應(yīng)用方向

顯微高光譜成像系統(tǒng)被成功應(yīng)用于土壤中 Mycogone perniciosa（惡性傘殼霉）厚垣孢子的高精度檢測，為農(nóng)業(yè)病害早篩提供了技術(shù)支撐。該設(shè)備具備微米級空間分辨率與400–1000 nm連續(xù)光譜采集能力，可在無需染色或標(biāo)記的情況下識別微小病原體，極大提升了病害監(jiān)測的效率與準(zhǔn)確性。通過結(jié)合高光譜成像與AI算法（如Faster R-CNN等深度學(xué)習(xí)檢測模型），該系統(tǒng)能夠?qū)?fù)雜背景下的微小結(jié)構(gòu)進行自動識別、目標(biāo)定位與類別判斷，克服傳統(tǒng)顯微鏡在識別精度和批量處理方面的局限。

背景

Mycogone perniciosa（惡性傘殼霉）是引起蘑菇畸形病的主要病原菌之一，屬于重要的土傳病原真菌。其在生產(chǎn)過程中具有*強的隱蔽性和傳播性，能夠長期潛伏于土壤中，以休眠孢子的形式存在，一旦遇到適宜環(huán)境即迅速發(fā)病，對食用菌產(chǎn)業(yè)構(gòu)成嚴(yán)重威脅。傳統(tǒng)的檢測方法如顯微鏡人工識別和培養(yǎng)分離不僅操作繁瑣、耗時長、依賴經(jīng)驗，且檢測靈敏度較低，難以實現(xiàn)對大量樣本的快速高效篩查。因此，亟需一種靈敏度高、效率高、自動化程度強的新型檢測手段。

顯微高光譜成像（Hyperspectral Microscopic Imaging, HMI）作為融合圖像空間信息與光譜信息的優(yōu)良技術(shù)，具備非接觸、高分辨率、無染料標(biāo)記等優(yōu)點，已廣泛應(yīng)用于生物醫(yī)學(xué)、食品安全和農(nóng)業(yè)病蟲害檢測等領(lǐng)域。其在土壤樣本中對微小目標(biāo)物（如孢子）的高精度識別方面展現(xiàn)出巨大潛力。結(jié)合深度學(xué)習(xí)模型進行圖像智能識別與分類，有望打破傳統(tǒng)識別技術(shù)的瓶頸，為土壤中Mycogone perniciosa孢子的早期、快速、準(zhǔn)確檢測提供有效解決方案。

作者信息：介鄧飛，福建農(nóng)林大學(xué)機電工程學(xué)院，碩士生導(dǎo)師

期刊來源：European Journal of Agronomy

研究內(nèi)容

本研究旨在實現(xiàn)對土壤中惡性傘殼霉厚垣孢子的快速、自動化檢測，解決傳統(tǒng)檢測方法效率低、誤判率高、依賴人工經(jīng)驗等問題。為此，作者提出了一種結(jié)合顯微高光譜成像技術(shù)（HMI）與改進型深度學(xué)習(xí)檢測模型的孢子識別方法。研究首先利用高光譜顯微系統(tǒng)對土壤樣本中目標(biāo)孢子進行成像，獲取融合空間與光譜信息的圖像數(shù)據(jù)；接著，通過主成分分析（PCA）降維處理，提取具有代表性的高光譜偽彩圖像。在模型構(gòu)建方面，基于YOLOv5網(wǎng)絡(luò)框架進行改進：引入輕量級注意力機制（CA模塊）增強特征表達能力，融合BiFPN結(jié)構(gòu)提升多尺度目標(biāo)檢測效果，并使用CIoU損失函數(shù)優(yōu)化邊界框回歸性能。改進模型可對輸入圖像中孢子目標(biāo)進行高效檢測與識別。所提方法在檢測精度、召回率及推理速度等方面均優(yōu)于原始YOLOv5模型，有效提升了土壤中孢子的檢測效率與準(zhǔn)確性。

實驗設(shè)計

本研究所用的Mycogone perniciosa厚垣孢子來源于中國農(nóng)業(yè)科學(xué)院植物保護研究所的病原菌株。首先將其接種于馬鈴薯葡萄糖瓊脂（PDA）培養(yǎng)基上，在25℃恒溫培養(yǎng)箱中培養(yǎng)10天，獲得大量孢子。然后將培養(yǎng)皿表面形成的孢子輕輕刮取并置入1 mL無菌水中，充分震蕩混勻，形成孢子懸浮液。再向每個處理組土壤中分別加入適量的孢子懸浮液，使其混合均勻。隨后將土壤樣品取出放置在載玻片上，并在自然光下進行空氣干燥，以備后續(xù)成像實驗。

本研究采用由光學(xué)顯微鏡（BX53，Olympus）與高光譜成像系統(tǒng)（GaiaField Pro-V10E，江蘇雙利合譜科技有限公司）組成的顯微高光譜成像系統(tǒng)（結(jié)構(gòu)如圖1所示）。該系統(tǒng)通過無線傳輸模塊與計算機實現(xiàn)圖像采集控制，其光譜范圍為400-1000 nm，光譜分辨率為2.8 nm。為適配厚垣孢子尺寸，顯微鏡配置10倍物鏡（目鏡1×，物鏡10×）進行觀測，高光譜相機曝光時間設(shè)置為7.9 ms。系統(tǒng)空間檢測像素為960，光譜成像波段176個，每次掃描890行，因此高光譜圖像維度為960×890×176。本研究共計采集1023幅有效圖像。

圖1. 顯微高光譜成像系統(tǒng)

研究方法

由于環(huán)境噪聲以及系統(tǒng)光源、光路元件、傳感器等性能的影響，顯微高光譜成像系統(tǒng)獲取的原始圖像數(shù)據(jù)不可避免地包含各種干擾，原始顯微高光譜圖像在不同的光譜波段上表現(xiàn)出不同的信息含量，為了獲得高信息含量的圖像波段，剔除了異常譜帶，保留了430 -720 nm范圍內(nèi)的91個譜帶，以供進一步研究。之后使用黑白校準(zhǔn)算法對采集的圖像進行去噪和輻射校正，提高成像質(zhì)量。針對高光譜圖像數(shù)據(jù)量大、數(shù)據(jù)冗余和多重共線性等問題，采用主成分分析（PCA）方法將高維數(shù)據(jù)投影到低維數(shù)據(jù)上，通過主成分分析（PCA）降維，前三個主成分（PC1、PC2和PC3）包含了95%以上的信息，因此選擇這三個主成分作為厚垣孢子檢測模型的輸入。

針對傳統(tǒng)Faster R-CNN在小目標(biāo)檢測中特征提取能力不足、潛在特征信息易丟失等問題，本研究提出了一種基于改進Faster R-CNN（Resnet50-FPN）的M. perniciosa厚垣孢子檢測方法。該改進模型通過將殘差網(wǎng)絡(luò)Resnet50與特征金字塔網(wǎng)絡(luò)（FPN）集成到區(qū)域提議網(wǎng)絡(luò)（RPN）和區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）中，有效提升了厚垣孢子特征提取能力。圖2展示了厚垣孢子目標(biāo)的完整檢測流程圖。該改進方法通過多層次特征融合與多尺度檢測策略，顯著提升了微小孢子目標(biāo)的檢測精度。此外，為適應(yīng)高光譜圖像的特性，研究對網(wǎng)絡(luò)結(jié)構(gòu)進行了輕量化處理，減少參數(shù)量與計算開銷，同時提升檢測速度和效率。通過這些改進，模型在保持高檢測精度的同時兼顧了運行效率，適合在顯微圖像中進行小尺度目標(biāo)檢測任務(wù)。

圖2. 惡性毛殼菌厚垣孢子目標(biāo)檢測的流程圖。

在進行圖像數(shù)據(jù)標(biāo)注時，準(zhǔn)確區(qū)分厚垣孢子與雜質(zhì)顆粒是關(guān)鍵步驟。如圖3(a)所示，通過顯微圖像對比可清晰觀察到：厚垣孢子通常呈現(xiàn)半透明的規(guī)則圓形結(jié)構(gòu)（直徑約5-10μm），而雜質(zhì)顆粒則多表現(xiàn)為透明度較低的不規(guī)則形態(tài)（如箭頭所示）。這種顯著的形態(tài)學(xué)差異為人工標(biāo)注提供了可靠的判別依據(jù)。

研究以高光譜圖像立方體為基礎(chǔ)，通過主成分分析（PCA）方法提取前三個主成分，將其構(gòu)建為偽彩色圖像，用于網(wǎng)絡(luò)輸入。然后，研究人員采用手工標(biāo)注方式對孢子目標(biāo)進行邊界框標(biāo)記，將數(shù)據(jù)集按9：1的比例分成訓(xùn)練集和測試集，訓(xùn)練過程中再按8：2的比例將訓(xùn)練集進一步分成訓(xùn)練集和測試集進行模型訓(xùn)練和驗證。為了全面衡量目標(biāo)檢測效果，本文采用了Precision（精確率）、Recall（召回率）、平均查準(zhǔn)率（AP）作為評價模型性能的指標(biāo)。IOU度量預(yù)測框和目標(biāo)框之間的重疊。網(wǎng)絡(luò)模型通常會設(shè)置一個閾值，如果IOU超過閾值，則認(rèn)為預(yù)測框是正確的。該研究將IOU閾值設(shè)置為0.5。

在改進的 Faster R-CNN 模型中，主要包括兩個損失函數(shù)部分，分別對應(yīng)于區(qū)域提議網(wǎng)絡(luò)（RPN）和全連接層。每個部分都包括分類損失和回歸損失。首先，在區(qū)域提議網(wǎng)絡(luò)（RPN）中：分類損失使用交叉熵?fù)p失（Cross Entropy Loss）函數(shù)，用于判斷錨框（anchor）是否包含目標(biāo)；回歸損失則采用平滑 L1 損失（Smooth L1 Loss）函數(shù)，衡量預(yù)測邊界框與真實框之間的位置差異。其次，在 RoI（Region of Interest）全連接層部分：同樣使用交叉熵?fù)p失進行分類；并繼續(xù)使用平滑 L1 損失對邊界框坐標(biāo)進行回歸優(yōu)化。這些損失函數(shù)共同構(gòu)成了模型的總損失函數(shù)，指導(dǎo)整個檢測網(wǎng)絡(luò)在訓(xùn)練過程中不斷優(yōu)化其分類準(zhǔn)確率和定位精度。通過聯(lián)合優(yōu)化分類與回歸任務(wù)，模型能夠更有效地學(xué)習(xí)到孢子在高光譜圖像中的空間位置與類別特征，從而提高整體檢測性能。

結(jié)果

在本研究中，F(xiàn)aster R-CNN模型分別采用了VGG16、Resnet50以及Resnet50-FPN作為特征提取網(wǎng)絡(luò)。此外，YOLOv3模型作為一種典型的單階段目標(biāo)檢測算法，被用作對比模型。表1展示了改進型Faster R-CNN模型與其他模型在訓(xùn)練和測試過程中的消融研究結(jié)果。表1中的數(shù)據(jù)顯示，以Resnet50-FPN作為特征提取網(wǎng)絡(luò)的Faster R-CNN模型，無論輸入是主成分（PC）圖像還是RGB圖像，其平均精度（AP）@0.5均高于基于VGG16和Resnet50的Faster R-CNN模型。具體而言，當(dāng)以PC圖像作為模型輸入時，基于Resnet50-FPN的Faster R-CNN模型的AP值分別比以VGG16和Resnet50為骨干網(wǎng)絡(luò)的原始Faster R-CNN模型高出5.41%和4.78%。而當(dāng)以RGB圖像數(shù)據(jù)集作為模型輸入時，采用Resnet50-FPN作為特征提取網(wǎng)絡(luò)時，AP值分別比VGG16和Resnet50高出5.46%和2%。

本研究采用103幅顯微高光譜圖像，對配置五種PRN錨框尺度的Restnet50-FPN模型進行了厚垣孢子實際檢測性能測試，結(jié)果如圖3所示。實驗表明：（1）圖3(a)-(d)顯示該模型能成功檢測厚垣孢子，驗證了所提方法對小目標(biāo)檢測的有效性；（2）圖3(e)表明當(dāng)孢子存在堆疊現(xiàn)象時，模型會出現(xiàn)重復(fù)識別，檢測準(zhǔn)確率從非堆疊狀態(tài)的99%降至64%，這主要由于孢子堆疊導(dǎo)致其完整結(jié)構(gòu)被遮擋；（3）圖3(f)顯示仍存在誤檢和漏檢現(xiàn)象，這是因為本研究為避免使用化學(xué)試劑而未進行染色處理，導(dǎo)致背景中其他真菌殘留或雜質(zhì)與厚垣孢子在顏色和紋理上具有相似性。

圖3. 基于Resnet50-FPN改進的Faster R-CNN模型的識別結(jié)果：(a)-(d) 正確識別；(e) 展示了由于厚垣孢子重疊，檢測模型產(chǎn)生了重復(fù)識別的情況；(f) 顯示了厚垣孢子的誤檢和漏檢情況。

結(jié)論

本研究采用顯微高光譜成像技術(shù)，用于在雙孢菇栽培過程中檢測土壤中的惡性毛殼菌厚垣孢子。惡性毛殼菌厚垣孢子的頻繁檢出表明雙孢菇感染該病害的風(fēng)險較高?；陲@微高光譜圖像，提出了改進型的Faster R-CNN模型，該模型結(jié)合了殘差網(wǎng)絡(luò)Resnet50和特征金字塔網(wǎng)絡(luò)（FPN），并對區(qū)域建議網(wǎng)絡(luò)（RPN）的錨點尺度進行了優(yōu)化。這一方法在小目標(biāo)檢測方面表現(xiàn)出色，能夠識別出大部分的厚垣孢子。該研究為雙孢菇生產(chǎn)中惡性毛殼菌的早期檢測提供了一種創(chuàng)新方法。