《Computers and Electronics in Agriculture》：EasyAphid: a comprehensive method for aphid infestation quantification in wheat using EVC-YOLO-Seg model and RGB images
编辑推荐：
本文针对田间复杂条件下麦蚜小目标监测精度不足的难题，提出了一种基于实例分割的自动蚜虫危害分析方法。研究构建了麦蚜-叶片实例分割数据集，开发了叶尺度实例分割模型EVC-YOLO-Seg，其mAP(M)、mIoU和F1-Score分别达0.888、0.852和0.906。基于模型与统计分析，进一步研发了7个蚜害指标（数量、密度、覆盖率、聚集度、集群数、平均/最大集群大小）和一个综合指标Aphid Infestation Indicator (ADI)，所有指标与实际值相关性高（R20.814–0.978）。利用8个关键指标，成功将157份材料分为蚜害水平显著不同的四类，验证了指标有效性。最后，集成上述方法开发了移动端蚜害自动分析应用EasyAphid，为蚜虫精细化监测提供了高效工具。该方法在蚜虫分割和定量危害评估方面表现出色，有望支持田间条件下麦蚜侵染模式的细粒度监测。
小麦作为全球最重要的谷类作物之一，为人类提供了主要的营养素和膳食纤维来源。然而，小麦极易受到多种害虫侵扰，其中蚜虫危害尤为严重。据估计，蚜虫等入侵性害虫在全球范围内造成小麦约21.5%的产量损失，导致每年约700亿美元的经济损失。蚜虫通过刺吸叶片汁液，消耗养分、削弱光合作用，导致叶片损伤或脱落，还能作为植物病毒载体，引发植株矮化、种子不育甚至绝收。因此，在单叶尺度上及时精准地监测蚜虫侵染，对于保障小麦健康生长和产量稳定具有重大的科学和实践意义。
遗憾的是，现有的蚜虫监测方法主要依赖人工田间调查和虫情监测站。人工调查精度高但费时费力、效率低下；监测站能实现实时监测但机动性差，难以应用于动态或大尺度的监测场景。这些传统方法主观、低效且不准确，存在严重的时间滞后性，无法对蚜虫暴发做出及时响应，阻碍了基于数据的精准施药决策。随着植物表型组学和深度学习技术的快速发展，计算机视觉在小麦等多种作物的病虫害检测分析中取得了长足进步。然而，现有研究多集中于目标检测而非实例分割，将害虫评估局限于基于计数的指标，难以全面捕捉侵染的严重程度和空间异质性。此外，现有检测设备虽有较高精度，但其有限的便携性阻碍了快速、实时的田间分析。因此，亟需一种高精度、低计算量的蚜虫分割模型，以量化表征小麦叶片上的蚜虫侵染模式，为蚜虫相关表型分析和下游生态或农学研究提供技术基础。
为解决这些挑战，本文作者在《Computers and Electronics in Agriculture》期刊上发表了题为“EasyAphid: a comprehensive method for aphid infestation quantification in wheat using EVC-YOLO-Seg model and RGB images”的研究论文，提出了一套从RGB图像自动量化蚜虫危害水平的分析框架。其核心目标是：(1) 基于本研究开发的实例分割模型EVC-YOLO-Seg，提出一种小麦叶片的蚜虫分割与害虫分析方法；(2) 从种群密度、覆盖面积和空间分布三个维度定量表征蚜虫危害，并建立一个能综合反映蚜害水平的新指标，为小麦蚜虫的定量监测提供新度量；(3) 开发一款移动端蚜虫分割与害虫分析应用，为研究者提供一个监测和管理小麦蚜虫危害的高效工具。
为了开展研究，作者们采用了以下关键技术方法：数据采集自2025年6月5日中国新疆图木舒克市的小麦田，涉及157份国内外收集的小麦种植材料。使用智能手机在晴朗天气下采集了旗叶蚜虫侵染图像，共获得1412张原始图像。数据构建方面，利用ISAT-SAM工具手动精细标注蚜虫和叶片，生成掩膜。为解决蚜虫目标微小的问题，为蚜虫子数据集设计了一种结合真实标注聚焦裁剪和规则网格裁剪的双路径切片算法，并加入负样本控制和几何-拓扑修复机制。为缓解类别不平衡（蚜虫实例极多，叶片目标较少），仅对叶子子数据集的训练集（989张图像）应用了随机旋转、饱和度、几何畸变、亮度和曝光等组合数据增强，以1:6的比例扩充至6923张训练图像。最终数据集分为训练集、验证集和测试集。模型设计上，提出了基于YOLO框架的EVC-YOLO-Seg实例分割模型，用设计的EV Block模块替换了原Backbone网络中的C2f模块，以更好地适应蚜虫的尺度变化。EV Block通过压缩隐藏状态空间（HSM-SSD）实现全局特征建模，结合多阶段隐藏状态融合（MSF）整合低层纹理和高层语义信息。此外，在Neck和Head网络之间引入了融合多尺度卷积注意力（FMCA）模块，该模块整合了通道注意力模块（CAM）、空间注意力模块（SAM）和多尺度卷积注意力（MSCA），以聚焦不同尺度的目标。最后，基于模型分割输出的掩膜，计算了7个具体的蚜害指标（数量、密度、覆盖率、聚集度、集群数、平均集群大小、最大集群大小）和一个综合指标ADI，并开发了名为EasyAphid的移动端应用程序，将算法模型和指标计算流程进行集成。
2. Materials and methods
2.1. Data acquisition
研究数据采集于2025年6月5日，地点为中国新疆图木舒克市。采集了157份国内外小麦材料在抽穗开花和灌浆期的旗叶蚜虫侵染图像，共1412张。采集时选择三株生长一致的单株，在晴朗天气下使用智能手机拍摄，分辨率3000×4000像素。研究区域和田间试验布置如文中图1所示。
2.2. Dataset construction
数据集构建过程如图2所示。从1412张图像中随机选取258张构建蚜虫子数据集，258张图像中的蚜虫被手动用绿色掩膜精细标注（图3a）。使用集成SAM2模型的ISAT-SAM工具以半自动方式生成小麦叶片初始掩膜，经标注员交互式精修，构建叶子子数据集（图3b）。为增强模型对微小目标的敏感性，为蚜虫子数据集设计了一种实例感知图像切片算法，采用双路径切片策略（基于真实标注的聚焦裁剪和规则网格裁剪），结合负样本控制和几何-拓扑修复机制。该算法将目标的线性尺寸和面积分别放大了4-6倍和29倍，显著提升了小目标特征的表达能力。针对类别不平衡问题，仅对叶子子数据集的训练集（989张图像）应用了数据增强（随机旋转、饱和度、几何畸变、亮度、曝光），以1:6的比例生成了5934张增强图像，最终叶子训练集图像达6923张。增强示例如图4所示。最终，将切片后的蚜虫子数据集与增强后的叶子子数据集（训练集）整合，形成包含训练集、验证集和测试集的最终数据集。其中训练集包含2381张蚜虫标注图像和6923张叶片标注图像；测试集包含596张蚜虫标注图像和141张叶片标注图像；验证集包含368张蚜虫标注图像和282张叶片标注图像。实例分布如表1所示，总计27504个标注实例。
2.3. Design the network structure of the model
为应对蚜虫目标小、与叶片颜色接近导致的特征模糊和背景噪声干扰问题，研究提出了一种基于YOLO架构的新实例分割方法。设计了一种高效的视觉混合器模块（EV Block）以更好地捕捉不同大小的蚜虫。EV Block结构如图6所示，其核心HSM-SSD（压缩隐藏状态空间）结合了卷积的局部归纳偏置和状态空间模型（SSM）的全局建模能力，能以极低复杂度实现多尺度信息融合。在Backbone网络中用EV Block替换了原有的C2f模块。其次，为了使模型区分蚜虫小目标特征和叶片大目标特征，在Neck和Head之间设计了融合多尺度卷积注意力（FMCA）模块，其结构如图7所示。FMCA整合了通道注意力模块（CAM）、空间注意力模块（SAM）和多尺度卷积注意力（MSCA），实现了空间和通道维度的多级协同。最终形成的新型网络结构命名为EVC-YOLO-Seg，其整体架构如图5所示。
研究结论与重要意义
本研究成功开发了一种名为EasyAphid的综合性方法，用于基于RGB图像定量评估小麦蚜虫侵染。核心贡献包括构建了一个基于1412张田间图像的蚜虫和叶片实例分割数据集，并提出了一种叶尺度实例分割模型EVC-YOLO-Seg。该模型在Backbone中引入EV Block模块以增强对蚜虫尺度变化的适应性，在Neck与Head间加入FMCA模块以聚焦不同尺度目标，实验结果显示其mAP(M)、mIoU和F1-Score分别达到0.888、0.852和0.906，表现出优越的分割性能。
更重要的是，研究超越了简单的目标计数，提出了7个具体的蚜害量化指标（数量、密度、覆盖率、聚集度、集群数、平均集群大小、最大集群大小）以及一个综合指标蚜虫侵染指标（ADI）。所有这些指标均与实测值表现出高度相关性（R2介于0.814至0.978之间），证明了其可靠性和有效性。利用这8个关键指标，成功将157份小麦材料划分为蚜害水平显著不同的四个类别，实现了对侵染严重程度的精细分级。
最终，为了提升算法利用效率并使研究成果惠及更广大的科研群体，研究将上述方法与指标计算流程集成，开发了一款基于移动端（手机）的自动蚜虫侵染分析应用程序——EasyAphid。这极大地增强了该技术的实用性和可及性，使其能够快速部署于田间现场。
综上所述，本研究提出的方法在蚜虫分割和定量侵染评估方面均表现出强大性能。它不仅提供了高精度的实例分割模型，还建立了一套多维度的量化指标体系，并最终通过移动应用实现了技术落地。这套方法展示了支持田间条件下小麦蚜虫侵染模式细粒度监测的巨大潜力，为蚜虫相关的表型分析、生态学研究以及精准植保决策提供了有力的技术工具和创新思路。
