應用方向

顯微高光譜成像系統(tǒng)被成功應用于土壤中 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支撐。該設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)測的效率與準確性。通過結合高光譜成像與AI算法（如Faster R-CNN等深度學習檢測模型），該系統(tǒng)能夠對復雜背景下的微小結構進行自動識別、目標定位與類別判斷，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)構成嚴重威脅。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先進技術，具備非接觸、高分辨率、無染料標記等優(yōu)點，已廣泛應用于生物醫(yī)學、食品安全和農(nóng)業(yè)病蟲害檢測等領域。其在土壤樣本中對微小目標物（如孢子）的高精度識別方面展現(xiàn)出巨大潛力。結合深度學習模型進行圖像智能識別與分類，有望打破傳統(tǒng)識別技術的瓶頸，為土壤中Mycogone perniciosa孢子的早期、快速、準確檢測提供有效解決方案。

作者信息：介鄧飛，福建農(nóng)林大學機電工程學院，碩士生導師

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，作者提出了一種結合顯微高光譜成像技術（HMI）與改進型深度學習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。在模型構建方面，基于YOLOv5網(wǎng)絡框架進行改進：引入輕量級注意力機制（CA模塊）增強特征表達能力，融合BiFPN結構提升多尺度目標檢測效果，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確性。

實驗設計

本研究所用的Mycogone perniciosa厚垣孢子來源于中國農(nóng)業(yè)科學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)（結構如圖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Resnet50與特征金字塔網(wǎng)絡（FPN）集成到區(qū)域提議網(wǎng)絡（RPN）和區(qū)域卷積神經(jīng)網(wǎng)絡（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的檢測精度。此外，為適應高光譜圖像的特性，研究對網(wǎng)絡結構進行了輕量化處理，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檢測任務。

圖2. 惡性毛殼菌厚垣孢子目標檢測的流程圖。

在進行圖像數(shù)據(jù)標注時，準確區(qū)分厚垣孢子與雜質(zhì)顆粒是關鍵步驟。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)則圓形結構（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)學差異為人工標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，通過主成分分析（PCA）方法提取前三個主成分，將其構建為偽彩色圖像，用于網(wǎng)絡輸入。然后，研究人員采用手工標注方式對孢子目標進行邊界框標記，將數(shù)據(jù)集按9：1的比例分成訓練集和測試集，訓練過程中再按8：2的比例將訓練集進一步分成訓練集和測試集進行模型訓練和驗證。為了全面衡量目標檢測效果，本文采用了Precision（精確率）、Recall（召回率）、平均查準率（AP）作為評價模型性能的指標。IOU度量預測框和目標框之間的重疊。網(wǎng)絡模型通常會設置一個閾值，如果IOU超過閾值，則認為預測框是正確的。該研究將IOU閾值設置為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，分別對應于區(qū)域提議網(wǎng)絡（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（RPN）中：分類損失使用交叉熵損失（Cross Entropy Loss）函數(shù)，用于判斷錨框（anchor）是否包含目標；回歸損失則采用平滑 L1 損失（Smooth L1 Loss）函數(shù)，衡量預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：同樣使用交叉熵損失進行分類；并繼續(xù)使用平滑 L1 損失對邊界框坐標進行回歸優(yōu)化。這些損失函數(shù)共同構成了模型的總損失函數(shù)，指導整個檢測網(wǎng)絡在訓練過程中不斷優(yōu)化其分類準確率和定位精度。通過聯(lián)合優(yōu)化分類與回歸任務，模型能夠更有效地學習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。此外，YOLOv3模型作為一種典型的單階段目標檢測算法，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練和測試過程中的消融研究結果。表1中的數(shù)據(jù)顯示，以Resnet50-FPN作為特征提取網(wǎng)絡的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)絡的原始Faster R-CNN模型高出5.41%和4.78%。而當以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檢測的有效性；（2）圖3(e)表明當孢子存在堆疊現(xiàn)象時，模型會出現(xiàn)重復識別，檢測準確率從非堆疊狀態(tài)的99%降至64%，這主要由于孢子堆疊導致其完整結構被遮擋；（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試劑而未進行染色處理，導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)生了重復識別的情況；(f) 顯示了厚垣孢子的誤檢和漏檢情況。

結論

本研究采用顯微高光譜成像技術，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，該模型結合了殘差網(wǎng)絡Resnet50和特征金字塔網(wǎng)絡（FPN），并對區(qū)域建議網(wǎng)絡（RPN）的錨點尺度進行了優(yōu)化。這一方法在小目標檢測方面表現(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。