基于顯微圖像和深度學習的黃瓜灰霉病菌孢子精準檢測方法研究
灰霉病害一直是影響黃瓜產(chǎn)量和質量的一個重要因素，借助計算機視覺技術研究蔬菜病害問題已成為熱點課題。隨著計算機視覺技術的迅速發(fā)展，自然光條件下病害已經(jīng)實現(xiàn)了快速、無損地識別，但是還不能對未顯現(xiàn)病癥的病害早期侵染特征有效精準識別和量化分析�；颐共『κ怯苫颐共【秩炯闹魇卟税l(fā)生的，灰霉病菌孢子檢測對于蔬菜灰霉病害早期診斷與防控具有重要意義。
傳統(tǒng)的顯微鏡觀察和分子生物學病菌孢子檢測方法主要依賴于人工識別，效率低下，耗時費力，且要求專業(yè)人員持續(xù)觀察。實驗室背景下，圖像處理方法也可以很好地檢測出未粘附的孢子。然而，這些方法取決于特定對象的特征類型，在復雜多粘附情況下無法魯棒、準確地檢測孢子。
深度學習方法的發(fā)展及其逐漸應用，改變了從圖像數(shù)據(jù)中提取特征的過程，并且深度學習方法具有更強的穩(wěn)健性和處理速度，在植物表型分析中展現(xiàn)出巨大潛力。但是，實際采集到的病菌孢子顯微圖像中存在復雜噪聲，且病原孢子具有多態(tài)性、目標物比較小、遮擋等系列問題，給實際應用帶來巨大挑戰(zhàn)。
近日，Plant Phenomics在線發(fā)表了中國農業(yè)大學與天津市農業(yè)科學院合作的題為The Gray Mold Spore Detection of Cucumber Based on Microscopic Image and Deep Learning 的研究論文。
針對孢子的多態(tài)性、小目標和遮擋的問題，論文從增強模型的特征提取能力和融合多尺度特征角度，同時縮減模型尺寸，提出了一種基于改進的MG-YOLO的黃瓜灰霉病菌孢子檢測方法（圖1），提高了復雜背景下灰霉病菌孢子的檢測精度。該研究采集到886張灰霉病菌孢子顯微圖像，并使用LabelImg標注每個灰霉病菌孢子的外接矩形框作為真實標簽，共標記了31303個灰霉病菌孢子，進而構建數(shù)據(jù)集。
該方法具體做出了如下貢獻：（1）在特征提取網(wǎng)絡中引入多頭自注意力（Multi-head self-attention）捕捉病菌孢子全局信息，并對卷積捕獲的特征圖中的信息進行處理和聚合，減少小目標和遮擋孢子的漏檢情況；（2）借助加權機制，通過加權雙向特征金字塔網(wǎng)絡（BiFPN）對橫向連接與自頂向下結構的特征進行加權融合，提高對復雜背景下多形態(tài)病菌孢子的檢測精度；（3）通過Ghost模塊構建輕量化頸部，減少模型尺寸，提高了病菌孢子的檢測速度；（4）通過消融實驗，并與多種一階段、兩階段檢測模型比較，證明了MG-YOLO對灰霉病菌孢子檢測的有效性及對不同場景下病菌孢子檢測的魯棒性。
圖1MG-YOLO的網(wǎng)絡架構
實驗結果表明：提出的MG-YOLO能夠提升灰霉病菌孢子的檢測精度，最終檢測精度達到0.983，每張圖像的檢測時間為0.009s。MG-YOLO的灰霉病菌孢子檢測結果優(yōu)于Faster R-CNN、RetinaNet、YOLOv3、Dynamic R-CNN、YOLOv5和YOLOX。檢測結果的可視化如圖2，MG-YOLO能夠有效應對模糊、小目標、多形態(tài)、遮擋場景下的孢子檢測問題，表明論文提出的方法具有魯棒性，能夠實現(xiàn)不同情況下的灰霉菌孢子的高精度檢測。
圖2 不同情況下的灰霉病菌孢子檢測結果，（a）至（c）分別表示模糊、多形態(tài)和遮擋情況下的灰霉病菌孢子。
作者介紹
第一作者簡介：
李凱雨，中國農業(yè)大學計算機科學與技術專業(yè)博士研究生，研究方向為計算機視覺、農業(yè)信息技術。
通訊作者簡介：
張領先，中國農業(yè)大學教授，博士生導師，主要從事人工智能農業(yè)應用、農業(yè)信息化標準化與政策等方面研究，近五年主持省部級以上科研項目4項，以第一作者或通訊作者在Plant Phenomics, Horticulture Research, Expert Systems with Applications, Applied Intelligence, Computers and Electronics in Agriculture, Plant Methods等期刊上發(fā)表論文30余篇。
論文鏈接：
https://spj.science.org/doi/10.34133/plantphenomics.0011
——推薦閱讀——
BFP Net: Balanced Feature Pyramid Network for Small Apple Detection in Complex Orchard Environment
https://doi.org/10.34133/2022/9892464
Plant Phenomics | 基于可平衡特征金字塔網(wǎng)絡的小蘋果檢測模型
Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline
https://doi.org/10.34133/2022/9758532
Plant Phenomics | 基于深度學習的微根管圖像自動化分析方法
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發(fā)布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.961，位于農藝學、植物科學，遙感一區(qū)。中科院農藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：李凱雨
排版：張婕（南京農業(yè)大學）
審核：孔敏、王平
