基于改進(jìn)CenterNet的小麥條銹病菌夏孢子自動(dòng)檢測(cè)方法

雷 雨 周晉兵 何東健 陳 鵬 曾偉輝 梁 棟

(1.安徽大學(xué)農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)國家地方聯(lián)合工程研究中心， 合肥 230601； 2.安徽大學(xué)互聯(lián)網(wǎng)學(xué)院， 合肥 230601；3.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100； 4.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100)

0 引言

條銹病是小麥最主要病害之一[1]，常年在我國西北、西南、華北、長江中下游等冬麥區(qū)和西北春麥區(qū)廣泛流行，該病會(huì)引起小麥大幅減產(chǎn)，甚至絕收，對(duì)小麥安全生產(chǎn)具有重大威脅[2]。小麥條銹病是由條形柄銹菌(Pucciniastriiformisf. sp.tritici)[3]引起，其發(fā)病具有分布廣、流行性強(qiáng)、危害大等特點(diǎn)。首先在田間出現(xiàn)條銹菌源中心，然后借助氣流由發(fā)病中心向周邊擴(kuò)散感染，以條銹病原真菌夏孢子的形態(tài)在異地越夏和越冬，完成條銹病害的周年循環(huán)，并在不同區(qū)域往返流行傳染[4-6]。因此，快速準(zhǔn)確地檢測(cè)出田間空氣中真菌夏孢子數(shù)量，可加強(qiáng)對(duì)小麥條銹病的早期預(yù)測(cè)預(yù)報(bào)，對(duì)于減少經(jīng)濟(jì)損失、控制農(nóng)藥濫用、保證糧食安全具有重要意義。

隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，國內(nèi)外學(xué)者對(duì)真菌孢子識(shí)別已經(jīng)取得了一定的進(jìn)展[7-9]。李小龍等[10]對(duì)小麥條銹病菌夏孢子顯微圖像進(jìn)行基于最近鄰插值法的縮放處理、基于K-means聚類算法的分割處理、形態(tài)學(xué)操作修飾和分水嶺分割等處理，實(shí)現(xiàn)了夏孢子的自動(dòng)計(jì)數(shù)，但當(dāng)孢子大面積重疊時(shí)，算法效率會(huì)降低。齊龍等[11]通過分塊背景提取法校正光照，根據(jù)Canny算子進(jìn)行邊緣檢測(cè)，利用橢圓度、復(fù)雜度和最小外接矩陣寬度等形態(tài)學(xué)特征進(jìn)行分類，最后利用距離變換和改進(jìn)的分水嶺算法對(duì)粘連孢子進(jìn)行檢測(cè)，準(zhǔn)確度達(dá)到了98.5%，但特征提取過程較復(fù)雜。王震等[12]通過提取孢子圖像的梯度方向直方圖特征(HOG特征)作為輸入向量，提出了一種加性交叉核支持向量機(jī)(IKSVM)的稻瘟病孢子檢測(cè)方法，實(shí)現(xiàn)了98.2%的檢測(cè)率，但平均檢測(cè)耗時(shí)需5.5 s。上述研究表明，使用傳統(tǒng)機(jī)器視覺方法檢測(cè)孢子，需預(yù)先針對(duì)孢子圖像提取目標(biāo)特征，然后采用算法進(jìn)行目標(biāo)擬合和檢測(cè)，其特征提取過程較繁雜，費(fèi)時(shí)費(fèi)力。近年來，隨著深度學(xué)習(xí)算法不斷改進(jìn)和計(jì)算機(jī)算力提高，深度學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域得到廣泛應(yīng)用[13-14]。LIANG等[15]對(duì)小麥白粉病孢子采用改進(jìn)U-Net網(wǎng)絡(luò)進(jìn)行圖像分割，分割率達(dá)到了91.4%。姚青等[16]基于改進(jìn)CornerNet自動(dòng)檢測(cè)方法，實(shí)現(xiàn)了對(duì)2種稻飛虱檢測(cè)，平均精確度為95.53%。楊蜀秦等[17]基于改進(jìn)CenterNet模型對(duì)無人機(jī)遙感影像的玉米雄蕊識(shí)別精度達(dá)到了92.4%，檢測(cè)速度達(dá)到了36 f/s。目前國內(nèi)外學(xué)者采用深度學(xué)習(xí)方法檢測(cè)真菌孢子類的研究較少，大部分研究是基于Anchor(錨框)的農(nóng)作物和病蟲害目標(biāo)檢測(cè)，該類方法雖能滿足實(shí)時(shí)檢測(cè)要求，但需預(yù)置錨框的尺寸、比例，大量的錨框會(huì)導(dǎo)致運(yùn)算復(fù)雜度高，影響訓(xùn)練的效率。當(dāng)前以CornerNet[18]、CenterNet[19]為代表的基于Anchor-Free的模型應(yīng)用較為廣泛，其中，CenterNet模型具有擴(kuò)展性強(qiáng)、推理速度快以及檢測(cè)精度高等優(yōu)點(diǎn)，在快速檢測(cè)的同時(shí)識(shí)別準(zhǔn)確率高，具有復(fù)雜背景下微小夏孢子實(shí)時(shí)檢測(cè)識(shí)別的潛力。

針對(duì)顯微圖像中小麥條銹病菌夏孢子自動(dòng)檢測(cè)存在嚴(yán)重的誤檢和漏檢問題，本文擬通過優(yōu)化特征提取網(wǎng)絡(luò)提取目標(biāo)特征，減少網(wǎng)絡(luò)參數(shù)防止過擬合，同時(shí)改進(jìn)CenterNet檢測(cè)框?yàn)閹Ы嵌鹊臋E圓框以增強(qiáng)分割重疊度，提出一種基于改進(jìn)CenterNet模型的小麥條銹病菌夏孢子自動(dòng)檢測(cè)方法。

1 材料與方法

1.1 孢子顯微圖像采集

本研究供試小麥條銹病菌夏孢子于西北農(nóng)林科技大學(xué)小麥抗病種質(zhì)資源創(chuàng)制與利用研究中心東南窯低溫溫室內(nèi)繁育，真菌孢子顯微圖像采用文獻(xiàn)[20]中的小麥條銹病菌夏孢子顯微圖像遠(yuǎn)程采集設(shè)備采集，設(shè)備可自動(dòng)完成取載玻片、涂脂、空中孢子捕捉、孢子顯微圖像采集、載玻片回收等一系列功能，能夠遠(yuǎn)程實(shí)時(shí)采集放大400倍的夏孢子顯微圖像。在實(shí)驗(yàn)室條件下，用洗耳球在采集設(shè)備進(jìn)氣口上方緩慢持續(xù)吹起新鮮的小麥條銹病菌夏孢子，使孢子擴(kuò)散到空氣中，由機(jī)體內(nèi)置風(fēng)扇使捕捉倉內(nèi)形成負(fù)壓，將上方夾帶著孢子的空氣從上到下垂直抽入倉內(nèi)粘附在載玻片上，根據(jù)矩形點(diǎn)陣式采集方法，設(shè)備通過驅(qū)動(dòng)模塊輸出不同的脈沖數(shù)在載玻片中間50 cm×25 cm區(qū)域完成孢子顯微圖像的采集，分辨率為1 024像素×822像素，BMP格式，所采集的部分供試夏孢子原始圖像如圖1所示。

由圖1可以看出：①夏孢子外形似橢圓，個(gè)體小且大小不一。②夏孢子相互粘連現(xiàn)象嚴(yán)重。③由于涂抹凡士林出現(xiàn)的晶體狀雜質(zhì)和空氣中灰塵影響，圖像中存在晶體狀雜質(zhì)和灰塵。上述夏孢子圖像特點(diǎn)為真菌孢子自動(dòng)檢測(cè)增加了難度。獲得的原始孢子顯微圖像經(jīng)過人工挑選和預(yù)處理后，共獲得數(shù)據(jù)集21 420幅。由于經(jīng)預(yù)處理的圖像邊緣會(huì)超出原始圖像，因此，在邊緣填充與凡士林顏色相近的背景，并將圖像分辨率修改為1 366像素×1 366像素，jpg格式。

1.2 數(shù)據(jù)集構(gòu)建與處理

通過統(tǒng)計(jì)，每幅圖像中存在1～50個(gè)夏孢子。當(dāng)孢子數(shù)量增多，大量孢子密集粘連，若使用矩形框標(biāo)注數(shù)據(jù)，會(huì)導(dǎo)致框間重復(fù)交疊，影響檢測(cè)效果。因此，本文使用橢圓框標(biāo)注數(shù)據(jù)集，以減少背景對(duì)分割效果的影響。經(jīng)人工使用帶角度的橢圓框進(jìn)行標(biāo)注，使用18 000幅用于訓(xùn)練，按照8∶2劃分為訓(xùn)練集與驗(yàn)證集，剩余3 420幅作為測(cè)試集。由于使用Via 2.0標(biāo)注的COCO類型數(shù)據(jù)集未保存物體的長短軸長度和角度，因此需對(duì)標(biāo)注數(shù)據(jù)進(jìn)行預(yù)處理。使用保存數(shù)據(jù)的144個(gè)離散點(diǎn)，計(jì)算出橢圓的長短軸長度和旋轉(zhuǎn)角度，最終得到標(biāo)注數(shù)據(jù)格式為bbox[x,y, 2a, 2b, angle]。x和y為橢圓中心點(diǎn)坐標(biāo)，2a和2b為長短軸長度，angle為長軸相對(duì)于X軸正方向的角度，范圍是0°～180°。

2 CenterNet模型構(gòu)建與改進(jìn)

近年來，深度學(xué)習(xí)已在農(nóng)作物識(shí)別和病害檢測(cè)等方面獲得了較好的效果[13,21-23]。基于CenterNet模型[19]具有檢測(cè)速度快、識(shí)別精度高以及泛化能力強(qiáng)等優(yōu)點(diǎn)，具有快速識(shí)別孢子的潛力。夏孢子形態(tài)學(xué)特征為近橢圓或圓形，且孢子易粘連在一起，使用傳統(tǒng)機(jī)器視覺方法進(jìn)行粘連分割難度較大。基于此，本文選擇CenterNet模型進(jìn)行孢子自動(dòng)檢測(cè)方法的研究。

2.1 基于改進(jìn)CenterNet的孢子檢測(cè)網(wǎng)絡(luò)

CenterNet[19]是無錨框模型目標(biāo)檢測(cè)算法的典型代表，與CornerNet[18](檢測(cè)左上角點(diǎn)和右下角點(diǎn))和ExtremeNet[24](檢測(cè)最上、最下、最左、最右、中心點(diǎn))類似，CenterNet通過檢測(cè)物體的中心點(diǎn)和長寬來確定檢測(cè)框的位置、尺寸。模型結(jié)構(gòu)主要包括特征提取網(wǎng)絡(luò)和預(yù)測(cè)頭2個(gè)模塊。第1模塊的特征提取網(wǎng)絡(luò)負(fù)責(zé)提取特征生成特征圖，第2模塊的預(yù)測(cè)頭部分用來預(yù)測(cè)目標(biāo)的熱圖、中心點(diǎn)偏置和預(yù)測(cè)框的長寬。CenterNet模型將目標(biāo)檢測(cè)問題轉(zhuǎn)換為檢測(cè)目標(biāo)中心點(diǎn)問題，檢測(cè)時(shí)通過特征提取網(wǎng)絡(luò)輸出的特征圖經(jīng)過預(yù)測(cè)頭得出檢測(cè)目標(biāo)的中心點(diǎn)位置，并通過偏置量微調(diào)中心點(diǎn)的位置，使預(yù)測(cè)的中心點(diǎn)位置更加準(zhǔn)確。

直接將原始CenterNet模型用于檢測(cè)小麥條銹病菌夏孢子圖像，易出現(xiàn)目標(biāo)孢子的誤檢和漏檢問題。針對(duì)誤檢問題，本研究采用簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)的方式構(gòu)建了參數(shù)更少的特征提取網(wǎng)絡(luò)ResNet10，減少模型的過擬合，降低了誤檢率；針對(duì)漏檢問題，將原始的矩形檢測(cè)框改進(jìn)為帶角度的橢圓檢測(cè)框，同時(shí)，使用映射矩形計(jì)算出熱圖的高斯核半徑，減少檢測(cè)框中的無效背景，提高了模型檢測(cè)的精確率與分割度。改進(jìn)后的小麥條銹病菌夏孢子CenterNet檢測(cè)模型網(wǎng)絡(luò)框架如圖2所示，圖中W為輸入圖像的寬度，H為輸入圖像的高度。

2.2 特征提取網(wǎng)絡(luò)的改進(jìn)

特征提取網(wǎng)絡(luò)是目標(biāo)檢測(cè)中的重要一環(huán)，目標(biāo)檢測(cè)模型的檢測(cè)精度、速度等直接受到特征提取網(wǎng)絡(luò)的影響。原始CenterNet模型的特征提取網(wǎng)絡(luò)有很多，一般選擇Hourglass Net[25]、DLANet[26]或ResNet[27]等。這些網(wǎng)絡(luò)主要用于提取輸入圖像的特征。

由于夏孢子顯微圖像的數(shù)據(jù)集數(shù)量不夠龐大，且顯微圖像中有夏孢子目標(biāo)尺寸較微小，孢子種類較少的特點(diǎn)，若使用結(jié)構(gòu)參數(shù)量較大的Hourglass Net和DLANet網(wǎng)絡(luò)提取特征，易導(dǎo)致模型過擬合；基于此，本研究基于ResNet網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建了參數(shù)更少的ResNet10網(wǎng)絡(luò)作為改進(jìn)CenterNet模型的特征提取網(wǎng)絡(luò)結(jié)構(gòu)，以降低夏孢子檢測(cè)模型的過擬合，ResNet10結(jié)構(gòu)如圖3所示。

2.3 損失函數(shù)設(shè)計(jì)

由于需要檢測(cè)孢子的角度，在原始CenterNet損失函數(shù)的基礎(chǔ)上，需添加角度損失Lang進(jìn)行訓(xùn)練。改進(jìn)CenterNet模型的損失函數(shù)Ldet由4部分組成：熱力圖損失Lheatmap、物體長短軸損失Lab、中心偏置損失Loffset和角度損失Lang，計(jì)算式為

Ldet=λheatmapLheatmap+λabLab+λoffsetLoffset+λangLang

(1)

式中λheatmap——熱圖損失系數(shù)

λab——長短軸損失系數(shù)

λoffset——中心偏置損失系數(shù)

λang——角度損失系數(shù)

孢子長短軸損失和角度損失較大，因此λab和λang取值0.1，其他損失值較小，因此系數(shù)λ均取1。Lheatmap使用改進(jìn)的Focal loss[28]損失

(2)

式中N——圖像中關(guān)鍵點(diǎn)的數(shù)量

Yxyc、xyc——真實(shí)、預(yù)測(cè)孢子像素點(diǎn)(x,y)的置信度

α、β——超參數(shù)，分別取2和4

經(jīng)下采樣后，原始檢測(cè)框的中心點(diǎn)會(huì)產(chǎn)生偏差，因此對(duì)每個(gè)中心點(diǎn)添加一個(gè)偏移損失Loffset

(3)

式中R——下采樣倍數(shù)

p——真實(shí)中心點(diǎn)

類似地，Lab和角度損失亦采用L1損失

(4)

式中pk——檢測(cè)框的中心點(diǎn)

sk——檢測(cè)框的長短軸長度(或角度)

2.4 Heatmap高斯核半徑計(jì)算方法

原始CenterNet模型訓(xùn)練過程中預(yù)測(cè)后的矩形框與人工標(biāo)注的矩形框一般會(huì)出現(xiàn)3種位置關(guān)系，如圖4所示。

從圖4可看出，3種綠色的預(yù)測(cè)框均能很好地包圍目標(biāo)。所以，為了能得到效果好的預(yù)測(cè)框，需準(zhǔn)確計(jì)算出圖4中的半徑r(即高斯核半徑)。Heatmap熱圖[29]，起初在人體關(guān)鍵點(diǎn)檢測(cè)任務(wù)中得到應(yīng)用，后來在目標(biāo)檢測(cè)任務(wù)中表現(xiàn)出很好的性能。在CenterNet模型中，可通過

(5)

式中 (x,y)——圖中點(diǎn)的坐標(biāo)

σp——標(biāo)準(zhǔn)差C——類別數(shù)

將目標(biāo)標(biāo)注框中心點(diǎn)的關(guān)鍵信息散射到高斯核半徑為r的熱圖上，使得關(guān)鍵點(diǎn)的檢測(cè)轉(zhuǎn)換成可進(jìn)行全卷積的熱圖，最后通過熱圖、偏置和長寬信息得到預(yù)測(cè)結(jié)果。

對(duì)于矩形檢測(cè)框，最小高斯核半徑r計(jì)算式為

r=min(r1,r2,r3)

(6)

其中

(7)

(8)

(9)

式中Ioverlap——真實(shí)框與標(biāo)注框最小重疊度，取0.7

w——矩形框?qū)抙——矩形框高

由于本文使用橢圓檢測(cè)框檢測(cè)目標(biāo)，不能直接使用上述原始CenterNet模型的高斯核半徑計(jì)算方法。因此，本文提出使用圖5中的6種方式將孢子的橢圓框映射成矩形框，再通過式(6)～(9)間接計(jì)算出最小的高斯核半徑r。當(dāng)橢圓的角度為0°、90°和180°時(shí)，R5取圖5b紅色矩形，其余情況使用圖5a方式計(jì)算。將橢圓框中心點(diǎn)的關(guān)鍵信息散射到高斯核半徑為r的熱圖上，最后通過熱圖、偏置、長短軸長度和角度信息得到預(yù)測(cè)結(jié)果。

2.5 模型評(píng)價(jià)方法

目標(biāo)檢測(cè)領(lǐng)域的評(píng)價(jià)指標(biāo)除使用平均精度均值(Mean average precision, MAP)以外，對(duì)于圖像分割，還經(jīng)常使用COCO數(shù)據(jù)集的評(píng)價(jià)指標(biāo)平均交并比(Mean intersection over union，MIOU)。對(duì)于原始CenterNet檢測(cè)結(jié)果，由于預(yù)測(cè)框均使用矩形，計(jì)算MIOU較方便。但本文的檢測(cè)框使用帶角度的橢圓形檢測(cè)框，計(jì)算MIOU比較困難。因此，本文使用蒙特卡洛計(jì)算方法。對(duì)于真實(shí)的橢圓標(biāo)注框Rgt和預(yù)測(cè)框Rpre，生成隨機(jī)N×N個(gè)坐標(biāo)點(diǎn)，統(tǒng)計(jì)落在2個(gè)框內(nèi)的落點(diǎn)個(gè)數(shù)，計(jì)算IOU的方法為

IIOU=Ninter/(Num(Rgt)+Num(Rpre)-Ninter)

(10)

其中

Ninter=Num(Rgt&Rpre)

(11)

式中IIOU——交并比(IOU)

&——同時(shí)落在2個(gè)檢測(cè)框的情況

Ninter——同時(shí)落在Rgt和Rpre的數(shù)目

Num——計(jì)數(shù)函數(shù)

為更加全面地評(píng)估不同模型對(duì)孢子的檢測(cè)精度，還需使用精確率(Precision)、召回率(Recall)與F1值作為評(píng)價(jià)指標(biāo)。

2.6 模型訓(xùn)練環(huán)境與方法

所有網(wǎng)絡(luò)均在同一硬件環(huán)境下訓(xùn)練，操作系統(tǒng)為Windows 10，處理器為AMD 3700X，顯卡為GPU1080Ti，顯存11 GB。訓(xùn)練使用Pytorch 1.6深度學(xué)習(xí)框架，圖像為21 420幅，18 000幅作為訓(xùn)練和驗(yàn)證集，按照8∶2劃分，剩余圖像作為測(cè)試集。訓(xùn)練使用的樣本批尺寸(Batch size)為8，訓(xùn)練過程采用自適應(yīng)矩估計(jì)(Adaptive moment estimation, ADAM)方法進(jìn)行優(yōu)化。訓(xùn)練共20個(gè)迭代周期(Epoch)，每個(gè)周期1 800次，共計(jì)迭代3.6×105次。訓(xùn)練學(xué)習(xí)率設(shè)為1.25×10-4，權(quán)重衰減設(shè)為0.000 1。

3 實(shí)驗(yàn)與結(jié)果分析

使用同一數(shù)據(jù)集分別使用不同特征提取網(wǎng)絡(luò)和不同橢圓映射矩形，在相同模型訓(xùn)練環(huán)境和方法下進(jìn)行相同批次訓(xùn)練，特征提取網(wǎng)絡(luò)分別使用ResNet10、ResNet18、ResNet34和ResNet50，橢圓映射矩形分別使用圖5的R1、R2、R3、R4、R5、R6進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)對(duì)比結(jié)果如表1、2所示。

表1 不同特征提取網(wǎng)絡(luò)的精確率和召回率Tab.1 Precision and recall of different feature extraction networks %

表2 不同特征提取網(wǎng)絡(luò)的F1值和分割率Tab.2 F1 value and segmentation rate of different feature extraction networks %

從表1、2中可看出，隨著特征提取網(wǎng)絡(luò)層數(shù)的增多，孢子的檢測(cè)指標(biāo)并未一直減小，使用ResNet34作為特征提取網(wǎng)絡(luò)的模型綜合性能最差。當(dāng)使用結(jié)構(gòu)簡(jiǎn)單的ResNet10特征提取網(wǎng)絡(luò)檢測(cè)孢子圖像，識(shí)別準(zhǔn)確率未受到影響，網(wǎng)絡(luò)的訓(xùn)練速度反而更快。使用R1、R2、R3、R4映射矩形計(jì)算高斯核半徑時(shí)，ResNet10的準(zhǔn)確率與ResNet18、ResNet50接近，平均精確率優(yōu)于ResNet34模型0.40個(gè)百分點(diǎn)。特征提取網(wǎng)絡(luò)使用ResNet10網(wǎng)絡(luò)時(shí)，高斯核半徑計(jì)算方法使用R1和R4矩形的檢測(cè)精確率較高，與R5矩形和R6矩形相比，檢測(cè)精確率提高0.56～1.26個(gè)百分點(diǎn)。使用R4映射矩形計(jì)算高斯半徑時(shí)(特征提取網(wǎng)絡(luò)使用ResNet10網(wǎng)絡(luò))，取得的分割效果最好，優(yōu)于ResNet34(使用R2映射矩形)方法2.47個(gè)百分點(diǎn)，與ResNet50網(wǎng)絡(luò)相近，但訓(xùn)練速率更快。因此，本文選擇ResNet10網(wǎng)絡(luò)作為改進(jìn)CenterNet模型的特征提取網(wǎng)絡(luò)，高斯核半徑使用R4映射矩形計(jì)算，能夠使用更少的參數(shù)訓(xùn)練網(wǎng)絡(luò)，加快訓(xùn)練速率，并得到很好的檢測(cè)效果。

在相同條件下，分別使用原始CenterNet模型(特征提取網(wǎng)絡(luò)使用ResNet50)與改進(jìn)CenterNet模型(高斯核半徑計(jì)算使用R4矩形)進(jìn)行訓(xùn)練，實(shí)驗(yàn)對(duì)比數(shù)據(jù)如表3所示，檢測(cè)結(jié)果如圖6所示。

表3 2種算法對(duì)不同密度孢子的檢測(cè)結(jié)果對(duì)比Tab.3 Comparison of detection results of two algorithms for spores with different densities

從表3可以看出，隨著孢子數(shù)量的增多，原始CenterNet算法和改進(jìn)CenterNet算法的精確率和召回率均減小。當(dāng)孢子數(shù)量在10～30時(shí)，原始CenterNet算法的精確率下降了3.14個(gè)百分點(diǎn)，召回率下降了5.08個(gè)百分點(diǎn)。改進(jìn)CenterNet算法的精確率下降了2.57個(gè)百分點(diǎn)，召回率下降了3.62個(gè)百分點(diǎn)。隨著孢子數(shù)量的增多，原始CenterNet算法容易受粘連孢子的影響導(dǎo)致多孢一框及漏檢的現(xiàn)象，對(duì)粘連孢子的檢測(cè)精度明顯下降。而改進(jìn)CenterNet算法使用橢圓框分割孢子，減少了檢測(cè)框中的無效背景，能夠預(yù)測(cè)更精確的檢測(cè)框，在粘連孢子的檢測(cè)上取得了較好的檢測(cè)效果。改進(jìn)CenterNet模型的識(shí)別精確率達(dá)到了98.77%，重疊度為83.63%，檢測(cè)速度為41 f/s，與原始的CenterNet模型相比，識(shí)別精確率提高0.23個(gè)百分點(diǎn)，重疊度提高7.53個(gè)百分點(diǎn)，檢測(cè)速度加快11 f/s。此外，同等條件下，以ResNet10作為特征提取網(wǎng)絡(luò)的改進(jìn)CenterNet模型占用內(nèi)存為43.8 MB，是原始CenterNet模型的31.5%，模型占用內(nèi)存降低了68.5%，更易于部署到服務(wù)器或遠(yuǎn)程設(shè)備上。因此，本文提出的改進(jìn)CenterNet模型，能夠滿足小麥條銹病菌夏孢子自動(dòng)檢測(cè)的應(yīng)用要求，與原始CenterNet模型相比，在同等條件下，改進(jìn)CenterNet模型能夠取得更高的識(shí)別精度和更快的檢測(cè)速度，并獲得更高的分割率，減少誤檢率和漏檢率。

從圖6可以看出，在孢子數(shù)量較少的情況下，2種方法均能檢測(cè)出所有孢子。但當(dāng)孢子數(shù)目增多到10個(gè)以上時(shí)，原始CenterNet模型出現(xiàn)了漏檢的現(xiàn)象，如圖6b第4幅圖紅框所示，這是由于孢子的密度增大、孢子粘連與重疊增加了模型識(shí)別的難度。此外，由于孢子圖像中會(huì)存在一些雜質(zhì)(灰塵等)，在原始CentetNet模型檢測(cè)結(jié)果中出現(xiàn)了誤檢的現(xiàn)象，如圖6b第3幅圖所示。由于改進(jìn)CenterNet模型的檢測(cè)框是帶角度的橢圓框，更加貼合孢子的形狀，在框中出現(xiàn)的背景更少。改進(jìn)CenterNet模型可顯著地關(guān)注孢子區(qū)域，并減少背景區(qū)域，在保證檢測(cè)精準(zhǔn)率的前提下，獲得更高的孢子檢測(cè)分割率。因此，本文使用的改進(jìn)CenterNet模型的橢圓框檢測(cè)方法效果優(yōu)于原始CenterNet模型，出現(xiàn)誤檢和漏檢的概率更低。

4 結(jié)論

(1)為解決小麥條銹病菌夏孢子自動(dòng)檢測(cè)存在嚴(yán)重的誤檢和漏檢問題，以實(shí)現(xiàn)快速、準(zhǔn)確地檢測(cè)真菌夏孢子，本研究根據(jù)孢子形態(tài)學(xué)特點(diǎn)，從特征提取網(wǎng)絡(luò)、檢測(cè)框和熱圖高斯核半徑計(jì)算3方面改進(jìn)了CenterNet模型。首先基于ResNet18網(wǎng)絡(luò)，減半網(wǎng)絡(luò)中的Basic Block層數(shù)，構(gòu)建孢子特征提取網(wǎng)絡(luò)ResNet10，其次將CenterNet模型的矩形檢測(cè)框改進(jìn)為帶角度的橢圓檢測(cè)框以增強(qiáng)分割重疊度，最后使用橢圓映射矩形計(jì)算出熱圖的高斯核半徑，最終提出了一種基于改進(jìn)CenterNet模型的小麥條銹病菌夏孢子自動(dòng)檢測(cè)方法。

(2)在測(cè)試集上的實(shí)驗(yàn)表明，改進(jìn)后的CenterNet模型的識(shí)別精確率達(dá)到了98.77%，重疊度為83.63%，檢測(cè)速度為41 f/s，達(dá)到了實(shí)時(shí)檢測(cè)的應(yīng)用需求，比原始CenterNet模型平均重疊度提高了7.53個(gè)百分點(diǎn)，檢測(cè)速度快了11 f/s，模型占用內(nèi)存降低了68.5%，使得改進(jìn)模型更易于部署到服務(wù)器或者遠(yuǎn)程設(shè)備上。因此，本文提出的基于改進(jìn)CenterNet的真菌孢子檢測(cè)模型可以為小麥條銹病病害檢測(cè)提供一種有效的方法支持。