《Biosystems Engineering》：High-throughput Verticillium wilt detection in cotton: A comparative study of faster R-CNN and YOLOv11
编辑推荐：
本研究针对棉花黄萎病(VW)传统表型鉴定方法效率低、成本高且易产生人为误差的问题，系统比较了双阶段检测器Faster R-CNN与单阶段检测器YOLOv11在不同骨干网络下的性能。结果表明，Faster R-CNN with ResNet-101在测试集上mAP@0.5达85.68%，泛化性最优，虽计算量增加约8%，但更高精度对育种应用价值远超计算成本。该研究为作物病害高通量表型分析提供了可靠技术方案。
棉花，作为全球重要的经济作物，为人类提供着不可或缺的天然纤维、油料和蛋白质。然而，在其生长过程中，多种生物胁迫严重制约着其遗传潜力的发挥，其中由大丽轮枝菌（Verticillium dahliae）引起的黄萎病（Verticillium wilt, VW）尤为突出。这种土传真菌病害可导致棉花大幅减产，在澳大利亚某些地区，产量损失甚至高达10%至62%，已成为全球棉花生产日益严峻的挑战。
传统上，评估棉花是否感染黄萎病依赖于人工田间调查：研究人员需要手动切割棉秆，观察其维管组织是否出现褐变症状，并统计病健株数量。这种方法虽然直观，但存在效率低下、劳动强度大、成本高昂以及容易受到操作者主观判断影响等固有缺陷，极大地限制了其在育种项目中大规模、标准化应用的可能性。尽管机械化割秆在一定程度上缓解了劳动强度问题，但准确、高效的病害识别仍是瓶颈。
近年来，计算机视觉技术的飞速发展为解决这一难题带来了曙光。特别是基于深度学习的目标检测模型，如Faster R-CNN和YOLO系列，在众多领域展现了强大的物体识别与定位能力。它们能够自动从图像中学习特征，避免了传统方法依赖手工设计特征（如HOG、SIFT等）的局限性，为实现棉花黄萎病的高通量、自动化、无偏见检测提供了新的技术路径。然而，在复杂的田间环境下——光照多变、背景杂乱、棉秆存在遮挡、尺度不一——哪种模型架构更能稳健地完成任务？是精度通常更高但计算复杂的双阶段检测器（如Faster R-CNN），还是速度更快、更适合实时应用的单阶段检测器（如YOLO）？在棉花黄萎病检测这一特定任务中，其表现尚属未知。
为此，由Manish Kumar Patel等人组成的研究团队在《Biosystems Engineering》上发表了他们的最新研究成果，首次系统性地评估并比较了Faster R-CNN和YOLOv11模型在棉花茎秆黄萎病检测任务中的有效性、泛化能力和计算效率，旨在为棉花育种家筛选抗病品种提供一个可靠、可扩展的自动化表型分析方案。
关键技术方法概述
研究团队在澳大利亚新南威尔士州纳拉布里的澳大利亚棉花研究所（ACRI）、棉花种子分销商（CSD）农场和Myall Vale的商业农场等多个地点，于2022年至2024年期间，使用索尼和尼康的数字相机采集了田间和实验室环境下的棉花茎秆图像。图像涵盖了各种光照条件、遮挡情况、复杂背景和茎秆形态，构建了一个反映真实世界挑战的数据集。使用计算机视觉标注工具（CVAT）对图像中的健康和不健康（感染VW）棉秆进行边界框标注，形成标准化的COCO格式数据集。数据被随机划分为训练集、验证集和测试集（比例80:10:10），并额外使用来自CSD和Myall Vale站点的图像作为独立测试集以评估模型泛化性。研究核心是比较两种主流目标检测模型：基于区域提议的双阶段检测器Faster R-CNN（使用ResNet-50和ResNet-101骨干网络结合特征金字塔网络FPN）和单阶段检测器YOLOv11（包括nano-n, small-s, medium-m, large-l, extra-large-x五种不同复杂度的版本）。模型使用Detectron2（Faster R-CNN）和Ultralytics（YOLOv11）框架进行训练和评估。模型性能主要通过平均精度均值（mAP，Intersection over Union IOU阈值为0.5）来衡量，同时结合精确率（P）、召回率（R）和F1分数等指标，并计算模型的浮点运算数（GFLOPs）以评估计算复杂度。
研究结果
3.1. 模型训练和验证
模型训练过程中的验证损失曲线显示，随着迭代次数或训练轮次的增加，所有模型的损失均呈下降趋势。Faster R-CNN中，更深的ResNet-101骨干网络比ResNet-50收敛更优。在YOLOv11系列中，模型复杂度与验证损失改善正相关，最深的YOLOv11-x获得了最低的验证损失，而最浅的YOLOv11-n损失最高，表明轻量模型在处理复杂田间场景时可能面临挑战。在训练和验证集上的定量评估（mAP@0.5）表明，Faster R-CNN with ResNet-101取得了最佳性能（验证集mAP 92.52%），YOLOv11-x紧随其后（训练集mAP 97.83%，验证集87.28%）。模型性能未受数据集中类别不平衡的影响，证明了架构的鲁棒性。
3.2. 模型泛化性与计算负载之间的权衡
在测试集上，Faster R-CNN with ResNet-101表现最佳，其mAP@0.5比性能最好的YOLOv11模型（YOLOv11-x）高出约5%。当使用来自不同地点的独立数据集进行验证时，这种性能差距进一步扩大，Faster R-CNN with ResNet-101的mAP（85.68%）比YOLOv11-x高出12%，展现出更优的泛化能力。分析模型性能下降幅度发现，较简单的模型（如YOLOv11-n和-s）从测试集到独立数据集的mAP下降更为显著（最高达26%），而Faster R-CNN with ResNet-101的下降幅度较小（约8%），说明其更强的鲁棒性。计算复杂度方面，YOLOv11模型普遍具有更低的GFLOPs，即更高的计算效率。然而，在棉花育种应用中，检测精度被认为比实时推理速度更为重要。研究还发现，当模型仅执行棉秆检测（不区分健康与感病）时，所有模型的mAP均显著提升（最高提升70%），提示区分颜色特征是当前任务的主要难点，且更复杂的模型在学习颜色特征方面表现更好。
3.3. 模型预测与隐藏CNN层可视化
对最佳模型（Faster R-CNN with ResNet-101）在独立数据集上的预测结果进行可视化分析显示，该模型在复杂背景、部分遮挡（如阴影、杂物）、茎秆分裂等挑战性条件下仍能保持较好的检测能力。虽然偶尔会出现类别误判或漏检，但模型能成功忽略被严重遮挡的茎秆，总体表现稳健。通过对模型最后隐藏层进行热力图可视化，发现模型能够将注意力集中在棉秆区域，而不过度受复杂背景干扰，这解释了其良好性能的部分原因。
结论与意义
本研究首次系统地针对棉花茎秆黄萎病检测任务，对Faster R-CNN和YOLOv11两种主流目标检测模型进行了全面的性能基准测试。研究明确得出结论：在复杂的田间环境下，基于ResNet-101骨干网络的Faster R-CNN模型是检测棉花黄萎病最为稳健和泛化能力最强的模型。虽然其计算开销比YOLOv11-x高出约8%，但在育种应用场景下，更高的检测精度所带来的价值远超过略微增加的计算成本。YOLOv11模型虽然在计算效率上具有优势，但其在本次特定任务中的精度和泛化性均不及Faster R-CNN。
该研究的成功为棉花育种项目提供了一种强大的自动化表型分析工具，有望显著提高抗黄萎病品种筛选的效率和准确性，降低成本和人为偏差，最终加速抗病遗传增益。未来工作可探索结合视觉Transformer（Vision Transformer）等新兴架构、引入实例分割（Instance Segmentation）来量化病害严重程度，以及将模型扩展至检测其他维管束病害（如 Fusarium wilt），从而为棉花产业提供更全面、高效的病害管理解决方案。
