复杂水环境中莲叶病虫害检测与严重度评估的两阶段方法

《Agronomy》：A Two-Stage Method for Detecting and Assessing the Severity of Diseases and Pests on Lotus Leaves in Complex Aquatic Environments

　　

针对复杂水环境中莲叶病虫害目标尺度小、形态多样、遮挡严重所带来的挑战，以及现有方法难以自动量化病情严重度的问题，本文提出了一种莲叶病虫害识别与叶斑病严重度定量分级的方法。首先，通过整合无人机（UAV）高空冠层影像与地面高清数据，构建了一个包含目标检测边界框标注和像素级分割标注的多视角数据集。其次，提出了YOLOv12n-DFFN目标检测模型，该模型通过动态特征反馈机制增强深层与浅层特征之间的交互，从而提升在复杂水体背景下对病害目标的定位能力。最后，以典型叶斑病为对象，利用YOLOv12n-DFFN检测并提取病叶区域，同时采用VGG-UNet语义分割模型实现叶片与病斑区域的像素级细粒度分割。通过计算病斑面积与叶片总面积的比值，实现病害严重度的自动定量分级。实验结果表明，YOLOv12n-DFFN的精确率（Precision）达到93.58%，较YOLOv12n基线提升了4.37个百分点，mAP50达到83.87%；分割模型的平均交并比（mIoU）达到90.47%；两阶段框架对叶斑病严重度分级的总体准确率达到96.0%。通过“先检测、后分割”的两阶段策略，该框架实现了复杂水环境中莲叶病虫害的智能识别与严重度量化，为水生作物病害的智能监测与精准管理提供了有效途径。

**复杂水环境中莲叶病虫害检测与严重度评估的两阶段方法解读**

**研究背景与问题**
莲（*Nelumbo nucifera* Gaertn.）是中国重要的水生经济作物，在食品、医药和生态产业中具有重要价值。莲叶的健康状况直接影响光合产物的积累，进而决定莲子饱满度与莲藕品质。然而，莲叶常受叶斑病、根腐病、病毒病及斜纹夜蛾（*Spodoptera litura*）等多种病虫害威胁，导致光合效率下降、产量与品质受损。与陆生作物不同，莲叶长期生于水环境中，其病害图像受水面反射、高亮区域、叶片重叠及自然遮挡等因素影响，病斑区域与复杂背景视觉相似度高，且病斑通常具有不规则扩散、边界模糊、尺度差异大的特点。现有基于目标检测模型的方法仅能提供边界框，难以准确描述不规则病斑的真实面积，无法满足病害严重度定量评估的需求。虽有研究利用改进的YOLOv8或增强型DenseNet对莲叶病虫害进行检测，但这些方法仅停留在目标检测阶段，缺乏“检测定位—语义分割”的级联机制，难以支持精细化的严重度量化。为此，该研究提出了一种基于深度学习的“检测定位—精细分割”两阶段框架，旨在实现复杂水环境中莲叶病虫害的智能检测与叶斑病严重度的自动分级。该论文发表在《Agronomy》。

**研究内容与结论**
研究人员构建了一个融合无人机高空冠层影像与地面近距离高清影像的多尺度、多任务标注数据集，涵盖叶斑病、根腐病、病毒病、斜纹夜蛾及健康叶片五类目标，共1500幅图像。在检测阶段，提出YOLOv12n-DFFN模型，通过动态特征反馈机制增强深浅层特征交互，优化SPPF结构以构建多尺度感受野，并在检测头中引入C3k2模块以降低计算复杂度。实验表明，该模型精确率达93.58%，mAP50达83.87%，优于Faster R-CNN、RT-DETR及多数YOLO系列对比模型。在分割与分级阶段，采用VGG-UNet对检测出的单叶区域进行像素级病斑分割，计算病斑面积占叶片面积的比例，实现严重度自动分级。VGG-UNet的mIoU、mPA和Accuracy分别达到90.47%、96.95%和92.96%，高于PSPNet、DeepLabV3+及ResNet50-UNet；基于该分割结果的严重度分级总体准确率达96.0%，较基于YOLOv12n-seg的分级策略提升8.8个百分点。该研究证实，将目标定位与单叶病斑分割任务解耦，能有效降低复杂水背景对面积量化的干扰，为莲叶病害严重度定量评估提供了可行技术方案。

**关键技术方法**
研究采用了以下主要技术方法：
（1）多源数据采集策略：利用大疆Mavic Air 2无人机在10–15米高度采集高空冠层影像，结合华为Pura 70手机在1.0–2.0米距离拍摄近景细节图像，构建跨尺度数据集。
（2）数据增强与标注：对训练集应用水平翻转、随机旋转（±15°）、亮度对比度调整、高斯模糊、椒盐噪声及随机遮挡操作；使用LabelImg工具进行目标检测框标注，并针对叶斑病构建像素级分割标注数据集。
（3）YOLOv12n-DFFN检测模型：在YOLOv12n基础上，提出A2C2f_DFFN_DYT动态特征反馈与动态调优模块，引入SPPF结构，并用C3k2替换检测头中的A2C2f模块。
（4）VGG-UNet分割模型：采用VGG-16作为编码器，结合U-Net跳跃连接结构，对裁剪出的单叶图像进行病斑像素级分割。
（5）严重度分级方法：依据病斑像素面积与叶片总像素面积之比，参照植物病理学评估标准，将严重度划分为0、1、3、5、7、9共六个等级。
样本来源为湖南农业大学研究莲田及长沙市开福区莲种植基地，采集时间为2025年5月至9月，覆盖莲的主要生长周期。

**研究结果与分析**

**消融实验结果**
以YOLOv12n为基线，设置八组消融实验验证各改进模块的有效性。单独引入A2C2f_DFFN_DYT模块后，精确率和mAP50从89.21%和81.89%提升至91.22%和83.25%；单独引入SPPF模块使精确率提升至91.34%；单独引入C3k2模块使mAP50提升至83.06%。三模块同时引入后，YOLOv12n-DFFN取得93.58%的精确率、83.87%的mAP50和76.98%的mAP50-95，较基线分别提升4.37、1.98和3.08个百分点，表明三模块在特征增强、多尺度信息提取与特征融合方面具有互补性。

**不同网络模型对比结果**
将YOLOv12n-DFFN与Faster R-CNN、RT-DETR及YOLO系列模型进行对比。检测精度方面，YOLOv12n-DFFN在精确率、F1分数和mAP50上均表现最优，整体检测性能优于对比模型，但其召回率略低于部分模型，反映了精确率与召回率之间的权衡。计算效率方面，该模型计算量为7.2 GFLOPs，推理速度达152.94 FPS，兼顾了检测精度与实时性。

**各病害类别检测精度分析**
YOLOv12n-DFFN对病毒病、叶斑病、斜纹夜蛾、根腐病和健康叶片的精确率分别为最高值、93.08%、92.84%、90.18%和较高水平，均优于YOLOv11n和YOLOv12n。其中病毒病精确率最高，与其黄化、卷曲、萎蔫等显著视觉特征相关；根腐病精确率相对较低，可能因其不同发病阶段症状差异较大，增加了识别难度。

**不同分割模型对比结果**
在分割性能对比中，PSPNet在叶片边缘处出现明显缺口，DeepLabV3+虽能完整分割叶片边缘但病斑提取不足，ResNet50-UNet表现有所改善，而VGG-UNet在病斑区域提取和边界保持方面效果最佳，mIoU、mPA和Accuracy分别达90.47%、96.95%和92.96%，均优于其他对比模型。这表明VGG-UNet的编码器-解码器结构及跳跃连接有助于融合高层语义与低层空间细节，从而有效保留病斑边界与局部结构。

**严重度分级结果分析**
基于VGG-UNet分割结果进行严重度分级，总体准确率为96.0%；而基于YOLOv12n-seg实例分割的分级准确率为87.2%，前者提升了8.8个百分点。结果表明，分割的精细程度对基于病斑面积比例的严重度量化有显著影响。VGG-UNet能从裁剪的单叶图像中提取像素级病斑区域并有效保留边界，减少面积计算误差；而YOLOv12n-seg对形状不规则或边界模糊的病斑易产生拟合偏差，导致病斑面积比例计算不准确，进而造成严重度误判。

**讨论与结论**
该研究针对复杂水环境中莲叶病虫害检测与严重度评估难题，提出了两阶段深度学习方法。在检测阶段，动态特征反馈机制增强了复杂背景下病虫害目标的识别能力，四类病虫害的精确率均超过90%。在严重度评估阶段，采用“先定位、后分割”策略，将病叶定位与叶内病斑分割任务解耦，有效降低了复杂背景对病斑区域提取的干扰，VGG-UNet在病斑提取和面积量化方面表现优异。该框架由于具备高检测效率和分级准确率，在莲叶病虫害智能监测与叶斑病严重度评估方面具有应用潜力。然而，实际田间应用中仍面临严重遮挡、极端光照、病斑边界模糊等因素的挑战，且当前数据集主要来源于湖南省部分莲种植区，地理、季节、生长阶段、种植条件及成像设备的覆盖范围有限，模型跨环境泛化能力有待进一步验证。未来研究将拓展数据的地理与季节覆盖范围，增加复杂光照、遮挡及多样病斑形态的样本，并通过田间试验评估模型泛化能力；同时探索轻量化分割模型、模型压缩与边缘部署方法，以降低计算开销，推动该框架在无人机及智能田间设备上的实际部署。研究结论指出，将目标定位与单叶病斑分割任务解耦，能有效缓解复杂水环境对面积量化的干扰，为莲叶病害严重度定量评估提供了可行技术途径，也为水生作物病害的智能监测与精准防控提供了技术支撑。