MSDF-Net：基于可变形卷积与高分辨率特征增强的跨版本轻量化松材线虫病( Pine Wilt Disease, PWD)检测框架

《Frontiers in Plant Science》：MSDF-Net: a cross-version lightweight detection framework based on deformable convolution and high-resolution feature enhancement for pine wilt disease

　　

摘要：早期精确识别松材线虫病(Pine Wilt Disease, PWD)对有效防控至关重要。然而，早期病斑极微小、稀疏且分散，易被复杂林地背景噪声掩盖；此外轻量化部署中的特征简化会导致关键病理信息丢失。研究人员提出MSDF-Net——一种集成高分辨率P2检测层（增强小目标敏感性）、基于DCNv4的可变形卷积（自适应建模不规则空间形态）、EMA(Efficient Multi-scale Attention)注意力机制（抑制背景）及双分支C2f_DualConv模块（高效多尺度特征融合）的轻量化目标检测框架，并在跨越三省及两个松树种的数据集上评估。结果显示，MSDF-Net达到mAP@0.5=80.1%，较YOLOv8n基线提升5.1个百分点，参数量2.67M、计算量11.7 GFLOPs；早期病害(PWD-E)检测AP提升20.2个百分点。在YOLOv11n、YOLOv12n和YOLOv13n上的跨版本验证分别带来6.1、4.3和5.1个百分点的mAP@0.5提升。研究表明，MSDF-Net在多版本YOLO及生态条件下均有效，具备低参数量与适中计算复杂度，是未来无人机(Unmanned Aerial Vehicle, UAV)边缘部署的潜在方案，尚待机载验证。

论文解读：MSDF-Net——基于可变形卷积与高分辨率特征增强的松材线虫病无人机轻量化检测框架

研究背景与立项依据

松材线虫病(Pine Wilt Disease, PWD)由松材线虫(Bursaphelenchus xylophilus)引起，被称为松树"癌症"，在中国已蔓延至19个省，年均经济损失达71.7亿元。传统人工地面调查效率低、覆盖面窄；卫星遥感受时空分辨率限制难以早期探测；无人机(Unmanned Aerial Vehicle, UAV) RGB影像虽可提供单株木级高分辨率信息，但仍面临三大核心挑战：(1)早期感病(PWD-E)目标仅数像素大小、边界模糊且形状不规则，深层网络下采样致特征丢失；(2)林地背景（健康植被、树冠遮挡、人工地物）干扰强，病健光谱相似度高；(3)机载边缘设备要求模型轻量化，需在精度与算力间取得平衡。现有YOLO系列改进多依赖特定版本结构或仅用常规通道/空间注意力，缺乏对不规则病斑几何自适应建模及对极小目标的高分辨率感知，且跨YOLO版本的泛化性未验证。为此，研究人员以YOLOv_8n为基础提出跨版本可迁移的轻量化检测框架MSDF-Net，重点解决小目标与不规则形态特征增强及复杂背景下鲁棒高效建模问题。

主要关键技术方法

研究人员采集江苏（亚热带、马尾松Pinus massoniana）、安徽（亚热带、马尾松）和辽宁（温带、黑松Pinus thunbergii）三地UAV（DJI Air 2）RGB影像，经共识标注分为PWD-E（早期轻微褪绿）、PWD-M（中期黄褐混色）、PWD-L（晚期红褐色）、PWD-D（死亡枯枝）四阶段，按病程×产地分层随机抽样划分为训练893张、验证128张、测试124张（约8∶1∶1），输入尺寸640×640。以Ultralytics YOLOv_8n为基线，在Backbone深层C2f块中将标准3×3卷积替换为DCNv₄(Deformable Convolution v₄)构造C2f_DCNv₄以自适应采样不规则病斑；在Neck前插入EMA(Efficient Multi-scale Attention)重标定特征通道与空间响应抑制背景；在FPN+PAN中引入浅层高分辨率P₂（步长4，160×160@640输入）检测层并与P₃~P₅双向融合以增强小目标感知；将Neck中C2f替换为双分支C2f_DualConv（分组3×3卷积+1×1点卷积）以降低冗余并保持多尺度融合能力。全模块集成模型与基线同环境（PyTorch 2.6.0, CUDA 12.1, RTX 4070 SUPER, batch=8, epoch=200）训练，通过消融实验、跨版本（YOLOv_11/12/13n）移植验证、每病程AP及可视化热图(XGrad-CAM)评价性能，指标含Precision、Recall、mAP@0.5、Params、FLOPs、推理时延与峰值显存。

研究结果

3.3 Experimental validation of model components（模型组件实验验证）

通过逐步添加模块的消融实验表明：单独加入P₂层使mAP@0.5从75.0%升至78.0%、Recall升至73.0%，证实高分辨率层对小目标感知有效；C2f_DCNv₄提升Precision(73.1%)与Recall(72.0%)但因无门控偶发误检致mAP微降；EMA提升Precision至78.5%但压低Recall(67.7%)——二者联用(DCNv₄先强化目标特征再由EMA选通)使mAP升至75.8%；C2f_DualConv微降FLOPs(7.8G)且mAP略升(75.1%)。四模块全集成(MSDF-Net)取得最优综合性能：Precision=73.2%，Recall=74.6%，mAP@0.5=80.1%（较基线+5.1 pt），Params=2.67M（较基线3.01M↓11.3%），FLOPs=11.7G。早期病斑PWD-E的AP从39.2%大幅提升至59.4%(+20.2 pt)。对照放大版YOLOv_8s(Params=11.13M, mAP@0.5=77.7%)证明性能提升源于针对性结构改进而非单纯增容。

3.4 Module transferability validation（模块跨版本可迁移性验证）

DCNv₄与P₂层作为与骨干块结构无关的即插即用模块，移植入YOLOv_11n、YOLOv_12n、YOLOv_13n后mAP@0.5分别提升+6.1 pt(73.4%→79.5%)、+4.3 pt(71.2%→75.5%)、+5.1 pt(68.9%→74.0%)，参数量持平或略降，PWD-E AP各版本均有15.3~19.2 pt显著提升。C2f_DCNv₄/C2f_DualConv因耦合C2f内部结构暂不能直接移植至C3k₂类块。跨四代YOLO架构的一致增益说明所改进入手于小目标检测与可变形特征建模的共性问题。

3.5 Detection results and robustness analysis（检测结果与鲁棒性分析）

在早发型(A1)、中晚发型(A2)、密冠遮挡(B1)、人工背景干扰(B2)、稀疏(C1)及密集(C2)六类典型场景量化显示：MSDF-Net在早发型场景mAP@0.5达85.4%(+6.7 pt)、密冠遮挡79.1%(+7.3 pt)、稀疏目标76.6%(+10.3 pt)，各场景mAP标准差由4.13 pt降至3.50 pt，表明跨条件稳定性更优。XGrad-CAM热图显示改进模型病树冠层激活集中、背景响应抑制。失败案例分析残留错误模式含：冠层重叠下病程分级混淆、极微小PWD-E固有视觉歧义致边界漏检/虚警、影像裁切边缘残冠引发伪检测，指向后续需实例分离、多时相/多光谱辅助及重叠切片推断。

讨论与结论翻译

讨论指出MSDF-Net通过C2f_DCNv₄与P₂层增强不规则小目标表征，EMA与C2f_DualConv实现复杂背景下鲁棒轻量融合；DCNv₄与P₂跨YOLO版本一致有效验证其普适性。局限含数据集地理种属待扩充、P₂层增计算、尚未在Jetson等边缘设备实测、C2f系模块未适配C3k₂块及未拓展至两阶段/Transformer检测器。未来工作将开展域适应泛化、边缘端TensorRT量化剪枝部署、多病害扩展及跨范式(如RT-DETR、Faster R-CNN)验证。

结论：研究人员提出跨版本可迁移轻量化松材线虫病检测框架MSDF-Net，集成C2f_DCNv₄、EMA注意力、C2f_DualConv及P₂高分辨率检测层。跨区域数据集上mAP@0.5达80.1%，较YOLOv_8n提升5.1个百分点，参数量降至2.67M，早期病害(PWD-E)AP提升20.2个百分点。DCNv₄与P₂层移植至YOLOv_11/12/13n获一致4.3~6.1个百分点mAP提升。模型在多样林地场景下稳定可靠，参数量与计算复杂度适合UAV边缘部署候选，待机载基准测试与压缩优化。研究成果发表于《Frontiers in Plant Science》。