
答辩博士：冯佳睿
指导老师：徐焕良
论文题目：基于多源数据融合计算的大豆锈病抗性分析方法研究
答辩委员会：
主席：
孙正兴教授/博导 南京大学
委员：
倪军教授/博导 上海工程技术大学
崔中利教授/博导 南京农业大学
沈明霞教授/博导 南京农业大学
林相泽教授/博导 南京农业大学
秘书：翟肇裕 南京农业大学
答辩时间：2025年9月6日14点
答辩地点：卫岗校区大学生活动中心210
论文简介：
亚洲大豆锈病作为全球大豆生产面临的重大生物胁迫，对粮食安全与农业经济构成严峻威胁。在全球气候变化和复杂多变的农业生产环境下，依赖人工目视判断的病害诊断及抗性评价方法存在早期无症状病害识别困难、病情等级量化主观性强、抗病品种筛选耗时等局限，严重制约了病害及时防控与抗性育种进程，难以满足现代农业对高效、精准与智能化管理的迫切需求。面向大豆抗病育种任务，以亚洲大豆锈病为研究对象，聚焦抗病育种的关键环节——病害早期检测、病情量化评估与抗性评价，提出了高光谱信息、微观气孔表型参数与生理数据多源数据融合的分析方法，旨在突破大豆锈病抗性评价中的关键技术瓶颈。研究成果为大豆育种、病害诊断与农业信息化管理提供了理论依据与技术支持，具有重要的学术价值与应用前景。
研究的主要内容和成果包括：
（1）基于高光谱数据的大豆锈病早期无症状诊断方法研究。建立了基于三维卷积神经网络的DC2Net模型，实现了大豆锈病潜伏期（无症状阶段）的高精度诊断。DC2Net模型引入可变形卷积和光谱扩张卷积替代标准卷积，增强复杂场景下对复杂病理特征的提取能力，解决了现有病害诊断模型在不规则病斑随机分布下感受野有限的局限。实验结果表明，基于SHAP特征选择方法，DC2Net在健康、无症状和有症状时期识别准确率分别达到97.77%、96.87%和98.77%。相较于基线模型分别提升了13.60%、2.61%和7.13%，提升了对大豆锈病潜伏期的识别性能。
（2）基于光谱指数SRSI的病情等级量化与抗性分析方法研究。进一步提出了光谱特征波段提取模块iBSAM，建立了增强模型DC2Net-EXT。iBSAM模块通过引入改进的深度可分离卷积与波段独立卷积结构，并结合通道注意力机制，筛选出581nm、596nm、605nm、609nm和628nm五个对大豆锈病具有显著响应的关键特征光谱波段。据此构建光谱指数SRSI，建立完整的病情等级量化标准。SRSI与病情等级的相关性系数达0.89，具备良好的病情量化能力，为大豆病情评估与抗病品种筛选提供了可靠的量化指标体系。
（3）基于微观气孔数据的目标检测与抗病性关联分析方法研究。建立了基于改进YOLOv8的SS-YOLO模型，实现大豆叶片气孔的精准检测与气孔表型提取。SS-YOLO模型融合大尺度可分离卷积注意力与可变形大卷积核注意力机制，提升了复杂背景下的目标检测能力，检测准确率达98.7%。相较于基线模型，在Precision、Recall和mAP上分别提升3.4%、10.0%和5.1%。通过提取气孔长度、宽度、面积、方向等表型参数，进一步计算气孔密度、面积比及分布均匀性等指标，揭示了高抗锈病品种在微观表型上的稳定性特点，为从微观层面深入解析大豆抗锈病性提供了新的视角和手段。
（4）基于多源时序数据融合的大豆锈病抗性评价研究。以相对叶绿素含量SPAD、光谱指数SRSI与气孔表型参数等多源时序数据构建数据集，建立了融合多源时序特征的LKAN-Transformer模型。结合长短期记忆网络在时间序列长期依赖捕捉上的优势、Transformer对全局长建模的能力及EfficientKAN模块的非线性表达能力，LKAN-Transformer模型可以准确预测不同大豆品种的抗病性及其时序变化趋势。实验结果表明，LKAN-Transformer模型在R²、RMSE与MAE三项指标上分别达到0.98、0.12和0.01，优于Transformer基线模型，在R²提升12.64%、RMSE与MAE分别下降35.00%与92.86%，筛选出高抗品种丹豆21号、中抗品种福豆9号和低抗品种淮鲜5号。
主要创新点如下：
（1）建立了用于亚洲大豆锈病早期无症状诊断的三维卷积深度学习模型DC2Net
提出DC2Net模型，引入3D可变形卷积与光谱扩张卷积替代传统卷积结构，有效扩大感受野并增强对细微病理特征的提取能力，实现了病害潜伏期（无症状）阶段的高精度识别，为大豆锈病的早期防控提供了智能化解决方案。
（2）建立了融合特征波段选择与光谱指数构建的病情量化评估模型DC2Net-EXT
设计光谱特征波段提取模块iBSAM，实现对大豆锈病敏感波段的自动筛选，构建光谱指数SRSI，并建立病情等级量化体系，提升病情评估的客观性与品种区分的准确性。
（3）建立了面向大豆叶片微观结构的气孔目标检测与表型提取模型SS-YOLO
引入大尺度可分离卷积注意力与可变形卷积核机制，有效提升复杂背景下的气孔检测性能，实现气孔长度、宽度、密度等表型特征参数的自动化提取，为探究气孔表型与抗病性关系提供了高效工具。
（4）建立了多源时序数据融合的大豆锈病抗性评价模型LKAN-Transformer
融合LSTM与Transformer的时间建模优势，引入EfficientKAN增强非线性表达与计算效率，实现多源数据驱动下的大豆锈病抗性动态预测，显著提升抗性筛选的智能化与精细化水平。
