NEEDL-Bench

NEEDL-Bench是由维多利亚大学与加拿大林业局联合创建的显微图像数据集，专注于瑞士针叶枯病及其气孔检测。该数据集包含3250张标注图像，源自1082棵花旗松针叶样本，数据通过台式与手持显微镜采集，统一缩放至360像素/毫米分辨率并分割为256×256图块，涵盖模糊、低对比度等复杂显微特征。数据创建过程包括针叶采样、双模式成像、图块分割及关键点与边界框标注，并采用随机采样与最大多样性采样双重策略划分评估集。该数据集旨在支持计算机视觉方法在森林病理学领域的应用，通过自动化检测气孔阻塞程度来评估针叶枯病严重性，从而助力抗病基因型筛选与森林健康监测研究。NEEDL-Bench is a microscopic image dataset jointly created by the University of Victoria and the Canadian Forest Service, focusing on Swiss needle cast disease and stomatal detection. This dataset contains 3250 annotated images derived from 1082 Douglas-fir needle samples. The data were collected using both benchtop and handheld microscopes, uniformly scaled to a resolution of 360 pixels per millimeter, and segmented into 256×256 image patches, covering complex microscopic features such as blurriness and low contrast. The dataset construction process includes needle sampling, dual-mode imaging, patch segmentation, as well as keypoint and bounding box annotation. A dual strategy of random sampling and maximum diversity sampling was adopted to split the evaluation set. This dataset aims to support the application of computer vision methods in forest pathology, by automatically detecting the degree of stomatal obstruction to assess the severity of Swiss needle cast disease, thereby facilitating research on disease-resistant genotype screening and forest health monitoring.

原始信息汇总

数据集概述

NEEDL-Bench 是一个用于检测和定位花旗松针叶显微镜图像中两种关键结构的公开数据集，旨在通过计算机视觉技术实现瑞士针叶枯病（SNC）严重程度的自动化评分，以支持育种计划、生态监测和森林健康评估。

核心内容

1. 数据集组成

• 总样本量：3,250 张 256×256 像素的图块，来源于 1,082 根花旗松针叶。
• 采集模态：两种显微镜采集方式：
  • 桌面显微镜：高倍率，用于实验室条件。
  • 手持式Dino-Lite显微镜：多焦点堆叠，适用于现场或近似现场条件。
• 标注格式：每张图块提供两种标注：
  • 关键点：2D 质心坐标（x, y）及类别标签。
  • 边界框：最小面积矩形，格式为 [x_min, y_min, w, h]，基于 SAM2 分割并人工审核。
• 空间分辨率：所有图块统一为 360 像素/毫米。

2. 类别

ID	名称	描述
0	stomata	开放或未被堵塞的气孔
1	pseudothecia	被SNC子囊壳堵塞的气孔（即N. gaeumannii的子实体）

3. 数据集划分

数据集根据采集方式和采样方法进行划分，提供两种评估协议：

• 随机划分：近似反映特征的天然分布。
• 最大多样性划分：通过ResNet50特征空间的最远点采样，最大化稀有结构的覆盖范围。

采集方式	采样方法	训练集	验证集	测试集
桌面显微镜	随机	1,258	99	100
桌面显微镜	最大多样性	0	50	50
手持显微镜	随机	1,185	254	254
手持显微镜	最大多样性	0	0	0
总计		2,443	403	404

4. 挑战与真实性

数据集包含多种现实挑战，如：模糊、低对比度、遮挡、冻融伪影、异物干扰以及与目标病害视觉相似的干扰物。

获取与使用

• 下载地址：Hugging Face Datasets (https://huggingface.co/datasets/benjamincblake/Needl-Bench)
• 代码仓库：GitHub (https://github.com/benjamincblake/NEEDL-Bench) —— 仅包含代码和小型标注文件。
• 许可协议：数据集采用 CC BY 4.0 许可，仅限非商业和学术研究用途；仓库代码采用 MIT 许可。
• 引用：请引用配套论文（详见 BibTeX）。

相关论文

Blake, B., McIntosh, D., Ehlting, J., Feau, N., Tanney, J. B., Branzan Albu, A. NEEDL-Bench: Dataset for Swiss Needle Cast and Stomata Detection in Microscopy Images. CRV 2026.

联系信息

• 问题与错误报告：通过 GitHub Issues 提交。
• 研究合作咨询：
  • Benjamin Blake ([e-mail])
  • Declan McIntosh ([e-mail])

搜集汇总

数据集介绍

构建方式

NEEDL-Bench数据集聚焦于瑞士针叶枯病（SNC）这一威胁花旗松生产力的真菌病害，旨在通过计算机视觉技术实现显微镜图像中气孔与假囊壳的自动化检测。数据集构建过程中，研究团队从加拿大温哥华岛多个地点采集了1082根花旗松针叶样本，并分别采用台式显微镜与手持显微镜两种成像工作流进行拍摄，以模拟实验室与野外采集场景的差异。原始图像经过统一缩放至360像素/毫米的空间分辨率后，被切割为256×256像素的图块，以确保不同成像方法间的尺度一致性并提升小目标的相对尺寸。最终，3250张图块经由专业标注员完成关键点（结构中心点）与最小面积边界框两种格式的标注，其中边界框通过SAM2模型从关键点半自动转换生成，并经人工审核确认质量。

特点

该数据集呈现出显微图像分析的典型挑战，包括散焦导致的模糊、目标与针叶背景的低对比度、小目标检测难题以及因病害生长或采样异物引起的遮挡。为全面评估模型性能，NEEDL-Bench设计了两种互补的评测划分策略：随机采样集模拟真实世界的数据分布，而最大多样性采样集则通过最远点采样算法在预训练特征空间中选取图块，以覆盖罕见结构（如完全被病害覆盖的针叶）的完整长尾分布。实验表明，即使是性能最优的RF-DETR模型，其平均F1分数也仅为0.8479，且模型规模的扩大并未带来显著性能提升，说明该任务的瓶颈在于领域特定的归纳偏置而非表征能力，为后续方法研究提供了明确方向。

使用方法

NEEDL-Bench支持关键点检测与边界框检测两类主流范式，研究者可根据任务需求选择YOLOv11-Pose等关键点模型或RF-DETR、YOLOv11-Detect等边界框模型进行训练与评估。数据集提供统一的训练/验证/测试划分，其中测试集包含来自手持显微镜随机采样、台式显微镜随机采样以及台式显微镜最大多样性采样三个子集，便于从平均性能与分布外泛化能力两个维度分析模型表现。评价指标采用标准F1分数，边界框匹配依循PASCAL VOC的交并比阈值0.5，关键点匹配则以36像素（约0.1毫米）的欧氏距离为关联半径。研究者可优先关注通过在线难例挖掘、高斯热图标签平滑等技巧增强的轻量CNN架构，其在资源受限的林业现场部署中更具潜力。

背景与挑战

背景概述

由加拿大维多利亚大学与加拿大自然资源部联合团队于2026年发布的NEEDL-Bench数据集，致力于解决瑞士针叶枯病（SNC）的显微图像检测难题。SNC是由真菌Nothophaeocryptopus gaeumannii引发的花旗松针叶病害，其有性生殖结构（假囊壳）阻塞气孔，严重时可导致树木生长量损失高达50%。该数据集包含来自1082根针叶的3250张标注图像，涵盖关键点与边界框两种检测格式，旨在利用计算机视觉技术替代传统耗时且不可扩展的人工视觉评估方法，为林业病理学与基因型耐受性筛选提供标准化、可规模化的自动化解决方案。作为首个聚焦SNC针叶级别严重度的图像基准，NEEDL-Bench对植物生物成像、小目标检测及领域自适应算法的发展具有重要推动作用。

当前挑战

数据集面临的挑战主要体现为显微图像特有的复杂视觉特征与构建过程中的技术难题。在领域问题上，小目标（气孔与假囊壳）在有限的显微景深下常出现模糊、低对比度及部分遮挡，且伪囊壳与健康气孔在视觉上高度相似，加之样本中夹杂相似病害及冷冻储存导致的纹理变异，使得通用目标检测模型难以取得理想性能。在构建过程中，为确保涵盖罕见结构，团队采用最大多样性采样策略，但该策略依赖预训练特征提取器与随机投影，计算成本高昂；同时，关键点标注由单一训练人员完成，缺乏正式的标注一致性评估，可能导致标签噪声。此外，手持与台式两种显微采集方式的图像在尺度、聚焦质量上存在显著差异，增加了模型泛化的难度。

常用场景

经典使用场景

NEEDL-Bench数据集作为首个针对瑞士针叶枯病（SNC）显微检测的基准，其经典使用场景集中于利用计算机视觉技术自动识别道格拉斯冷杉叶片上的气孔与真菌性生殖结构（假囊壳）。该数据集包含3250张来自1082根针叶的高分辨率显微图像，提供了关键点与边界框两种标注格式，尤其适用于评估小目标、低对比度及模糊条件下的检测算法性能。研究者常将其用于验证和比较不同架构（如卷积神经网络YOLOv11与Transformer模型RF-DETR）在密集、重复的细胞结构中的定位与计数能力，从而推动领域特异性归纳偏好的探索与开发。

解决学术问题

该数据集系统性地解决了森林病理学领域长期存在的自动化病斑严重度评估难题。传统依赖人工目视计数气孔闭塞比例的方法不仅耗时、易错，且缺乏可扩展性，严重制约了抗病基因型筛选的研究效率。NEEDL-Bench通过提供大规模、多模态的标注数据，使计算机视觉方法得以标准化且可规模化地量化SNC侵染程度。实验表明，尽管现有模型在气孔检测上表现尚可（F1达0.9153），但假囊壳检测仍存在显著瓶颈（F1最高仅0.8662），揭示了小样本、模糊遮挡等长尾分布对算法泛化性的挑战，为发展轻量级、具有归纳偏好的专用模型奠定了重要基础。

衍生相关工作

NEEDL-Bench的发布催生了一系列关于小目标显微检测的衍生研究。一方面，受其基准结果启发，研究者开始致力于设计针对低对比度与模糊图像的前处理模块，以及融合关键点与边界框信息的联合检测框架。另一方面，该数据集推动了关于模型归纳偏好与规模缩放定律的讨论——实验表明扩大参数规模未能带来性能提升，从而引导学界转向开发轻量级、具有强平移不变性与局部感知能力的CNN架构，如YOLOv11n-Pose变体。此外，最大多样性采样策略也被后续工作借鉴，用于构建更具挑战性的评估集以检验模型在极端长尾分布下的鲁棒性。