FHBDSR-Net：基于多尺度特征增强的小麦赤霉病穗粒率自动测量方法研究

本研究针对小麦赤霉病(FHB)抗性育种中穗粒级表型检测的难题，开发了轻量级检测网络FHBDSR-Net，通过构建包含5,222个穗粒标注的数据集，创新性地整合多尺度特征增强模块(MFE)和尺度感知注意力机制(SAA)，实现了93.8%的染病穗粒检测精度，与专家评估结果的Pearson相关系数达0.901。该研究为便携式植物表型分析提供了高效解决方案，对智能育种具有重要意义。

　　

小麦赤霉病(Fusarium Head Blight, FHB)是全球粮食安全的重要威胁，这种真菌病害不仅造成小麦减产，其产生的脱氧雪腐镰刀菌烯醇(DON)等霉菌毒素更对农业工作者和公众健康构成严重风险。虽然培育抗病品种是主要防控策略，但当前缺乏精确、自动化的FHB抗性表型评分方法，特别是关键的穗粒染病率(Diseased Spikelet Rate, DSR)评估仍依赖人工逐粒观察计数，效率低下且易出错。

针对这一技术瓶颈，Ze Wu等研究者开发了FHBDSR-Net自动化检测框架。研究团队首先构建了包含620张高分辨率RGB图像、5,222个穗粒标注的数据集，系统分析了穗粒尺寸分布特征。在此基础上设计的轻量级检测网络创新性地融合了三大核心技术：动态结合病斑纹理与形态特征的多尺度特征增强架构(MFE)、降低密集小目标定位误差的Inner-EfficiCIoU损失函数，以及通过扩张卷积和自注意力编码多尺度病理模式的尺度感知注意力模块(SAA)。这些技术创新使模型在保持7.2M轻量参数的同时，实现了染病穗粒93.8%的平均检测精度。

关键技术方法包括：(1)使用iPhone 13采集温室环境下21天接种期的小麦穗部RGB图像(3,024×4,032像素)；(2)构建包含5,222个穗粒级标注的数据集，按8:1:1划分训练/验证/测试集；(3)开发基于GELAN架构的轻量级检测网络，集成RepNCSPELAN模块和不对称下采样(Adown)技术；(4)采用Scale/MixUp/Mosaic/Copy&Paste等在线数据增强策略；(5)通过Pearson相关系数和RMSE等指标验证DSR测量准确性。

【Annotation information for disease detection in wheat spikelets】部分显示，数据集中的穗粒均符合小目标定义(归一化宽高比<0.1)，宽度主要分布在0-0.15，高度集中在0-0.1范围。空间分布分析揭示染病穗粒多集中于麦穗中部，这为SAA模块的空间上下文编码提供了依据。

【Performance evaluation of diseased spikelet detection】结果表明，FHBDSR-Net以7.2M参数实现91.5%的mAP，较YOLOv7减少80%参数的同时提升6%精度。可视化对比显示，该模型能有效避免YOLOv6-Nano的重叠检测和GELAN-S的漏检问题，在复杂背景下保持稳健性能。

【Ablation experiments on the MFE module】证实，引入MFE使GELAN-C的染病穗粒检测精度(AP_d)从91.2%提升至92.7%。特征热图显示，MFE模块能显著增强模型对穗粒整体形态特征的关注，抑制芒刺等背景干扰。

【Ablation experiments on the SAA module】显示，采用(1,3,5)扩张率的SAA模块获得89.9% mAP，较基线提升1.9%。参数消融实验表明保留标准卷积(d=1)对维持性能至关重要。

【Performance evaluation of diseased spikelet rate measurement】验证了模型的实用价值，测试集上DSR预测与人工计数的R²达0.812(RMSE=0.13)，在80个极端样本的跨品种验证中仍保持0.931的Pearson相关性。如图5C所示，无论有芒品种(R=0.824)还是无芒品种(R=0.911)，模型均展现出色适应性。

这项发表于《aBIOTECH》的研究具有多重意义：首次建立了穗粒级标注的FHB数据集，填补了精细病害检测的基准数据空白；提出的轻量级框架平衡了精度与效率，50FPS的推理速度使其适合移动设备部署；创新的MFE和SAA模块为农业小目标检测提供了新思路。研究者也指出当前模型在田间复杂环境下的泛化能力仍需提升，未来将通过多视角采集和跨域学习进一步优化。该技术为小麦抗病育种的高通量表型分析提供了可靠工具，对保障粮食安全具有重要应用价值。