《Agronomy》：YOLOv12-RSLW: An Efficient Detection and Severity Grading Framework for Rice False Smut via Count-Area Calibration
编辑推荐：
水稻稻曲病（Rice false smut, RFS）是由真菌病原菌稻绿核菌（Ustilaginoidea virens）引起的一种重要穗部病害，影响水稻产量与籽粒品质，也是育种程序中抗性评估的重要对象。准确的田间表型分析对病害评估与抗性筛选具有重要意义，然而
水稻稻曲病（Rice false smut, RFS）是由真菌病原菌稻绿核菌（Ustilaginoidea virens）引起的一种重要穗部病害，影响水稻产量与籽粒品质，也是育种程序中抗性评估的重要对象。准确的田间表型分析对病害评估与抗性筛选具有重要意义，然而当前的评估主要依赖人工目视评分与稻曲球计数，费时费力且受评估者经验影响。在近距离单穗图像中，稻曲球常表现为小目标、密集、遮挡与粘连，使自动检测与严重度分级困难。针对这些挑战，研究人员通过于YOLOv12中集成RepGhost、SimAM、LSCD与WIoU构建了YOLOv12-RSLW检测器。随后利用检测框引导Segment Anything Model（SAM）提取穗与病斑掩膜，计算病斑-穗面积比作为基于计数的严重度分级的补充指标。研究共采集1911张原始田间图像，增强后数据集含5663张图像，包括4531张训练、566张验证与566张测试图像。检测性能于测试集评估，SAM分割由80张人工标注原始图像评估。YOLOv12-RSLW取得92.06% mAP@0.5、91.46%精确率与87.01%召回率，参数量3.45 M，计算量6.0 GFLOPs。相较基线YOLOv12，mAP@0.5与召回率分别提升3.60与4.37个百分点。在增强数据集中，最初判为1级样本41.2%、2级样本28.1%满足面积比标准可潜在重判至更高等级。该框架为水稻稻曲病严重度表型提供定量途径，经进一步验证后可支持未来抗性育种。
研究背景方面，水稻稻曲病（Rice false smut, RFS）由稻绿核菌（Ustilaginoidea virens）引起，严重影响产量与籽粒品质，并产生稻曲菌素（ustilaginoidins）与稻曲毒素（ustiloxins）等霉菌毒素。传统田间诊断依赖人工目视巡查与稻曲球计数，受评估者经验影响大，在大规模暴发时难以快速评估；显微检查与试剂法受成本与耗时限制。虽深度学习尤其是YOLO系列已用于作物病害检测，但将检测结果转化为可解释的定量严重度分级仍不充分，稻曲病存在小目标、密集、粘连与形态不确定等问题，且计数法在病斑融合时易低估可见病斑范围。为此，研究人员在《Agronomy》发表该研究，旨在构建面向田间单穗图像的稻曲病高效检测与计数-面积校准分级框架。
关键技术方法上，研究人员于2023至2025年在辽宁沈阳与海城多站点采集1911张近距离水稻穗图像，涵盖多品种与多背景，经比例保持缩放至640×640并做离线增强（随机缩放、旋转、HSV亮度、高斯模糊、对比度与饱和度调整），按源图像划分训练/验证/测试后增强，得5663张图像（4531/566/566）。以YOLOv12为基线，骨干嵌入RepGhost（结构重参数化卷积）、关键特征级嵌入SimAM（无参数注意力）、检测头引入LSCD（共享卷积多尺度检测头）、回归损失换用WIoU（动态非单调聚焦IoU损失）；推理时以YOLOv12-RSLW框为提示驱动Segment Anything Model（SAM, ViT-L）分割穗与病斑，算病斑-穗面积比，结合稻曲球数（0球=0级、1球=1级、2–5球=2级、≥6球=3级）与面积比分位数阈值（2级Q1=4.57%、3级Q1=10.33%）形成计数-面积校准策略（Count–Area Calibration Strategy, CACS）。
研究结果部分，于“评估标准YOLOv12模型与数据集特性”中，基线YOLOv12达88.46% mAP@0.5，稻曲球中位框面积922.34像素2、中位宽高约30像素，38.16%图像含≥3个稻曲球，证实小、密、近邻分布特征。于“消融实验”中，完整YOLOv12-RSLW获92.06% mAP@0.5与68.02% mAP@0.5:0.95，精确率91.46%、召回率87.01%、F1 89.18%，较基线mAP@0.5升3.60点、召回升4.37点，参数量3.45 M、6.0 GFLOPs；RepGhost单模块增益最大（mAP@0.5至91.51%），LSCD降本（2.37 M、5.1 GFLOPs），WIoU不加参提升，SimAM单独用召回略降；尺寸敏感性分析显示小（≤625.82像素2）/中/大稻曲球AP@0.5为59.78%/85.38%/88.84%。于“跨模型检测性能比较”中，YOLOv12-RSLW优于YOLOv5/6/8n/10n/11及基线，但推理由55.18 FPS降至37.89 FPS。于“分割与严重度分级结果”中，80图SAM评估穗分割Dice 90.22%/IoU 82.71%，病斑分割Dice 84.36%/IoU 73.70%；以人工框驱SAM面积比估计R2=0.946、MAE=1.88点，以YOLOv12-RSLW预测框驱SAM R2=0.823、MAE=3.05点，证明检测误差向分割传播但端到端仍相关；增强集11191穗实例中病穗6308（1级3359、2级2648、3级301），CACS下41.2%原1级、28.1%原2级达更高等级面积比阈值。
讨论部分指出，小目标AP低源于连续下采样丢失边界纹理；RepGhost对病类增益最显著，SimAM在完整模型中起互补而非独立大增作用；SAM病斑分割召回低于精确，粘连与边界不清是主因；预测框提示使面积比R2降至0.823表明检测误差可测传播；CACS阈值取自高等级Q1属分布决策界，非独立病理金标准，越界仅示面积特征重叠不代表原计数级错；病-穗面积比属单视角二维投影比，不能等价三维穗面真实病面，视角与自遮挡影响存在；数据集跨三年两站多品种但增强过采样使11191实例为图像级计算样本而非独立生物学观察，Grade 3仅4.77%使10.33%阈值对组成敏感；框架未直接验证抗性育种与多环境泛化。结论部分表明，YOLOv12-RSLW于复杂田间达92.06% mAP@0.5与68.02% mAP@0.5:0.95，耦合SAM实现像素级病斑提取与面积比估计，端到端R2=0.823、MAE=3.05点，面积比补充计数法尤其适用于粘连融合病斑，CACS阈值需超越本数据集条件后再验证方可推广。
