在植物抗病研究中，准确测量病斑面积、定量比较不同基因型的抗性至关重要。然而，传统的手工圈图测量耗时耗力，部分自动化流程采用的椭圆等几何拟合方式，也难以完整保留不规则病斑的边界，严重影响精度。针对这一问题，中国农业大学园艺学院张钊教授团队开发了开源图像工具PetalSpot。软件以两段式深度学习工作流为核心，整合花瓣定位、像素级分割、可选的透视校正，以及人工复核和结果导出，实现了不同颜色、性状、数量、排列方式的花瓣都可以精确定量病斑面积，为花卉灰霉病抗性研究提供高通量、可复核的表型测量工具。

两段协作：从找到花瓣到描出病斑

PetalSpot将分析任务拆解为两个阶段，分别完成花瓣定位与精细分割。

第一阶段是花瓣定位。针对一张包含多片花瓣或花瓣圆片的RGB图像，软件利用YOLO11m目标检测模型，识别并框选单个样本，再裁剪出相应区域，送入后续分析。

第二阶段是像素级分割。裁剪图像由Res2Net-50提取多尺度特征，再结合金字塔注意力网络（PAN）融合整体信息与局部细节，将像素划分为背景、花瓣和病斑三类，从而获得花瓣及病斑区域的分割掩膜。

随后，软件通过反投影，将各裁剪区域的预测掩膜映射回分析图像坐标系。在图像级面积统计中，对同一类别的掩膜逐像素取并集，使重叠像素仅计数一次；逐花瓣测量则保留各自的实例记录，便于检查和追溯。

图1 | PetalSpot整体工作流程。YOLO11m负责花瓣定位，Res2Net-50与PAN负责像素级分割；可选的AprilTag校正在检测与分割前进行。图片来源：原文图1。

校正拍摄透视：进一步提高面积测量的可靠性

实际拍照时，相机的角度和距离往往难以完全一致，同一个样本在不同照片中可能呈现不同的形状与大小。PetalSpot引入可选的AprilTag标记，利用已知的标记尺寸与布局，通过单应性变换（Homography）将倾斜拍摄的样本平面校正为俯视图，并将像素面积换算为实际面积。

在包含48个实体样本的独立采集实验中，与仅按标记尺寸进行尺度换算相比，平面校正将花瓣面积绝对百分比误差（APE）的中位数从20.82%降至1.97%。这一结果表明，在所测试的设备与拍摄条件下，校正能够明显改善面积测量的一致性。该方法以标记和样本近似共面为前提，不能消除花瓣弯曲等非平面因素造成的误差。

图2｜不同设备与拍摄位置下的平面校正实验。校正后，花瓣面积测量误差明显降低，重复性也得到改善。图片来源：原文图4。

从月季到非洲菊：展现迁移潜力

除月季外，团队还探索了PetalSpot用于非洲菊（Gerbera）病斑分析的可能性。在未进行物种特异性重新训练的情况下，软件对7幅非洲菊图像进行了测试。

在977片成功匹配的花瓣中，预测的相对病害指数（RDI，即病斑面积占花瓣面积的比例）与人工参考值的相关系数达到0.957，平均绝对误差为0.66个百分点。测试中另有4片花瓣误检和12片漏检。结果显示了跨物种迁移的潜力，但仍需更大规模的独立数据验证。

图3｜PetalSpot向非洲菊花瓣的初步迁移测试。RDI相关性与误差统计以成功匹配的花瓣为对象，不能直接等同于所有样本的总体识别准确率。图片来源：原文图5。

图形化桌面客户端：让分析结果可见可改

为了方便科研人员使用，团队开发了基于PyQt5的图形化桌面客户端，支持单图分析、批量处理、掩膜交互式修正和CSV数据导出。研究者可以直观查看花瓣与病斑的分割结果，在需要时修改边界，再导出测量数据，减少重复圈图工作。

图4｜PetalSpot桌面客户端。软件集成图像检查、批量分析、掩膜修正、模型设置和结果导出等功能。图片来源：原文图6。

相关研究论文“PetalSpot: an open-source two-stage deep-learning workflow for pixel-level quantification of petal lesions”已于近日在Computers and Electronics in Agriculture杂志发表（IF=10.3，农林科学一区）。该刊是农业信息技术领域具有重要影响力的期刊。

中国农业大学园艺学院在读博士生黄耀和已毕业博士生曹晓倩为论文共同第一作者，张钊教授为通讯作者。本科生刘芳旗、陈文，研究生沙红、Phurisorn Watcharatpong、简若珩，以及北京市农林科学院的傅伊倩博士也参与了研究。

论文链接：https://doi.org/10.1016/j.compag.2026.112421

供图、供稿：张钊课题组

编辑：张月夕 蒋晓彤

审核：付国强