基于植物病菌智能孢子捕捉分析系統的橡膠樹白粉病監測

施澤坤， 徐鑫澤， 王 暉， 劉文波， 王煥惟， 許沛冬， 繆衛國

(1. 熱帶農林生物災害綠色防控教育部重點實驗室/海南大學植物保護學院，海南海口 570228；2.海南大學信息與通信工程學院，海南?？?570228)

病菌孢子的捕捉和統計是判斷病害發生時間和發病程度的重要依據[1]，以往捕捉和計數病菌孢子的方法是用人工添加載玻片等方式的孢子捕捉器進行捕捉取樣，然后將載玻片帶回實驗室用顯微鏡進行觀測、識別和計數，耗時耗力。人們不斷力圖研發并改進具有采集遠程控制、自動捕獲、自動顯微對焦成像、數字化圖像網絡傳輸等智能化的孢子捕捉分析系統，這方面研究已成為當前的熱點，如針對小麥氣傳真菌病害孢子捕捉，就實現了較為智能化的孢子捕捉與智能識別，但仍需進行人工識別和計數，因此需要進一步提高孢子捕捉識別技術水平，應用于病害的監測與防控。

孢子捕捉設備是有效捕捉孢子的重要工作之一，國內外研究主要把氣傳真菌孢子捕捉的原理分為被撞擊式和主動吸入式[2-3]2種，其中水平玻片式和旋轉膠棒式孢子捕捉器為被動撞擊式孢子捕捉方法，移動式孢子捕捉器、便攜式孢子捕捉器、定容式孢子捕捉器和氣旋式孢子捕捉器等為主動吸入式孢子捕捉方法[4]；當前應用比較廣泛的為定容式孢子捕捉器[5]，在此基礎上改裝研發的植物病菌智能孢子捕捉分析系統已經具有氣流定量、定時采集、自動培養、自動拍照、無線傳輸等功能。孢子捕捉設備除了能捕捉采集圖像信息外，還需要圖像識別處理技術，才能有效節省人力，縮短識別時程，這就要涉及圖像識別技術；計算機視覺的圖像識別技術在病蟲害識別上已經被廣泛研究[6]，基于圖像識別技術對病原菌孢子進行檢測，具有快速、精準、高效等特點[7]。現階段目標檢測算法取得了很大的突破，主流的算法主要分為2類，一類是基于Region Proposal的R-CNN系算法(R-CNN，Fast R-CNN，Faster R-CNN)，準確度高、速度慢；另一類是YOLO，SSD僅僅使用一個CNN網絡直接預測不同目標的類別與位置，速度快、準確性要低一些。YOLO算法速度快且結構簡單，是常用的目標檢測算法，YOLO版本經過不斷發展完善已經演進至YOLOv5。除了在人臉識別、多目標追蹤、行人重識別(ReID)、客流統計等大目標的應用成熟外，還應用于白細胞、毫米波圖像[8-9]等小目標的檢測，針對橡膠樹白粉病菌孢子等以小目標為主的YOLO圖像檢測方法還未見報道。YOLOv5是一種端到端目標檢測算法，該算法在YOLOv4的基礎上進行一些新的改進，使其速度與精度都得到了極大的提升[10-14]。YOLOv5的檢測速度快，每幅圖片的推理時間達到0.007 s，即140 frame/s[15]。YOLOv5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 4個官方模型版本，其中YOLOv5x的網絡深度及特征圖寬度最大、AP精度最高，但消耗速度最多，適用于識別檢測小型目標。本研究以植物病菌智能孢子捕捉分析系統對橡膠樹白粉病菌孢子小目標進行識別檢測，故選擇YOLOv5x模型。天然橡膠是我國的戰略資源[16]。白粉病(Erysiphequercicola)是我國橡膠樹種植區主要的流行性病害之一[17]，以分生孢子形式，借助氣流傳播擴散[18]。如何精準監測橡膠樹白粉病是有效防控該病的重要內容。本研究基于植物病菌智能孢子捕捉分析系統對橡膠樹白粉病菌孢子定時定量采集、自動顯微對焦成像、網絡在線實時傳輸，利用改進YOLOv5x算法改良植物病菌智能孢子捕捉分析系統，自動識別統計捕捉獲取的橡膠樹白粉病菌孢子圖像，以期為精準監測該病害發生規律以及制定有效防控策略提供理論依據。

改良后的植物病菌智能孢子捕捉分析系統能自動捕捉識別統計橡膠樹白粉病菌的孢子數量，對橡膠樹白粉病的發病情況與孢子數量動態變化的關系進行分析，孢子數量動態能反映當地病情，提高了監測效率，能有效節省人力物力，可為橡膠樹白粉病預測預報提供數據支撐。

1 材料與方法

1.1 材料

1.1.1 橡膠樹白粉病菌孢子圖像數據集 在2020年1—7月，在橡膠樹林段(109°48′ 61″E，19°49′ 91″N)用便攜式孢子捕捉器(浙江托普云農科技股份有限公司)收集孢子，根據用BX53顯微鏡系統(Olympus公司)500萬像素光學放大200倍采集到孢子圖像背景復雜程度，把采集的孢子圖像分類為干凈、一般和復雜3種情況(圖1)。

1.1.2 橡膠樹白粉病監測供試設備及參數 便攜式孢子捕捉器(浙江托普云農科技股份有限公司生產)，主要技術參數為集氣口風速0.3～5 m/s 連續可調，載玻片規長76.2 mm×寬 25.4 mm。植物病菌智能孢子捕捉分析系統(河南云飛科技發展有限公司生產)，主要技術參數為采集流量120 L/min，采集時間1～160 min可調，載玻片可自動更換，實測可采集面積長50 mm×寬 8 mm，500萬像素光學放大200倍，具有氣流定量、定時采集、自動培養、自動拍照、無線傳輸等功能。

1.2 方法

1.2.1 橡膠樹白粉病菌孢子識別模型訓練 模型訓練框架結構見圖2，輸入預處理后的圖片數據，使用YOLOv5x檢測算法，通過對不同類型附著背景的孢子圖像訓練模型的訓練，得到訓練好的檢測模型，測試相應的孢子標識，選擇置信度最高的邊框輸出，以便完成基于YOLOv5x 的橡膠樹白粉菌孢子識別統計。

首先進行算法運行環境及數據的標注，模擬訓練使用PyTorch0.4.0深度學習框架，在圖靈顯卡Tesla T4上完成訓練及測試，軟件平臺采用Ubuntu 18.04操作系統下的Pytorch深度學習框架和CUDA10.0并行計算構架。用labelimg圖像標注工具對數據進行框選標注，標注范例見圖3，訓練數據集為1 000張標注的圖片。訓練數據集包含不同環境附著背景、不同孢子大小、不同孢子時期和不同飽和度的圖片樣本作為增強數據，取300張圖片當作測試用的數據集。根據YOLO系列算法訓練集格式要求，將數據集標注格式全部轉化為VOC格式，并按照9 ∶1 的比例區分訓練集、測試集。

其次對YOLOv5x算法的損失函數和Deepsort算法進行改進，YOLOv5x原始模型采用的是GIoU損失函數，其相比原始IoU損失函數增加了錯誤框選的懲罰，對不同比例的檢測框架可在訓練過程中提供出色的檢測[19]。重疊面積、中心點距離、長寬比的3個幾何函數對于目標框回歸函數尤其重要，GIOU_Loss在相對位置區分關系以及最小化預測框和目標框之間的歸一化距離回歸相對較差，因此需對損失函數進行改進。將其改進成DIOU_Loss[20]，進一步提高了相對位置區分以及最小化預測框和目標框之間的歸一化距離檢測效果，提高識別精度。對損失函數改進的模型和代碼依照https：//github.com/Zzh-t ju/DIoU該網址里面的開源算法。

為更好地處理目標重疊及被長時間遮擋的情況，在原有YOLOv5x檢測器的基礎上對detect函數加入了部分Deepsort算法加以改進。步驟1：給定原始幀；步驟2：運行YOLOv5x目標檢測器進行檢測，得到目標檢測框；步驟3：去除目標幀中所有對應的目標并執行提取功能(包括表觀或運動特征)；步驟4：進行相似度計算，計算目標前后2幅圖像的重合度(通過比較相同目標之間的距離)、不同目標之間的相對較小和較大的距離；步驟5：關聯數據并為每個對象分配目標ID。添加Deepsort算法進一步提高了針對孢子等小目標的識別精度。

最后在訓練過程中采用YOLOv5x官方權重參數，結合樣本識別分類需求，調整模型輸出層參數?；诟倪M的YOLOv5x算法對模型進行訓練，訓練參數設置見表1。訓練過程以每10次為迭代周期，輸出1次模型，對測試集圖像進行識別處理。以平均精度均值(mAP)作為評價指標，選擇具有最高精度的模型作為最優模型輸出。整體算法結構見圖4。

表1 訓練參數

1.2.2 系統完善 為進一步完善植物病菌智能孢子捕捉分析系統孢子識別統計流程，基于qyqt5庫使用qt designer工具制作前端界面，設置4個按鈕，使用pyuic轉化為python編程語言代碼，并在代碼中設置信號和槽函數，分別連接文件夾選擇函數、文件選擇函數、YOLOv5x圖像檢測函數。先通過“選擇文件夾”或“選擇單張圖片”獲取目標位置，再在點擊“運行”按鈕后將文件位置作為參數傳給YOLOv5x目標檢測函數，檢測框如圖5所示。

1.2.3 病害調查及捕捉孢子的動態監測 試驗地點：橡膠樹林段1(109°48′ 61″E，19°49′91″N)、橡膠樹林段2(109°48′36″E，19°49′89″N)、橡膠樹林段3(109°49′19″E，19°51′71″N)。

試驗時間：試驗時間分橡膠樹白粉病消退期和流行期，消退期2020年8月17日至2021年2月13日、2021年6月5日至2021年8月21每周周六，流行期2021年2月27日至4月5日每2 d 1次， 14：30—16：00，利用便攜式孢子捕捉器分別放置于3個林段，植物病菌智能孢子捕捉分析系統放置于橡膠樹林段3，定時定點對林區白粉病菌孢子進行收集，并對橡膠樹林段的發病情況、氣象情況(陰雨天氣記錄)、發病等級進行調查統計。

病情指數=∑(各病級葉片數×相應病級數)/(調查總葉片數×5)×100%。

2 結果與分析

2.1 YOLOv5x算法改進后對橡膠樹白粉病孢子識別效果

人工采樣3組在不同環境下得到的橡膠樹白粉菌圖像，分別選擇附著背景簡單、一般和復雜的圖像各100張，使用訓練得到的模型進行對照試驗，測試模型效果。以人工識別橡膠樹白粉菌計數結果為參考，對YOLOv5x和改進YOLOv5x識別統計結果進行評價。以2個模型對橡膠樹白粉菌總數的識別數量與人工識別數量的比值，作為橡膠樹白粉菌總體計數精度。統計結果見表2，可見傳統YOLOv5x的mAP值為90.1%，經過改進的YOLOv5x的mAP值為93.9%，提高了3.8百分點，且改進后的算法檢測效率與傳統算法基本相同，載入模型后單幅圖像平均檢測時間8 ms。YOLOv5x模型改進后，對于橡膠樹白粉菌的計數精度均得到改善。

表2 改進前后算法性能對比

為了驗證改進前后的模型在植物病菌智能孢子捕捉分析系統應用的精確度，用橡膠樹白粉病菌孢子識別與統計軟件對植物病菌智能孢子捕捉分析系統和便攜式孢子捕捉器在林間采集的不同背景橡膠樹白粉菌孢子圖片，進行識別計數，對比其精確度(表3)。改進后模型的精確度分別為91.0%、96.2%、98.4%，其平均識別精度為95.2%，比改進前平均識別精度(91.5%)提高了3.7百分點，識別效果見圖6。說明利用改進YOLOv5x算法可以對捕獲的橡膠樹白粉病菌孢子圖像自動識別統計準確率較高，能應用于橡膠樹白粉病的監測，彌補需人工進行識別和計數費時費力的不足。

表3 算法性能對比

2.2 橡膠樹白粉病病情及捕捉分生孢子的動態監測

2020年8月17日至2021年2月13日和2021年6月5日至2021年8月21日，經過人工調查橡膠樹白粉病病情指數為0，應用植物病菌智能孢子捕捉分析系統和便攜式孢子捕捉器結合橡膠樹白粉病菌孢子識別與統計軟件沒有監測到橡膠樹白粉病菌分生孢子；在2021年2月20日至2021年5月29日，橡膠樹白粉病從始病期到發病盛期再到衰退期監測到橡膠樹白粉病菌分生孢子的數量動態變化趨勢基本與病情指數的動態變化趨勢一致(圖7、圖8、圖9、圖10)。3個林段便攜式孢子捕捉器和植物病菌智能孢子捕捉分析系統捕捉孢子數量與病情指數呈正相關，相關系數R分別為0.77、0.80、0.79、0.79，為正相關(表4)。對數據進行校正，除去陰雨天氣2021年3月21日、3月23日、4月6日、4月17日4 d的數據外，林段2便攜式孢子捕捉器捕捉的孢子數量與病情指數的關系為0.95，存在顯著相關，林段1便攜式孢子捕捉器、林段3便攜式孢子捕捉器和植物病菌智能孢子捕捉分析系統校正后捕捉孢子數量與病情指數的相關系數分別為0.91、0.94、0.94，存在高度相關關系(表4)。分析結果表明，植物病菌智能孢子捕捉分析系統與便攜式孢子捕捉器對橡膠樹白粉病的監測效果一致，設備運行較為穩定；陰雨天氣條件下不利于橡膠樹白粉病菌孢子的收集，會降低孢子數量變化與病情指數的相關性；應用植物病菌智能孢子捕捉分析系統結合改進YOLOv5x算法開發的橡膠樹白粉病菌孢子識別與統計軟件監測到的孢子數量動態能反映當地病情，對橡膠樹白粉病的流行預測具有指導作用，提高對橡膠樹白粉病的監測效果，彌補了人工識別統計費時費力的缺陷；但是當前只能解決橡膠樹白粉病菌孢子的識別統計問題，在對林間發病情況進行調查時仍需人工對葉片進行病害等級識別和劃分，后期結合改進YOLOv5算法能夠對葉片病害進行識別，因此改良后的植物病菌智能孢子捕捉分析系統在橡膠樹白粉病的監測應用上仍存在一定的問題。

表4 橡膠樹白粉病菌孢子自動識別統計與病情指數的相關性分析

3 結論與討論

余卓桐等利用孢子捕捉器對橡膠樹白粉病菌空中孢子量的變化進行識別和計數，用于橡膠樹白粉病預測模式的研究[21]；黃文成應用孢子捕捉器預測橡膠樹指導防治白粉病，代替了人工鉤葉調查，省時省力[22]；范會雄應用孢子捕捉器在橡膠樹白粉病預測預報和防治上的應用相比傳統測報法省工、準確，防治成本低，防治效果好[23]；李德威等應用捕孢法預測橡膠樹白粉病，確定了橡膠樹白粉病菌孢子捕捉的最佳時間為14：00—16：00[24]，但需人工進行孢子的識別和計數，對監測的人員素質要求較高。YOLO系列模型具有實時檢測精度高、速度快和實用性強等特點，王宇寧等基于YOLO算法對交通監控中的車輛進行檢測，結果查準率為89.3%，查全率為81.0%，檢測速度達到60 幀/s，滿足了對車輛檢測的要求[25]。高宗等通過研究改進YOLO在行人檢測上降低了漏檢率和誤檢率，有較高的準確度[26]。魏湧明等改進了YOLOv2網絡，對無人機航拍圖像定位的mAP值為79.5%，定位準確率達到84%以上[27]。由于小目標特征值不顯著、像素低等特點導致其檢測率低，鞠默然等對YOLOv3算法進行改進研究，結果表明能提高小目標的檢測率、召回率和平均準確率[28]。隨著版本的不斷改進，YOLO模型對小目標的檢測率越來越高，性能逐步提升。改進后YOLOv5x最優識別統計模型的平均精度均值(mAP)為93.9%，對從橡膠樹林間采集的3種附著背景的白粉病菌孢子圖像進行識別，結果顯示精準度為91.0%、96.2%、98.4%，可用于橡膠林白粉病菌孢子的識別統計。

當前對空氣中病原菌數量的檢測和數量的統計是植物病害流行分析和預測的重要部分，國內外對孢子圖像處理和植物病害識別的研究與應用尚不完善，對病原菌的檢測識別和統計手段主要以人工為主，難以滿足對病原菌實時監測的需求[29]。隨著旋轉式電動空中孢子捕捉器[30]、全自動吸入式長效孢子收集器、移動式孢子捕捉器[31]再到一體化智能孢子捕捉系統[32]設備的更新和完善，對基于病原菌孢子捕捉而建立的病害監測預警體系研究愈發成熟，預測結果和實際發病情況高度吻合[33]。植物病菌智能孢子捕捉分析系統結合改進YOLOv5x算法針對橡膠樹白粉病的圖像識別處理技術的應用從發病初期就能捕捉到橡膠樹白粉病菌孢子，隨著病情指數的提高，捕捉的孢子數量也在增加，研究發現橡膠樹白粉病田間病情指數與捕捉的孢子數量強相關的結果與劉偉等研究結論[34]一致。

應用植物病菌智能孢子捕捉分析系統對橡膠樹白粉病的監測實現了橡膠樹白粉病菌孢子的自動采集、圖像自動獲取、網絡傳輸、孢子量的自動識別統計，提高了對橡膠樹白粉病的監測效率，可為后期橡膠樹白粉病預測預報提供技術支撐。應用植物病菌智能孢子捕捉分析系統結合改進YOLOv5x算法對橡膠樹白粉菌進行監測為植物病菌智能孢子捕捉分析系統采集的橡膠樹白粉病菌孢子圖像特征值單一、目標較小、附著背景復雜而導致的檢測率低提供了改進方案，解決了從橡膠林間采集橡膠樹白粉病菌孢子后到用顯微鏡對其進行檢測識別和統計的人工費時費力操作，進一步提升對林間橡膠樹白粉病菌孢子的監測效率。該監測裝置只能反映當前的病害情況，要準確對橡膠樹白粉病的流行和發生進行預測預報還應結合林間氣象條件、物候、病原菌生物學特性等相關因素進行研究。