aBIOTECH | 刘唯真/兰彩霞团队合作研发基于计算机视觉技术的小麦赤霉病小穗率智能测量方法
小麦赤霉病被称为小麦 "癌症"，是全球小麦生产面临的重大病害。病小穗率指受感染小穗数量占该麦穗小穗总数的百分比，是评估病害感染程度和小麦抗病性的关键表型指标。当前病小穗率测量主要依赖人工逐小穗观察与计数，存在效率低下、主观性强等问题。尽管计算机视觉技术的快速发展为病小穗率自动化测量开辟了新路径，但现有智能检测算法应用于该任务时仍面临两大核心挑战：一是病小穗特征表征不足，其易与麦穗正常枯黄部分、背景等混淆，难以精准提取病害特异性特征；二是密集排列小穗的空间编码能力薄弱，小麦麦穗结构紧凑，小穗间相互遮挡、重叠现象普遍，导致算法难以清晰区分单个小穗边界，更无法准确捕捉密集场景下小穗的空间分布关系，检测与计数精度因此受限。鉴于这一现状，亟需研发一套兼顾特征识别精度与空间编码能力的智能检测方案，以突破当前技术瓶颈。
近日，武汉理工大学刘唯真课题组联合华中农业大学兰彩霞课题组在aBIOTECH 发表了题为"FHBDSR-Net: Automated measurement of diseased spikelet rate of Fusarium Head Blight on wheat spikes"的研究论文。该研究提出并开源了一款名为FHBDSR-Net的深度学习算法，能从手机拍摄的、带有复杂背景的麦穗图像里自动测算病小穗率表型（图1），为小麦抗赤霉病育种提供了高效精准的表型测定手段。
研究团队研发的FHBDSR-Net模型集成了三大创新模块（图2）：多尺度特征增强模块（Multi-scale Feature Enhancement, MFE）通过动态融合病斑纹理、形态特征及病斑-麦芒对比特征，有效抑制复杂背景干扰；内部高效CIoU损失函数（Inner-EfficiCIoU）可显著提升密集小目标定位精度；尺度感知注意力模块（Scale-Aware Attention, SAA）通过膨胀卷积与自注意力机制，增强多尺度病理特征与空间分布的编码能力。
图1. 计算病小穗率（DSR）的过程
图2. FHBDSR-Net病小穗率表型智能测量算法框架
实验结果表明，FHBDSR-Net在病小穗检测任务中平均精度（AP）达 93.8%，其病小穗率测量值与人工观测值的皮尔逊相关系数均值超0.901。该模型具备优异的泛化能力与稳健性，在不同品种、不同生长阶段、不同感染程度的麦穗病小穗率检测中均表现出较高准确性（图3和图4）。同时，FHBDSR-Net兼具轻量化特性，参数量仅7.2M，可适配资源受限的移动终端部署，能够为温室、田间场景下病小穗率的精准计算提供支持，进而为小麦赤霉病抗病育种筛选、田间病害动态监测提供高效可靠的技术保障，推动植物表型分析向田间便携化、智能化升级。
图3. MFE模块加入前后特征可视化效果对比
图4. 病小穗率自动测量算法预测结果与人工观测结果比较分析
本研究由国家自然科学基金资助。武汉理工大学计算机与人工智能学院刘唯真副教授和华中农业大学植物科学技术学院兰彩霞教授为论文共同通讯作者，武汉理工大学硕士生吴泽为论文第一作者，崖州湾国家实验室/吉林农业大学袁晓辉教授、英国威尔士三一圣大卫大学Seena Joseph教授等参与了该研究工作。
引用本文：
Wu, Z., Zhao, H., Chen, Z. et al. FHBDSR-Net: automated measurement of diseased spikelet rate of Fusarium Head Blight on wheat spikes. aBIOTECH (2025). https://doi.org/10.1007/s42994-025-00245-0
相关阅读：
aBIOTECH | 中国农科院作科所牵头建立玉米农艺性状遗传互作网络图谱
aBIOTECH | 李慧慧团队利用大规模进化信息和机器学习算法成功预测植物盐胁迫相关基因
aBIOTECH | 刘羽飞团队基于高光谱与深度学习技术实现水稻恶苗病早期高效监测
aBIOTECH | 中国农科院作科所开发无监督的深度学习算法对植物单细胞RNA测序数据进行聚类
aBIOTECH封面文章 | 刘羽飞课题组联合王蒙岑课题组综述利用先进技术在不同观测尺度上预测水稻病害的现状与展望
aBIOTECH | 阮珏团队开发跨文件数据筛选工具Filterx
aBIOTECH | 阮珏团队开发快速和特异性检测miRNA/短RNA片段的方法
转载本文请联系原作者获取授权，同时请注明本文来自李楠科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3458049-1500382.html?mobile=1
收藏
