基于植物病菌智能孢子捕捉分析系统的橡胶树白粉病监测

施泽坤， 徐鑫泽， 王 晖， 刘文波， 王焕惟， 许沛冬， 缪卫国

(1. 热带农林生物灾害绿色防控教育部重点实验室/海南大学植物保护学院，海南海口 570228；2.海南大学信息与通信工程学院，海南海口 570228)

病菌孢子的捕捉和统计是判断病害发生时间和发病程度的重要依据[1]，以往捕捉和计数病菌孢子的方法是用人工添加载玻片等方式的孢子捕捉器进行捕捉取样，然后将载玻片带回实验室用显微镜进行观测、识别和计数，耗时耗力。人们不断力图研发并改进具有采集远程控制、自动捕获、自动显微对焦成像、数字化图像网络传输等智能化的孢子捕捉分析系统，这方面研究已成为当前的热点，如针对小麦气传真菌病害孢子捕捉，就实现了较为智能化的孢子捕捉与智能识别，但仍需进行人工识别和计数，因此需要进一步提高孢子捕捉识别技术水平，应用于病害的监测与防控。

孢子捕捉设备是有效捕捉孢子的重要工作之一，国内外研究主要把气传真菌孢子捕捉的原理分为被撞击式和主动吸入式[2-3]2种，其中水平玻片式和旋转胶棒式孢子捕捉器为被动撞击式孢子捕捉方法，移动式孢子捕捉器、便携式孢子捕捉器、定容式孢子捕捉器和气旋式孢子捕捉器等为主动吸入式孢子捕捉方法[4]；当前应用比较广泛的为定容式孢子捕捉器[5]，在此基础上改装研发的植物病菌智能孢子捕捉分析系统已经具有气流定量、定时采集、自动培养、自动拍照、无线传输等功能。孢子捕捉设备除了能捕捉采集图像信息外，还需要图像识别处理技术，才能有效节省人力，缩短识别时程，这就要涉及图像识别技术；计算机视觉的图像识别技术在病虫害识别上已经被广泛研究[6]，基于图像识别技术对病原菌孢子进行检测，具有快速、精准、高效等特点[7]。现阶段目标检测算法取得了很大的突破，主流的算法主要分为2类，一类是基于Region Proposal的R-CNN系算法(R-CNN，Fast R-CNN，Faster R-CNN)，准确度高、速度慢；另一类是YOLO，SSD仅仅使用一个CNN网络直接预测不同目标的类别与位置，速度快、准确性要低一些。YOLO算法速度快且结构简单，是常用的目标检测算法，YOLO版本经过不断发展完善已经演进至YOLOv5。除了在人脸识别、多目标追踪、行人重识别(ReID)、客流统计等大目标的应用成熟外，还应用于白细胞、毫米波图像[8-9]等小目标的检测，针对橡胶树白粉病菌孢子等以小目标为主的YOLO图像检测方法还未见报道。YOLOv5是一种端到端目标检测算法，该算法在YOLOv4的基础上进行一些新的改进，使其速度与精度都得到了极大的提升[10-14]。YOLOv5的检测速度快，每幅图片的推理时间达到0.007 s，即140 frame/s[15]。YOLOv5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 4个官方模型版本，其中YOLOv5x的网络深度及特征图宽度最大、AP精度最高，但消耗速度最多，适用于识别检测小型目标。本研究以植物病菌智能孢子捕捉分析系统对橡胶树白粉病菌孢子小目标进行识别检测，故选择YOLOv5x模型。天然橡胶是我国的战略资源[16]。白粉病(Erysiphequercicola)是我国橡胶树种植区主要的流行性病害之一[17]，以分生孢子形式，借助气流传播扩散[18]。如何精准监测橡胶树白粉病是有效防控该病的重要内容。本研究基于植物病菌智能孢子捕捉分析系统对橡胶树白粉病菌孢子定时定量采集、自动显微对焦成像、网络在线实时传输，利用改进YOLOv5x算法改良植物病菌智能孢子捕捉分析系统，自动识别统计捕捉获取的橡胶树白粉病菌孢子图像，以期为精准监测该病害发生规律以及制定有效防控策略提供理论依据。

改良后的植物病菌智能孢子捕捉分析系统能自动捕捉识别统计橡胶树白粉病菌的孢子数量，对橡胶树白粉病的发病情况与孢子数量动态变化的关系进行分析，孢子数量动态能反映当地病情，提高了监测效率，能有效节省人力物力，可为橡胶树白粉病预测预报提供数据支撑。

1 材料与方法

1.1 材料

1.1.1 橡胶树白粉病菌孢子图像数据集 在2020年1—7月，在橡胶树林段(109°48′ 61″E，19°49′ 91″N)用便携式孢子捕捉器(浙江托普云农科技股份有限公司)收集孢子，根据用BX53显微镜系统(Olympus公司)500万像素光学放大200倍采集到孢子图像背景复杂程度，把采集的孢子图像分类为干净、一般和复杂3种情况(图1)。

1.1.2 橡胶树白粉病监测供试设备及参数 便携式孢子捕捉器(浙江托普云农科技股份有限公司生产)，主要技术参数为集气口风速0.3～5 m/s 连续可调，载玻片规长76.2 mm×宽 25.4 mm。植物病菌智能孢子捕捉分析系统(河南云飞科技发展有限公司生产)，主要技术参数为采集流量120 L/min，采集时间1～160 min可调，载玻片可自动更换，实测可采集面积长50 mm×宽 8 mm，500万像素光学放大200倍，具有气流定量、定时采集、自动培养、自动拍照、无线传输等功能。

1.2 方法

1.2.1 橡胶树白粉病菌孢子识别模型训练 模型训练框架结构见图2，输入预处理后的图片数据，使用YOLOv5x检测算法，通过对不同类型附着背景的孢子图像训练模型的训练，得到训练好的检测模型，测试相应的孢子标识，选择置信度最高的边框输出，以便完成基于YOLOv5x 的橡胶树白粉菌孢子识别统计。

首先进行算法运行环境及数据的标注，模拟训练使用PyTorch0.4.0深度学习框架，在图灵显卡Tesla T4上完成训练及测试，软件平台采用Ubuntu 18.04操作系统下的Pytorch深度学习框架和CUDA10.0并行计算构架。用labelimg图像标注工具对数据进行框选标注，标注范例见图3，训练数据集为1 000张标注的图片。训练数据集包含不同环境附着背景、不同孢子大小、不同孢子时期和不同饱和度的图片样本作为增强数据，取300张图片当作测试用的数据集。根据YOLO系列算法训练集格式要求，将数据集标注格式全部转化为VOC格式，并按照9 ∶1 的比例区分训练集、测试集。

其次对YOLOv5x算法的损失函数和Deepsort算法进行改进，YOLOv5x原始模型采用的是GIoU损失函数，其相比原始IoU损失函数增加了错误框选的惩罚，对不同比例的检测框架可在训练过程中提供出色的检测[19]。重叠面积、中心点距离、长宽比的3个几何函数对于目标框回归函数尤其重要，GIOU_Loss在相对位置区分关系以及最小化预测框和目标框之间的归一化距离回归相对较差，因此需对损失函数进行改进。将其改进成DIOU_Loss[20]，进一步提高了相对位置区分以及最小化预测框和目标框之间的归一化距离检测效果，提高识别精度。对损失函数改进的模型和代码依照https：//github.com/Zzh-t ju/DIoU该网址里面的开源算法。

为更好地处理目标重叠及被长时间遮挡的情况，在原有YOLOv5x检测器的基础上对detect函数加入了部分Deepsort算法加以改进。步骤1：给定原始帧；步骤2：运行YOLOv5x目标检测器进行检测，得到目标检测框；步骤3：去除目标帧中所有对应的目标并执行提取功能(包括表观或运动特征)；步骤4：进行相似度计算，计算目标前后2幅图像的重合度(通过比较相同目标之间的距离)、不同目标之间的相对较小和较大的距离；步骤5：关联数据并为每个对象分配目标ID。添加Deepsort算法进一步提高了针对孢子等小目标的识别精度。

最后在训练过程中采用YOLOv5x官方权重参数，结合样本识别分类需求，调整模型输出层参数。基于改进的YOLOv5x算法对模型进行训练，训练参数设置见表1。训练过程以每10次为迭代周期，输出1次模型，对测试集图像进行识别处理。以平均精度均值(mAP)作为评价指标，选择具有最高精度的模型作为最优模型输出。整体算法结构见图4。

表1 训练参数

1.2.2 系统完善 为进一步完善植物病菌智能孢子捕捉分析系统孢子识别统计流程，基于qyqt5库使用qt designer工具制作前端界面，设置4个按钮，使用pyuic转化为python编程语言代码，并在代码中设置信号和槽函数，分别连接文件夹选择函数、文件选择函数、YOLOv5x图像检测函数。先通过“选择文件夹”或“选择单张图片”获取目标位置，再在点击“运行”按钮后将文件位置作为参数传给YOLOv5x目标检测函数，检测框如图5所示。

1.2.3 病害调查及捕捉孢子的动态监测 试验地点：橡胶树林段1(109°48′ 61″E，19°49′91″N)、橡胶树林段2(109°48′36″E，19°49′89″N)、橡胶树林段3(109°49′19″E，19°51′71″N)。

试验时间：试验时间分橡胶树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，利用便携式孢子捕捉器分别放置于3个林段，植物病菌智能孢子捕捉分析系统放置于橡胶树林段3，定时定点对林区白粉病菌孢子进行收集，并对橡胶树林段的发病情况、气象情况(阴雨天气记录)、发病等级进行调查统计。

病情指数=∑(各病级叶片数×相应病级数)/(调查总叶片数×5)×100%。

2 结果与分析

2.1 YOLOv5x算法改进后对橡胶树白粉病孢子识别效果

人工采样3组在不同环境下得到的橡胶树白粉菌图像，分别选择附着背景简单、一般和复杂的图像各100张，使用训练得到的模型进行对照试验，测试模型效果。以人工识别橡胶树白粉菌计数结果为参考，对YOLOv5x和改进YOLOv5x识别统计结果进行评价。以2个模型对橡胶树白粉菌总数的识别数量与人工识别数量的比值，作为橡胶树白粉菌总体计数精度。统计结果见表2，可见传统YOLOv5x的mAP值为90.1%，经过改进的YOLOv5x的mAP值为93.9%，提高了3.8百分点，且改进后的算法检测效率与传统算法基本相同，载入模型后单幅图像平均检测时间8 ms。YOLOv5x模型改进后，对于橡胶树白粉菌的计数精度均得到改善。

表2 改进前后算法性能对比

为了验证改进前后的模型在植物病菌智能孢子捕捉分析系统应用的精确度，用橡胶树白粉病菌孢子识别与统计软件对植物病菌智能孢子捕捉分析系统和便携式孢子捕捉器在林间采集的不同背景橡胶树白粉菌孢子图片，进行识别计数，对比其精确度(表3)。改进后模型的精确度分别为91.0%、96.2%、98.4%，其平均识别精度为95.2%，比改进前平均识别精度(91.5%)提高了3.7百分点，识别效果见图6。说明利用改进YOLOv5x算法可以对捕获的橡胶树白粉病菌孢子图像自动识别统计准确率较高，能应用于橡胶树白粉病的监测，弥补需人工进行识别和计数费时费力的不足。

表3 算法性能对比

2.2 橡胶树白粉病病情及捕捉分生孢子的动态监测

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，经过人工调查橡胶树白粉病病情指数为0，应用植物病菌智能孢子捕捉分析系统和便携式孢子捕捉器结合橡胶树白粉病菌孢子识别与统计软件没有监测到橡胶树白粉病菌分生孢子；在2021年2月20日至2021年5月29日，橡胶树白粉病从始病期到发病盛期再到衰退期监测到橡胶树白粉病菌分生孢子的数量动态变化趋势基本与病情指数的动态变化趋势一致(图7、图8、图9、图10)。3个林段便携式孢子捕捉器和植物病菌智能孢子捕捉分析系统捕捉孢子数量与病情指数呈正相关，相关系数R分别为0.77、0.80、0.79、0.79，为正相关(表4)。对数据进行校正，除去阴雨天气2021年3月21日、3月23日、4月6日、4月17日4 d的数据外，林段2便携式孢子捕捉器捕捉的孢子数量与病情指数的关系为0.95，存在显著相关，林段1便携式孢子捕捉器、林段3便携式孢子捕捉器和植物病菌智能孢子捕捉分析系统校正后捕捉孢子数量与病情指数的相关系数分别为0.91、0.94、0.94，存在高度相关关系(表4)。分析结果表明，植物病菌智能孢子捕捉分析系统与便携式孢子捕捉器对橡胶树白粉病的监测效果一致，设备运行较为稳定；阴雨天气条件下不利于橡胶树白粉病菌孢子的收集，会降低孢子数量变化与病情指数的相关性；应用植物病菌智能孢子捕捉分析系统结合改进YOLOv5x算法开发的橡胶树白粉病菌孢子识别与统计软件监测到的孢子数量动态能反映当地病情，对橡胶树白粉病的流行预测具有指导作用，提高对橡胶树白粉病的监测效果，弥补了人工识别统计费时费力的缺陷；但是当前只能解决橡胶树白粉病菌孢子的识别统计问题，在对林间发病情况进行调查时仍需人工对叶片进行病害等级识别和划分，后期结合改进YOLOv5算法能够对叶片病害进行识别，因此改良后的植物病菌智能孢子捕捉分析系统在橡胶树白粉病的监测应用上仍存在一定的问题。

表4 橡胶树白粉病菌孢子自动识别统计与病情指数的相关性分析

3 结论与讨论

余卓桐等利用孢子捕捉器对橡胶树白粉病菌空中孢子量的变化进行识别和计数，用于橡胶树白粉病预测模式的研究[21]；黄文成应用孢子捕捉器预测橡胶树指导防治白粉病，代替了人工钩叶调查，省时省力[22]；范会雄应用孢子捕捉器在橡胶树白粉病预测预报和防治上的应用相比传统测报法省工、准确，防治成本低，防治效果好[23]；李德威等应用捕孢法预测橡胶树白粉病，确定了橡胶树白粉病菌孢子捕捉的最佳时间为14：00—16：00[24]，但需人工进行孢子的识别和计数，对监测的人员素质要求较高。YOLO系列模型具有实时检测精度高、速度快和实用性强等特点，王宇宁等基于YOLO算法对交通监控中的车辆进行检测，结果查准率为89.3%，查全率为81.0%，检测速度达到60 帧/s，满足了对车辆检测的要求[25]。高宗等通过研究改进YOLO在行人检测上降低了漏检率和误检率，有较高的准确度[26]。魏湧明等改进了YOLOv2网络，对无人机航拍图像定位的mAP值为79.5%，定位准确率达到84%以上[27]。由于小目标特征值不显著、像素低等特点导致其检测率低，鞠默然等对YOLOv3算法进行改进研究，结果表明能提高小目标的检测率、召回率和平均准确率[28]。随着版本的不断改进，YOLO模型对小目标的检测率越来越高，性能逐步提升。改进后YOLOv5x最优识别统计模型的平均精度均值(mAP)为93.9%，对从橡胶树林间采集的3种附着背景的白粉病菌孢子图像进行识别，结果显示精准度为91.0%、96.2%、98.4%，可用于橡胶林白粉病菌孢子的识别统计。

当前对空气中病原菌数量的检测和数量的统计是植物病害流行分析和预测的重要部分，国内外对孢子图像处理和植物病害识别的研究与应用尚不完善，对病原菌的检测识别和统计手段主要以人工为主，难以满足对病原菌实时监测的需求[29]。随着旋转式电动空中孢子捕捉器[30]、全自动吸入式长效孢子收集器、移动式孢子捕捉器[31]再到一体化智能孢子捕捉系统[32]设备的更新和完善，对基于病原菌孢子捕捉而建立的病害监测预警体系研究愈发成熟，预测结果和实际发病情况高度吻合[33]。植物病菌智能孢子捕捉分析系统结合改进YOLOv5x算法针对橡胶树白粉病的图像识别处理技术的应用从发病初期就能捕捉到橡胶树白粉病菌孢子，随着病情指数的提高，捕捉的孢子数量也在增加，研究发现橡胶树白粉病田间病情指数与捕捉的孢子数量强相关的结果与刘伟等研究结论[34]一致。

应用植物病菌智能孢子捕捉分析系统对橡胶树白粉病的监测实现了橡胶树白粉病菌孢子的自动采集、图像自动获取、网络传输、孢子量的自动识别统计，提高了对橡胶树白粉病的监测效率，可为后期橡胶树白粉病预测预报提供技术支撑。应用植物病菌智能孢子捕捉分析系统结合改进YOLOv5x算法对橡胶树白粉菌进行监测为植物病菌智能孢子捕捉分析系统采集的橡胶树白粉病菌孢子图像特征值单一、目标较小、附着背景复杂而导致的检测率低提供了改进方案，解决了从橡胶林间采集橡胶树白粉病菌孢子后到用显微镜对其进行检测识别和统计的人工费时费力操作，进一步提升对林间橡胶树白粉病菌孢子的监测效率。该监测装置只能反映当前的病害情况，要准确对橡胶树白粉病的流行和发生进行预测预报还应结合林间气象条件、物候、病原菌生物学特性等相关因素进行研究。