应用方向

显微高光谱成像系统被成功应用于土壤中 Mycogone perniciosa（恶性伞壳霉）厚垣孢子的高精度检测，为农业病害早筛提供了技术支撑。该设备具备微米级空间分辨率与400–1000 nm连续光谱采集能力，可在无需染色或标记的情况下识别微小病原体，极大提升了病害监测的效率与准确性。通过结合高光谱成像与AI算法（如Faster R-CNN等深度学习检测模型），该系统能够对复杂背景下的微小结构进行自动识别、目标定位与类别判断，克服传统显微镜在识别精度和批量处理方面的局限。

背景

Mycogone perniciosa（恶性伞壳霉）是引起蘑菇畸形病的主要病原菌之一，属于重要的土传病原真菌。其在生产过程中具有*强的隐蔽性和传播性，能够长期潜伏于土壤中，以休眠孢子的形式存在，一旦遇到适宜环境即迅速发病，对食用菌产业构成严重威胁。传统的检测方法如显微镜人工识别和培养分离不仅操作繁琐、耗时长、依赖经验，且检测灵敏度较低，难以实现对大量样本的快速高效筛查。因此，亟需一种灵敏度高、效率高、自动化程度强的新型检测手段。

显微高光谱成像（Hyperspectral Microscopic Imaging, HMI）作为融合图像空间信息与光谱信息的先进技术，具备非接触、高分辨率、无染料标记等优点，已广泛应用于生物医学、食品安全和农业病虫害检测等领域。其在土壤样本中对微小目标物（如孢子）的高精度识别方面展现出巨大潜力。结合深度学习模型进行图像智能识别与分类，有望打破传统识别技术的瓶颈，为土壤中Mycogone perniciosa孢子的早期、快速、准确检测提供有效解决方案。

作者信息：介邓飞，福建农林大学机电工程学院，硕士生导师

期刊来源：European Journal of Agronomy

研究内容

本研究旨在实现对土壤中恶性伞壳霉厚垣孢子的快速、自动化检测，解决传统检测方法效率低、误判率高、依赖人工经验等问题。为此，作者提出了一种结合显微高光谱成像技术（HMI）与改进型深度学习检测模型的孢子识别方法。研究首先利用高光谱显微系统对土壤样本中目标孢子进行成像，获取融合空间与光谱信息的图像数据；接着，通过主成分分析（PCA）降维处理，提取具有代表性的高光谱伪彩图像。在模型构建方面，基于YOLOv5网络框架进行改进：引入轻量级注意力机制（CA?？椋┰銮刻卣鞅泶锬芰Γ诤螧iFPN结构提升多尺度目标检测效果，并使用CIoU损失函数优化边界框回归性能。改进模型可对输入图像中孢子目标进行高效检测与识别。所提方法在检测精度、召回率及推理速度等方面均优于原始YOLOv5模型，有效提升了土壤中孢子的检测效率与准确性。

实验设计

本研究所用的Mycogone perniciosa厚垣孢子来源于中国农业科学院植物保护研究所的病原菌株。首先将其接种于马铃薯葡萄糖琼脂（PDA）培养基上，在25℃恒温培养箱中培养10天，获得大量孢子。然后将培养皿表面形成的孢子轻轻刮取并置入1 mL无菌水中，充分震荡混匀，形成孢子悬浮液。再向每个处理组土壤中分别加入适量的孢子悬浮液，使其混合均匀。随后将土壤样品取出放置在载玻片上，并在自然光下进行空气干燥，以备后续成像实验。

本研究采用由光学显微镜（BX53，Olympus）与高光谱成像系统（GaiaField Pro-V10E，江苏双利合谱科技有限公司）组成的显微高光谱成像系统（结构如图1所示）。该系统通过无线传输?？橛爰扑慊迪滞枷癫杉刂疲涔馄追段?00-1000 nm，光谱分辨率为2.8 nm。为适配厚垣孢子尺寸，显微镜配置10倍物镜（目镜1×，物镜10×）进行观测，高光谱相机曝光时间设置为7.9 ms。系统空间检测像素为960，光谱成像波段176个，每次扫描890行，因此高光谱图像维度为960×890×176。本研究共计采集1023幅有效图像。

图1. 显微高光谱成像系统

研究方法

由于环境噪声以及系统光源、光路元件、传感器等性能的影响，显微高光谱成像系统获取的原始图像数据不可避免地包含各种干扰，原始显微高光谱图像在不同的光谱波段上表现出不同的信息含量，为了获得高信息含量的图像波段，剔除了异常谱带，保留了430 -720 nm范围内的91个谱带，以供进一步研究。之后使用黑白校准算法对采集的图像进行去噪和辐射校正，提高成像质量。针对高光谱图像数据量大、数据冗余和多重共线性等问题，采用主成分分析（PCA）方法将高维数据投影到低维数据上，通过主成分分析（PCA）降维，前三个主成分（PC1、PC2和PC3）包含了95%以上的信息，因此选择这三个主成分作为厚垣孢子检测模型的输入。

针对传统Faster R-CNN在小目标检测中特征提取能力不足、潜在特征信息易丢失等问题，本研究提出了一种基于改进Faster R-CNN（Resnet50-FPN）的M. perniciosa厚垣孢子检测方法。该改进模型通过将残差网络Resnet50与特征金字塔网络（FPN）集成到区域提议网络（RPN）和区域卷积神经网络（R-CNN）中，有效提升了厚垣孢子特征提取能力。图2展示了厚垣孢子目标的完整检测流程图。该改进方法通过多层次特征融合与多尺度检测策略，显著提升了微小孢子目标的检测精度。此外，为适应高光谱图像的特性，研究对网络结构进行了轻量化处理，减少参数量与计算开销，同时提升检测速度和效率。通过这些改进，模型在保持高检测精度的同时兼顾了运行效率，适合在显微图像中进行小尺度目标检测任务。

图2. 恶性毛壳菌厚垣孢子目标检测的流程图。

在进行图像数据标注时，准确区分厚垣孢子与杂质颗粒是关键步骤。如图3(a)所示，通过显微图像对比可清晰观察到：厚垣孢子通常呈现半透明的规则圆形结构（直径约5-10μm），而杂质颗粒则多表现为透明度较低的不规则形态（如箭头所示）。这种显著的形态学差异为人工标注提供了可靠的判别依据。

研究以高光谱图像立方体为基础，通过主成分分析（PCA）方法提取前三个主成分，将其构建为伪彩色图像，用于网络输入。然后，研究人员采用手工标注方式对孢子目标进行边界框标记，将数据集按9：1的比例分成训练集和测试集，训练过程中再按8：2的比例将训练集进一步分成训练集和测试集进行模型训练和验证。为了全面衡量目标检测效果，本文采用了Precision（精确率）、Recall（召回率）、平均查准率（AP）作为评价模型性能的指标。IOU度量预测框和目标框之间的重叠。网络模型通?；嵘柚靡桓鲢兄?，如果IOU超过阈值，则认为预测框是正确的。该研究将IOU阈值设置为0.5。

在改进的 Faster R-CNN 模型中，主要包括两个损失函数部分，分别对应于区域提议网络（RPN）和全连接层。每个部分都包括分类损失和回归损失。首先，在区域提议网络（RPN）中：分类损失使用交叉熵损失（Cross Entropy Loss）函数，用于判断锚框（anchor）是否包含目标；回归损失则采用平滑 L1 损失（Smooth L1 Loss）函数，衡量预测边界框与真实框之间的位置差异。其次，在 RoI（Region of Interest）全连接层部分：同样使用交叉熵损失进行分类；并继续使用平滑 L1 损失对边界框坐标进行回归优化。这些损失函数共同构成了模型的总损失函数，指导整个检测网络在训练过程中不断优化其分类准确率和定位精度。通过联合优化分类与回归任务，模型能够更有效地学习到孢子在高光谱图像中的空间位置与类别特征，从而提高整体检测性能。

结果

在本研究中，Faster R-CNN模型分别采用了VGG16、Resnet50以及Resnet50-FPN作为特征提取网络。此外，YOLOv3模型作为一种典型的单阶段目标检测算法，被用作对比模型。表1展示了改进型Faster R-CNN模型与其他模型在训练和测试过程中的消融研究结果。表1中的数据显示，以Resnet50-FPN作为特征提取网络的Faster R-CNN模型，无论输入是主成分（PC）图像还是RGB图像，其平均精度（AP）@0.5均高于基于VGG16和Resnet50的Faster R-CNN模型。具体而言，当以PC图像作为模型输入时，基于Resnet50-FPN的Faster R-CNN模型的AP值分别比以VGG16和Resnet50为骨干网络的原始Faster R-CNN模型高出5.41%和4.78%。而当以RGB图像数据集作为模型输入时，采用Resnet50-FPN作为特征提取网络时，AP值分别比VGG16和Resnet50高出5.46%和2%。

本研究采用103幅显微高光谱图像，对配置五种PRN锚框尺度的Restnet50-FPN模型进行了厚垣孢子实际检测性能测试，结果如图3所示。实验表明：（1）图3(a)-(d)显示该模型能成功检测厚垣孢子，验证了所提方法对小目标检测的有效性；（2）图3(e)表明当孢子存在堆叠现象时，模型会出现重复识别，检测准确率从非堆叠状态的99%降至64%，这主要由于孢子堆叠导致其完整结构被遮挡；（3）图3(f)显示仍存在误检和漏检现象，这是因为本研究为避免使用化学试剂而未进行染色处理，导致背景中其他真菌残留或杂质与厚垣孢子在颜色和纹理上具有相似性。

图3. 基于Resnet50-FPN改进的Faster R-CNN模型的识别结果：(a)-(d) 正确识别；(e) 展示了由于厚垣孢子重叠，检测模型产生了重复识别的情况；(f) 显示了厚垣孢子的误检和漏检情况。

结论

本研究采用显微高光谱成像技术，用于在双孢菇栽培过程中检测土壤中的恶性毛壳菌厚垣孢子。恶性毛壳菌厚垣孢子的频繁检出表明双孢菇感染该病害的风险较高?；谙晕⒏吖馄淄枷瘢岢隽烁慕偷腇aster R-CNN模型，该模型结合了残差网络Resnet50和特征金字塔网络（FPN），并对区域建议网络（RPN）的锚点尺度进行了优化。这一方法在小目标检测方面表现出色，能够识别出大部分的厚垣孢子。该研究为双孢菇生产中恶性毛壳菌的早期检测提供了一种创新方法。