灰霉病害一直是影響黃瓜產(chǎn)量和質(zhì)量的一個(gè)重要因素，借助計(jì)算機(jī)視覺技術(shù)研究蔬菜病害問題已成為熱點(diǎn)課題。隨著計(jì)算機(jī)視覺技術(shù)的迅速發(fā)展，自然光條件下病害已經(jīng)實(shí)現(xiàn)了快速、無損地識(shí)別，但是還不能對(duì)未顯現(xiàn)病癥的病害早期侵染特征有效精準(zhǔn)識(shí)別和量化分析�；颐共『κ怯苫颐共【�侵染寄主蔬菜發(fā)生的，灰霉病菌孢子檢測(cè)對(duì)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(xué)病菌孢子檢測(cè)方法主要依賴于人工識(shí)別，效率低下，耗時(shí)費(fèi)力，且要求專業(yè)人員持續(xù)觀察。實(shí)驗(yàn)室背景下，圖像處理方法也可以很好地檢測(cè)出未粘附的孢子。然而，這些方法取決于特定對(duì)象的特征類型，在復(fù)雜多粘附情況下無法魯棒、準(zhǔn)確地檢測(cè)孢子。

深度學(xué)習(xí)方法的發(fā)展及其逐漸應(yīng)用，改變了從圖像數(shù)據(jù)中提取特征的過程，并且深度學(xué)習(xí)方法具有更強(qiáng)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(shí)際采集到的病菌孢子顯微圖像中存在復(fù)雜噪聲，且病原孢子具有多態(tài)性、目標(biāo)物比較小、遮擋等系列問題，給實(shí)際應(yīng)用帶來巨大挑戰(zhàn)。
 

近日，Plant Phenomics在線發(fā)表了中國農(nóng)業(yè)大學(xué)與天津市農(nóng)業(yè)科學(xué)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(duì)孢子的多態(tài)性、小目標(biāo)和遮擋的問題，論文從增強(qiáng)模型的特征提取能力和融合多尺度特征角度，同時(shí)縮減模型尺寸，提出了一種基于改進(jìn)的MG-YOLO的黃瓜灰霉病菌孢子檢測(cè)方法（圖1），提高了復(fù)雜背景下灰霉病菌孢子的檢測(cè)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(biāo)注每個(gè)灰霉病菌孢子的外接矩形框作為真實(shí)標(biāo)簽，共標(biāo)記了31303個(gè)灰霉病菌孢子，進(jìn)而構(gòu)建數(shù)據(jù)集。
 

該方法具體做出了如下貢獻(xiàn)：（1）在特征提取網(wǎng)絡(luò)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(duì)卷積捕獲的特征圖中的信息進(jìn)行處理和聚合，減少小目標(biāo)和遮擋孢子的漏檢情況；（2）借助加權(quán)機(jī)制，通過加權(quán)雙向特征金字塔網(wǎng)絡(luò)（BiFPN）對(duì)橫向連接與自頂向下結(jié)構(gòu)的特征進(jìn)行加權(quán)融合，提高對(duì)復(fù)雜背景下多形態(tài)病菌孢子的檢測(cè)精度；（3）通過Ghost模塊構(gòu)建輕量化頸部，減少模型尺寸，提高了病菌孢子的檢測(cè)速度；（4）通過消融實(shí)驗(yàn)，并與多種一階段、兩階段檢測(cè)模型比較，證明了MG-YOLO對(duì)灰霉病菌孢子檢測(cè)的有效性及對(duì)不同場(chǎng)景下病菌孢子檢測(cè)的魯棒性。
 

圖1MG-YOLO的網(wǎng)絡(luò)架構(gòu)

實(shí)驗(yàn)結(jié)果表明：提出的MG-YOLO能夠提升灰霉病菌孢子的檢測(cè)精度，最終檢測(cè)精度達(dá)到0.983，每張圖像的檢測(cè)時(shí)間為0.009s。MG-YOLO的灰霉病菌孢子檢測(cè)結(jié)果優(yōu)于Faster R-CNN、RetinaNet、YOLOv3、Dynamic R-CNN、YOLOv5和YOLOX。檢測(cè)結(jié)果的可視化如圖2，MG-YOLO能夠有效應(yīng)對(duì)模糊、小目標(biāo)、多形態(tài)、遮擋場(chǎng)景下的孢子檢測(cè)問題，表明論文提出的方法具有魯棒性，能夠?qū)崿F(xiàn)不同情況下的灰霉菌孢子的高精度檢測(cè)。
 

圖2 不同情況下的灰霉病菌孢子檢測(cè)結(jié)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(jiǎn)介：

李凱雨，中國農(nóng)業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)博士研究生，研究方向?yàn)橛?jì)算機(jī)視覺、農(nóng)業(yè)信息技術(shù)。

通訊作者簡(jiǎn)介：

張領(lǐng)先，中國農(nóng)業(yè)大學(xué)教授，博士生導(dǎo)師，主要從事人工智能農(nóng)業(yè)應(yīng)用、農(nóng)業(yè)信息化標(biāo)準(zhǔn)化與政策等方面研究，近五年主持省部級(jí)以上科研項(xiàng)目4項(xiàng)，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(luò)的小蘋果檢測(cè)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(xué)習(xí)的微根管圖像自動(dòng)化分析方法

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。

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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)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(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)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(nóng)藝學(xué)、植物科學(xué)，遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)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(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。

特邀作者：李凱雨

排版：張婕（南京農(nóng)業(yè)大學(xué)）

審核：孔敏、王平