基于Detectron2增强的Mask R-CNN模型实现坦桑尼亚稻瘟病精准实例分割：推动及时干预与数据驱动的病害严重度评估

为解决稻瘟病早期检测难、传统方法效率低且缺乏像素级严重度量化的问题，Reuben Alfred团队开发了基于Detectron2框架的Mask R-CNN模型。该研究通过ResNet-50+FPN架构实现稻瘟病叶片(BIL)、病斑(BL)和健康叶片(HL)的实例分割，mAP达89.4%，AP50达94.6%，并能计算感染面积比例生成严重度图谱。该成果为资源受限地区提供了无需昂贵设备的精准病害监测方案。

　　

稻瘟病是威胁全球粮食安全的头号水稻病害，在非洲尤其严重。坦桑尼亚作为东非主要稻米产区，每年因稻瘟病造成的产量损失高达30%。传统病害监测依赖人工田间巡查，效率低下且易漏诊早期症状；现有深度学习模型多局限于整图分类或粗粒度检测，无法提供指导精准施药所需的像素级严重度数据。更棘手的是，小农户缺乏专业设备和算力支持，亟需一种低成本、高精度的田间解决方案。

针对这一挑战，坦桑尼亚尼尔森·曼德拉非洲科技学院（Nelson Mandela African Institution of Science and Technology, NM-AIST）的研究团队创新性地将Mask R-CNN实例分割模型与Detectron2框架结合。通过ResNet-50主干网络与特征金字塔网络(FPN)的多尺度特征融合，配合区域提议网络(RPN)和RoI Align技术，实现了对稻瘟病病斑的亚毫米级分割。研究首次在非洲田间条件下建立包含1,589个标注实例的数据集，涵盖Mbeya等五大稻区不同生长阶段的病叶样本。

关键技术方法包括：1) 使用Makesense.ai工具进行多边形标注并转换为COCO格式；2) 采用动态缩放和色彩抖动等数据增强策略；3) 配置Detectron2的YAML文件定义学习率(0.0001)和批量大小(2)；4) 通过TorchScript将模型压缩60%以适应移动端部署。

研究结果方面：

1. 学习曲线分析：模型在1,600次迭代后达到95.5% AP峰值，最终稳定在89.4% mAP，训练损失收敛至0.3。

2. 跨尺度检测性能：对小病斑(AP_s=81.3%)和大病叶(AP_l=86.1%)均保持高精度，中等病斑检测(AP_m=50.8%)受样本分布影响有待提升。

3. 实地验证：在未参与训练的田间图像中，模型对单个病斑的检测置信度达99%，生成的严重度比(∑BL像素/∑BIL像素)可量化感染程度。

4. 模型优化：将343MB的.pth模型转化为134MB的.pt格式，推理速度提升至5fps，适合智能手机部署。

与现有技术相比，该研究突破性地实现了三项创新：首先，通过像素级mask取代传统边界框，使病斑面积计算误差降低至5%以下；其次，Detectron2的模块化设计支持模型在CPU设备上运行，摆脱对GPU的依赖；最重要的是，提出的Severity Ratio=Total BL pixels/Total BIL pixels公式，首次将病斑覆盖率转化为可操作的农艺指标。

这项研究为发展中国家的智慧农业提供了范式转变——用价值200美元的智能手机即可完成过去需要3,000美元光谱仪实现的病害评估。作者Reuben Alfred在讨论中指出，未来通过量化剪枝和INT8量化可进一步压缩模型至50MB以内，这对网络覆盖率不足的撒哈拉以南非洲地区具有特殊意义。论文成果已发表于《Smart Agricultural Technology》，为联合国可持续发展目标(SDG)中的"零饥饿"目标提供了切实可行的技术路径。