灰霉病害一直是影响黄瓜产量和质量的一个重要因素，借助计算机视觉技术研究蔬菜病害问题已成为热点课题。随着计算机视觉技术的迅速发展，自然光条件下病害已经实现了快速、无损地识别，但是还不能对未显现病症的病害早期侵染特征有效精准识别和量化分析。灰霉病害是由灰霉病菌侵染寄主蔬菜发生的，灰霉病菌孢子检测对于蔬菜灰霉病害早期诊断与防控具有重要意义。

传统的显微镜观察和分子生物学病菌孢子检测方法主要依赖于人工识别，效率低下，耗时费力，且要求专业人员持续观察。实验室背景下，图像处理方法也可以很好地检测出未粘附的孢子。然而，这些方法取决于特定对象的特征类型，在复杂多粘附情况下无法鲁棒、准确地检测孢子。

深度学习方法的发展及其逐渐应用，改变了从图像数据中提取特征的过程，并且深度学习方法具有更强的稳健性和处理速度，在植物表型分析中展现出巨大潜力。但是，实际采集到的病菌孢子显微图像中存在复杂噪声，且病原孢子具有多态性、目标物比较小、遮挡等系列问题，给实际应用带来巨大挑战。

近日，Plant Phenomics在线发表了中国农业大学与天津市农业科学院合作的题为The Gray Mold Spore Detection of Cucumber Based on Microscopic Image and Deep Learning 的研究论文。

针对孢子的多态性、小目标和遮挡的问题，论文从增强模型的特征提取能力和融合多尺度特征角度，同时缩减模型尺寸，提出了一种基于改进的MG-YOLO的黄瓜灰霉病菌孢子检测方法（图1），提高了复杂背景下灰霉病菌孢子的检测精度。该研究采集到886张灰霉病菌孢子显微图像，并使用LabelImg标注每个灰霉病菌孢子的外接矩形框作为真实标签，共标记了31303个灰霉病菌孢子，进而构建数据集。

该方法具体做出了如下贡献：（1）在特征提取网络中引入多头自注意力（Multi-head self-attention）捕捉病菌孢子全局信息，并对卷积捕获的特征图中的信息进行处理和聚合，减少小目标和遮挡孢子的漏检情况；（2）借助加权机制，通过加权双向特征金字塔网络（BiFPN）对横向连接与自顶向下结构的特征进行加权融合，提高对复杂背景下多形态病菌孢子的检测精度；（3）通过Ghost模块构建轻量化颈部，减少模型尺寸，提高了病菌孢子的检测速度；（4）通过消融实验，并与多种一阶段、两阶段检测模型比较，证明了MG-YOLO对灰霉病菌孢子检测的有效性及对不同场景下病菌孢子检测的鲁棒性。

图1MG-YOLO的网络架构

实验结果表明：提出的MG-YOLO能够提升灰霉病菌孢子的检测精度，最终检测精度达到0.983，每张图像的检测时间为0.009s。MG-YOLO的灰霉病菌孢子检测结果优于Faster R-CNN、RetinaNet、YOLOv3、Dynamic R-CNN、YOLOv5和YOLOX。检测结果的可视化如图2，MG-YOLO能够有效应对模糊、小目标、多形态、遮挡场景下的孢子检测问题，表明论文提出的方法具有鲁棒性，能够实现不同情况下的灰霉菌孢子的高精度检测。

图2 不同情况下的灰霉病菌孢子检测结果，（a）至（c）分别表示模糊、多形态和遮挡情况下的灰霉病菌孢子。

作者介绍

论文链接：

‍https://spj.science.org/doi/10.34133/plantphenomics.0011

——推荐阅读——

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网络的小苹果检测模型

Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline

https://doi.org/10.34133/2022/9758‍532

Plant Phenomics | 基于深度学习的微根管图像自动化分析方法

加入作者交流群