HCC-RT-DETR：面向烟草田间图像小病斑检测的残差通道校准方法

《Agriculture》：HCC-RT-DETR: Residual Channel Calibration for Small-Lesion Detection in Tobacco Field Images

　　

烟草叶片病斑在尺寸、外观和空间分布上存在差异，导致田间条件下的检测较为困难。研究人员开发了HCC-RT-DETR（Hierarchical Channel Calibration for RT-DETR，面向RT-DETR的分层通道校准），一种基于RT-DETRv2的检测器，用于四个传染性病害类别、非生物性失调Weather Fleck和一个健康（Healthy）参考类别。该模块利用局部一维卷积和sigmoid激活从全局平均特征中推导通道权重，可学习的残差项将重新加权的特征添加到原始表示中。校准强度α在高分辨率P3特征上初始化为0.01，在P4和P5特征上初始化为0.05。在780张田间图像的保留测试集上，HCC-RT-DETR实现了三次随机种子平均64.35%的mAP@0.5:0.95和28.50%的AP_small，分别超过基线1.46个百分点（相对2.3%）和10.32个百分点（相对56.8%）。HCC在CPU上产生了较小的延迟增加：在ORT FP32下为1.64%，在ORT FP16转换执行下为0.97%。基于验证集的敏感性分析检验了P3校准的四种初始化。评估仅限于旺盛生长期的云烟301品种，使用10:00至14:00之间采集的晴朗天气图像；向其他品种、季节或天气条件的迁移尚未测试。

**研究背景与问题**

烟草叶片病斑在尺寸、外观和空间分布上差异显著，田间条件下的自动检测面临较大挑战。传统目视检查依赖人工，劳动强度大且观察者间差异明显，促使研究者将深度学习目标检测引入农业监测。RT-DETRv2虽在精度与效率间取得较好平衡，但复杂田间背景下的小尺寸、低对比度病斑仍难以检测。现有注意力机制常在各特征层级采用相同处理方式，而P3特征保留精细空间细节，P4/P5特征在较低空间分辨率下提供更强语义信息，分层独立学习校准强度能否提升检测性能尚属实证问题。

**研究内容与意义**

研究人员以RT-DETRv2为基线，通过添加基于ECA的残差通道校准构建了HCC-RT-DETR，在混合编码器融合后的P3/P4/P5输出上分别应用独立可学习的残差强度α，初始值设为P3为0.01、P4/P5为0.05。在780张保留测试图像上，模型获得三次种子平均64.35%的mAP@0.5:0.95和28.50%的AP_small，分别较基线提升1.46和10.32个百分点，且参数量（42.74M）与FLOPs（137.7G）几乎不变。该研究系统考察了分层通道校准在烟草小病斑检测中的作用，为特征金字塔各层级差异化注意力配置提供了实证依据。

**关键技术与方法**

数据集来自中国云南省曲靖市马龙区云烟301品种旺盛生长期（2025年6–8月）田间采集图像3893张（训练2725张、验证388张、测试780张），涵盖Brown Spot、Tobacco Mosaic Virus (TMV)、Weather Fleck、Anthracnose、Wildfire和Healthy六类。主要方法包括：基于ECA的残差通道校准模块（全局平均池化、一维卷积k=3、sigmoid激活）、AdamW优化与MultiStepLR调度、640×640输入、COCO评估协议、三随机种子（42/2026/3407）重复实验、ONNX Runtime CPU部署计时及Grad-CAM可视化。

**研究结果**

3.1 与所选实时目标检测器的比较：HCC-RT-DETR的AP_small较基线提升10.32个百分点（相对56.8%），AP_medium和AP_large分别提升2.04和0.93个百分点，表明增益主要集中在小目标检测。

3.2 消融研究：单独添加P3校准（A3）或P4/P5校准（A2）均提升AP_small（分别为+8.60和+4.98个百分点），完整模型（A4）取得最高AP_small（28.12%）和mAP（64.21%）；共享α（E4）与固定α=0.05（E3）的三种子结果均低于独立可学习参数（E6），平均配对差mAP分别为+0.44和+0.49个百分点、AP_small分别为+3.08和+4.14个百分点；固定缩放与冻结随机ECA对照均未复现完整模型的提升。

3.3 α初始化敏感性分析：P3-only配置下验证集AP_small偏好α=0.05（26.15%），但固定epoch 49三种子比较中0.05取得最高AP_small（25.35%）、0.1取得最高mAP（62.93%），排序依赖度量指标；完整模型种子42比较中0.01与0.05初始化差异很小（mAP差0.15个百分点，AP_small差0.44个百分点）。

3.4 部署效率分析：RTX 5090上前向延迟增加1.54%；CPU ORT FP32延迟增加1.64%，FP16转换配置增加0.97%，未观察到CPU FP16加速。

3.5 训练种子变异与Bootstrap不确定性：三种子下HCC-RT-DETR的mAP为64.35±0.16%、AP_small为28.50±0.42%，配对mAP增益+1.47±0.05个百分点；AP_small增益的95%百分位区间为[+7.8, +12.8]个百分点。

3.6 逐类性能分析：六个类别AP均有提升，Brown Spot（+2.66）、Weather Fleck（+2.80）增益较明显，小目标AP_small增益以Wildfire（+12.08）和Brown Spot（+12.00）为高；排除Healthy的五类mAP平均增益1.64个百分点。

3.7 可视化分析：定性示例显示HCC-RT-DETR能检测基线遗漏的小病斑并减少背景误检；Grad-CAM显示模型在目标附近产生更紧凑的热点，但各图独立归一化，不能进行跨模型绝对强度比较。

**讨论与结论**

讨论指出，图像级分类中TMV与Weather Fleck混淆较多；病变区域L2响应均值增加1.8%–3.2%、对照区域增加1.6%–3.0%，平均对比度仅增加约0.2%，小幅度特征扰动难以单独解释约10个百分点的AP_small提升。研究结论为：HCC-RT-DETR在RT-DETRv2融合后的P3/P4/P5输出上添加独立学习的ECA残差通道校准，在保留测试集上取得64.35%的mAP@0.5:0.95和28.50%的AP_small，增益分别为1.46和10.32个百分点，参数量与FLOPs差异可忽略；结果受限于当前数据集与协议，需在其他数据集和更广泛田间条件下进一步验证。