基于植物病菌智能孢子捕捉分析系統(tǒng)的橡膠樹(shù)白粉病監(jiān)測(cè)

施澤坤， 徐鑫澤， 王 暉， 劉文波， 王煥惟， 許沛冬， 繆衛(wèi)國(guó)

(1. 熱帶農(nóng)林生物災(zāi)害綠色防控教育部重點(diǎn)實(shí)驗(yàn)室/海南大學(xué)植物保護(hù)學(xué)院，海南海口 570228；2.海南大學(xué)信息與通信工程學(xué)院，海南海口 570228)

病菌孢子的捕捉和統(tǒng)計(jì)是判斷病害發(fā)生時(shí)間和發(fā)病程度的重要依據(jù)[1]，以往捕捉和計(jì)數(shù)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(jìn)行捕捉取樣，然后將載玻片帶回實(shí)驗(yàn)室用顯微鏡進(jìn)行觀測(cè)、識(shí)別和計(jì)數(shù)，耗時(shí)耗力。人們不斷力圖研發(fā)并改進(jìn)具有采集遠(yuǎn)程控制、自動(dòng)捕獲、自動(dòng)顯微對(duì)焦成像、數(shù)字化圖像網(wǎng)絡(luò)傳輸?shù)戎悄芑逆咦硬蹲椒治鱿到y(tǒng)，這方面研究已成為當(dāng)前的熱點(diǎn)，如針對(duì)小麥氣傳真菌病害孢子捕捉，就實(shí)現(xiàn)了較為智能化的孢子捕捉與智能識(shí)別，但仍需進(jìn)行人工識(shí)別和計(jì)數(shù)，因此需要進(jìn)一步提高孢子捕捉識(shí)別技術(shù)水平，應(yīng)用于病害的監(jiān)測(cè)與防控。

孢子捕捉設(shè)備是有效捕捉孢子的重要工作之一，國(guó)內(nèi)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(dòng)吸入式[2-3]2種，其中水平玻片式和旋轉(zhuǎn)膠棒式孢子捕捉器為被動(dòng)撞擊式孢子捕捉方法，移動(dòng)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(dòng)吸入式孢子捕捉方法[4]；當(dāng)前應(yīng)用比較廣泛的為定容式孢子捕捉器[5]，在此基礎(chǔ)上改裝研發(fā)的植物病菌智能孢子捕捉分析系統(tǒng)已經(jīng)具有氣流定量、定時(shí)采集、自動(dòng)培養(yǎng)、自動(dòng)拍照、無(wú)線傳輸?shù)裙δ堋ｆ咦硬蹲皆O(shè)備除了能捕捉采集圖像信息外，還需要圖像識(shí)別處理技術(shù)，才能有效節(jié)省人力，縮短識(shí)別時(shí)程，這就要涉及圖像識(shí)別技術(shù)；計(jì)算機(jī)視覺(jué)的圖像識(shí)別技術(shù)在病蟲(chóng)害識(shí)別上已經(jīng)被廣泛研究[6]，基于圖像識(shí)別技術(shù)對(duì)病原菌孢子進(jìn)行檢測(cè)，具有快速、精準(zhǔn)、高效等特點(diǎn)[7]?，F(xiàn)階段目標(biāo)檢測(cè)算法取得了很大的突破，主流的算法主要分為2類(lèi)，一類(lèi)是基于Region Proposal的R-CNN系算法(R-CNN，F(xiàn)ast R-CNN，F(xiàn)aster R-CNN)，準(zhǔn)確度高、速度慢；另一類(lèi)是YOLO，SSD僅僅使用一個(gè)CNN網(wǎng)絡(luò)直接預(yù)測(cè)不同目標(biāo)的類(lèi)別與位置，速度快、準(zhǔn)確性要低一些。YOLO算法速度快且結(jié)構(gòu)簡(jiǎn)單，是常用的目標(biāo)檢測(cè)算法，YOLO版本經(jīng)過(guò)不斷發(fā)展完善已經(jīng)演進(jìn)至YOLOv5。除了在人臉識(shí)別、多目標(biāo)追蹤、行人重識(shí)別(ReID)、客流統(tǒng)計(jì)等大目標(biāo)的應(yīng)用成熟外，還應(yīng)用于白細(xì)胞、毫米波圖像[8-9]等小目標(biāo)的檢測(cè)，針對(duì)橡膠樹(shù)白粉病菌孢子等以小目標(biāo)為主的YOLO圖像檢測(cè)方法還未見(jiàn)報(bào)道。YOLOv5是一種端到端目標(biāo)檢測(cè)算法，該算法在YOLOv4的基礎(chǔ)上進(jìn)行一些新的改進(jìn)，使其速度與精度都得到了極大的提升[10-14]。YOLOv5的檢測(cè)速度快，每幅圖片的推理時(shí)間達(dá)到0.007 s，即140 frame/s[15]。YOLOv5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 4個(gè)官方模型版本，其中YOLOv5x的網(wǎng)絡(luò)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(shí)別檢測(cè)小型目標(biāo)。本研究以植物病菌智能孢子捕捉分析系統(tǒng)對(duì)橡膠樹(shù)白粉病菌孢子小目標(biāo)進(jìn)行識(shí)別檢測(cè)，故選擇YOLOv5x模型。天然橡膠是我國(guó)的戰(zhàn)略資源[16]。白粉病(Erysiphequercicola)是我國(guó)橡膠樹(shù)種植區(qū)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(kuò)散[18]。如何精準(zhǔn)監(jiān)測(cè)橡膠樹(shù)白粉病是有效防控該病的重要內(nèi)容。本研究基于植物病菌智能孢子捕捉分析系統(tǒng)對(duì)橡膠樹(shù)白粉病菌孢子定時(shí)定量采集、自動(dòng)顯微對(duì)焦成像、網(wǎng)絡(luò)在線實(shí)時(shí)傳輸，利用改進(jìn)YOLOv5x算法改良植物病菌智能孢子捕捉分析系統(tǒng)，自動(dòng)識(shí)別統(tǒng)計(jì)捕捉獲取的橡膠樹(shù)白粉病菌孢子圖像，以期為精準(zhǔn)監(jiān)測(cè)該病害發(fā)生規(guī)律以及制定有效防控策略提供理論依據(jù)。

改良后的植物病菌智能孢子捕捉分析系統(tǒng)能自動(dòng)捕捉識(shí)別統(tǒng)計(jì)橡膠樹(shù)白粉病菌的孢子數(shù)量，對(duì)橡膠樹(shù)白粉病的發(fā)病情況與孢子數(shù)量動(dòng)態(tài)變化的關(guān)系進(jìn)行分析，孢子數(shù)量動(dòng)態(tài)能反映當(dāng)?shù)夭∏?，提高了監(jiān)測(cè)效率，能有效節(jié)省人力物力，可為橡膠樹(shù)白粉病預(yù)測(cè)預(yù)報(bào)提供數(shù)據(jù)支撐。

1 材料與方法

1.1 材料

1.1.1 橡膠樹(shù)白粉病菌孢子圖像數(shù)據(jù)集 在2020年1—7月，在橡膠樹(shù)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(nóng)科技股份有限公司)收集孢子，根據(jù)用BX53顯微鏡系統(tǒng)(Olympus公司)500萬(wàn)像素光學(xué)放大200倍采集到孢子圖像背景復(fù)雜程度，把采集的孢子圖像分類(lèi)為干凈、一般和復(fù)雜3種情況(圖1)。

1.1.2 橡膠樹(shù)白粉病監(jiān)測(cè)供試設(shè)備及參數(shù) 便攜式孢子捕捉器(浙江托普云農(nóng)科技股份有限公司生產(chǎn))，主要技術(shù)參數(shù)為集氣口風(fēng)速0.3～5 m/s 連續(xù)可調(diào)，載玻片規(guī)長(zhǎng)76.2 mm×寬 25.4 mm。植物病菌智能孢子捕捉分析系統(tǒng)(河南云飛科技發(fā)展有限公司生產(chǎn))，主要技術(shù)參數(shù)為采集流量120 L/min，采集時(shí)間1～160 min可調(diào)，載玻片可自動(dòng)更換，實(shí)測(cè)可采集面積長(zhǎng)50 mm×寬 8 mm，500萬(wàn)像素光學(xué)放大200倍，具有氣流定量、定時(shí)采集、自動(dòng)培養(yǎng)、自動(dòng)拍照、無(wú)線傳輸?shù)裙δ堋?/p>

1.2 方法

1.2.1 橡膠樹(shù)白粉病菌孢子識(shí)別模型訓(xùn)練 模型訓(xùn)練框架結(jié)構(gòu)見(jiàn)圖2，輸入預(yù)處理后的圖片數(shù)據(jù)，使用YOLOv5x檢測(cè)算法，通過(guò)對(duì)不同類(lèi)型附著背景的孢子圖像訓(xùn)練模型的訓(xùn)練，得到訓(xùn)練好的檢測(cè)模型，測(cè)試相應(yīng)的孢子標(biāo)識(shí)，選擇置信度最高的邊框輸出，以便完成基于YOLOv5x 的橡膠樹(shù)白粉菌孢子識(shí)別統(tǒng)計(jì)。

首先進(jìn)行算法運(yùn)行環(huán)境及數(shù)據(jù)的標(biāo)注，模擬訓(xùn)練使用PyTorch0.4.0深度學(xué)習(xí)框架，在圖靈顯卡Tesla T4上完成訓(xùn)練及測(cè)試，軟件平臺(tái)采用Ubuntu 18.04操作系統(tǒng)下的Pytorch深度學(xué)習(xí)框架和CUDA10.0并行計(jì)算構(gòu)架。用labelimg圖像標(biāo)注工具對(duì)數(shù)據(jù)進(jìn)行框選標(biāo)注，標(biāo)注范例見(jiàn)圖3，訓(xùn)練數(shù)據(jù)集為1 000張標(biāo)注的圖片。訓(xùn)練數(shù)據(jù)集包含不同環(huán)境附著背景、不同孢子大小、不同孢子時(shí)期和不同飽和度的圖片樣本作為增強(qiáng)數(shù)據(jù)，取300張圖片當(dāng)作測(cè)試用的數(shù)據(jù)集。根據(jù)YOLO系列算法訓(xùn)練集格式要求，將數(shù)據(jù)集標(biāo)注格式全部轉(zhuǎn)化為VOC格式，并按照9 ∶1 的比例區(qū)分訓(xùn)練集、測(cè)試集。

其次對(duì)YOLOv5x算法的損失函數(shù)和Deepsort算法進(jìn)行改進(jìn)，YOLOv5x原始模型采用的是GIoU損失函數(shù)，其相比原始IoU損失函數(shù)增加了錯(cuò)誤框選的懲罰，對(duì)不同比例的檢測(cè)框架可在訓(xùn)練過(guò)程中提供出色的檢測(cè)[19]。重疊面積、中心點(diǎn)距離、長(zhǎng)寬比的3個(gè)幾何函數(shù)對(duì)于目標(biāo)框回歸函數(shù)尤其重要，GIOU_Loss在相對(duì)位置區(qū)分關(guān)系以及最小化預(yù)測(cè)框和目標(biāo)框之間的歸一化距離回歸相對(duì)較差，因此需對(duì)損失函數(shù)進(jìn)行改進(jìn)。將其改進(jìn)成DIOU_Loss[20]，進(jìn)一步提高了相對(duì)位置區(qū)分以及最小化預(yù)測(cè)框和目標(biāo)框之間的歸一化距離檢測(cè)效果，提高識(shí)別精度。對(duì)損失函數(shù)改進(jìn)的模型和代碼依照https：//github.com/Zzh-t ju/DIoU該網(wǎng)址里面的開(kāi)源算法。

為更好地處理目標(biāo)重疊及被長(zhǎng)時(shí)間遮擋的情況，在原有YOLOv5x檢測(cè)器的基礎(chǔ)上對(duì)detect函數(shù)加入了部分Deepsort算法加以改進(jìn)。步驟1：給定原始幀；步驟2：運(yùn)行YOLOv5x目標(biāo)檢測(cè)器進(jìn)行檢測(cè)，得到目標(biāo)檢測(cè)框；步驟3：去除目標(biāo)幀中所有對(duì)應(yīng)的目標(biāo)并執(zhí)行提取功能(包括表觀或運(yùn)動(dòng)特征)；步驟4：進(jìn)行相似度計(jì)算，計(jì)算目標(biāo)前后2幅圖像的重合度(通過(guò)比較相同目標(biāo)之間的距離)、不同目標(biāo)之間的相對(duì)較小和較大的距離；步驟5：關(guān)聯(lián)數(shù)據(jù)并為每個(gè)對(duì)象分配目標(biāo)ID。添加Deepsort算法進(jìn)一步提高了針對(duì)孢子等小目標(biāo)的識(shí)別精度。

最后在訓(xùn)練過(guò)程中采用YOLOv5x官方權(quán)重參數(shù)，結(jié)合樣本識(shí)別分類(lèi)需求，調(diào)整模型輸出層參數(shù)?；诟倪M(jìn)的YOLOv5x算法對(duì)模型進(jìn)行訓(xùn)練，訓(xùn)練參數(shù)設(shè)置見(jiàn)表1。訓(xùn)練過(guò)程以每10次為迭代周期，輸出1次模型，對(duì)測(cè)試集圖像進(jìn)行識(shí)別處理。以平均精度均值(mAP)作為評(píng)價(jià)指標(biāo)，選擇具有最高精度的模型作為最優(yōu)模型輸出。整體算法結(jié)構(gòu)見(jiàn)圖4。

表1 訓(xùn)練參數(shù)

1.2.2 系統(tǒng)完善 為進(jìn)一步完善植物病菌智能孢子捕捉分析系統(tǒng)孢子識(shí)別統(tǒng)計(jì)流程，基于qyqt5庫(kù)使用qt designer工具制作前端界面，設(shè)置4個(gè)按鈕，使用pyuic轉(zhuǎn)化為python編程語(yǔ)言代碼，并在代碼中設(shè)置信號(hào)和槽函數(shù)，分別連接文件夾選擇函數(shù)、文件選擇函數(shù)、YOLOv5x圖像檢測(cè)函數(shù)。先通過(guò)“選擇文件夾”或“選擇單張圖片”獲取目標(biāo)位置，再在點(diǎn)擊“運(yùn)行”按鈕后將文件位置作為參數(shù)傳給YOLOv5x目標(biāo)檢測(cè)函數(shù)，檢測(cè)框如圖5所示。

1.2.3 病害調(diào)查及捕捉孢子的動(dòng)態(tài)監(jiān)測(cè) 試驗(yàn)地點(diǎn)：橡膠樹(shù)林段1(109°48′ 61″E，19°49′91″N)、橡膠樹(shù)林段2(109°48′36″E，19°49′89″N)、橡膠樹(shù)林段3(109°49′19″E，19°51′71″N)。

試驗(yàn)時(shí)間：試驗(yàn)時(shí)間分橡膠樹(shù)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(gè)林段，植物病菌智能孢子捕捉分析系統(tǒng)放置于橡膠樹(shù)林段3，定時(shí)定點(diǎn)對(duì)林區(qū)白粉病菌孢子進(jìn)行收集，并對(duì)橡膠樹(shù)林段的發(fā)病情況、氣象情況(陰雨天氣記錄)、發(fā)病等級(jí)進(jìn)行調(diào)查統(tǒng)計(jì)。

病情指數(shù)=∑(各病級(jí)葉片數(shù)×相應(yīng)病級(jí)數(shù))/(調(diào)查總?cè)~片數(shù)×5)×100%。

2 結(jié)果與分析

2.1 YOLOv5x算法改進(jìn)后對(duì)橡膠樹(shù)白粉病孢子識(shí)別效果

人工采樣3組在不同環(huán)境下得到的橡膠樹(shù)白粉菌圖像，分別選擇附著背景簡(jiǎn)單、一般和復(fù)雜的圖像各100張，使用訓(xùn)練得到的模型進(jìn)行對(duì)照試驗(yàn)，測(cè)試模型效果。以人工識(shí)別橡膠樹(shù)白粉菌計(jì)數(shù)結(jié)果為參考，對(duì)YOLOv5x和改進(jìn)YOLOv5x識(shí)別統(tǒng)計(jì)結(jié)果進(jìn)行評(píng)價(jià)。以2個(gè)模型對(duì)橡膠樹(shù)白粉菌總數(shù)的識(shí)別數(shù)量與人工識(shí)別數(shù)量的比值，作為橡膠樹(shù)白粉菌總體計(jì)數(shù)精度。統(tǒng)計(jì)結(jié)果見(jiàn)表2，可見(jiàn)傳統(tǒng)YOLOv5x的mAP值為90.1%，經(jīng)過(guò)改進(jìn)的YOLOv5x的mAP值為93.9%，提高了3.8百分點(diǎn)，且改進(jìn)后的算法檢測(cè)效率與傳統(tǒng)算法基本相同，載入模型后單幅圖像平均檢測(cè)時(shí)間8 ms。YOLOv5x模型改進(jìn)后，對(duì)于橡膠樹(shù)白粉菌的計(jì)數(shù)精度均得到改善。

表2 改進(jìn)前后算法性能對(duì)比

為了驗(yàn)證改進(jìn)前后的模型在植物病菌智能孢子捕捉分析系統(tǒng)應(yīng)用的精確度，用橡膠樹(shù)白粉病菌孢子識(shí)別與統(tǒng)計(jì)軟件對(duì)植物病菌智能孢子捕捉分析系統(tǒng)和便攜式孢子捕捉器在林間采集的不同背景橡膠樹(shù)白粉菌孢子圖片，進(jìn)行識(shí)別計(jì)數(shù)，對(duì)比其精確度(表3)。改進(jìn)后模型的精確度分別為91.0%、96.2%、98.4%，其平均識(shí)別精度為95.2%，比改進(jìn)前平均識(shí)別精度(91.5%)提高了3.7百分點(diǎn)，識(shí)別效果見(jiàn)圖6。說(shuō)明利用改進(jìn)YOLOv5x算法可以對(duì)捕獲的橡膠樹(shù)白粉病菌孢子圖像自動(dòng)識(shí)別統(tǒng)計(jì)準(zhǔn)確率較高，能應(yīng)用于橡膠樹(shù)白粉病的監(jiān)測(cè)，彌補(bǔ)需人工進(jìn)行識(shí)別和計(jì)數(shù)費(fèi)時(shí)費(fèi)力的不足。

表3 算法性能對(duì)比

2.2 橡膠樹(shù)白粉病病情及捕捉分生孢子的動(dòng)態(tài)監(jiān)測(cè)

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(jīng)過(guò)人工調(diào)查橡膠樹(shù)白粉病病情指數(shù)為0，應(yīng)用植物病菌智能孢子捕捉分析系統(tǒng)和便攜式孢子捕捉器結(jié)合橡膠樹(shù)白粉病菌孢子識(shí)別與統(tǒng)計(jì)軟件沒(méi)有監(jiān)測(cè)到橡膠樹(shù)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(shù)白粉病從始病期到發(fā)病盛期再到衰退期監(jiān)測(cè)到橡膠樹(shù)白粉病菌分生孢子的數(shù)量動(dòng)態(tài)變化趨勢(shì)基本與病情指數(shù)的動(dòng)態(tài)變化趨勢(shì)一致(圖7、圖8、圖9、圖10)。3個(gè)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(tǒng)捕捉孢子數(shù)量與病情指數(shù)呈正相關(guān)，相關(guān)系數(shù)R分別為0.77、0.80、0.79、0.79，為正相關(guān)(表4)。對(duì)數(shù)據(jù)進(jìn)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(shù)據(jù)外，林段2便攜式孢子捕捉器捕捉的孢子數(shù)量與病情指數(shù)的關(guān)系為0.95，存在顯著相關(guān)，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(tǒng)校正后捕捉孢子數(shù)量與病情指數(shù)的相關(guān)系數(shù)分別為0.91、0.94、0.94，存在高度相關(guān)關(guān)系(表4)。分析結(jié)果表明，植物病菌智能孢子捕捉分析系統(tǒng)與便攜式孢子捕捉器對(duì)橡膠樹(shù)白粉病的監(jiān)測(cè)效果一致，設(shè)備運(yùn)行較為穩(wěn)定；陰雨天氣條件下不利于橡膠樹(shù)白粉病菌孢子的收集，會(huì)降低孢子數(shù)量變化與病情指數(shù)的相關(guān)性；應(yīng)用植物病菌智能孢子捕捉分析系統(tǒng)結(jié)合改進(jìn)YOLOv5x算法開(kāi)發(fā)的橡膠樹(shù)白粉病菌孢子識(shí)別與統(tǒng)計(jì)軟件監(jiān)測(cè)到的孢子數(shù)量動(dòng)態(tài)能反映當(dāng)?shù)夭∏?，?duì)橡膠樹(shù)白粉病的流行預(yù)測(cè)具有指導(dǎo)作用，提高對(duì)橡膠樹(shù)白粉病的監(jiān)測(cè)效果，彌補(bǔ)了人工識(shí)別統(tǒng)計(jì)費(fèi)時(shí)費(fèi)力的缺陷；但是當(dāng)前只能解決橡膠樹(shù)白粉病菌孢子的識(shí)別統(tǒng)計(jì)問(wèn)題，在對(duì)林間發(fā)病情況進(jìn)行調(diào)查時(shí)仍需人工對(duì)葉片進(jìn)行病害等級(jí)識(shí)別和劃分，后期結(jié)合改進(jìn)YOLOv5算法能夠?qū)θ~片病害進(jìn)行識(shí)別，因此改良后的植物病菌智能孢子捕捉分析系統(tǒng)在橡膠樹(shù)白粉病的監(jiān)測(cè)應(yīng)用上仍存在一定的問(wèn)題。

表4 橡膠樹(shù)白粉病菌孢子自動(dòng)識(shí)別統(tǒng)計(jì)與病情指數(shù)的相關(guān)性分析

3 結(jié)論與討論

余卓桐等利用孢子捕捉器對(duì)橡膠樹(shù)白粉病菌空中孢子量的變化進(jìn)行識(shí)別和計(jì)數(shù)，用于橡膠樹(shù)白粉病預(yù)測(cè)模式的研究[21]；黃文成應(yīng)用孢子捕捉器預(yù)測(cè)橡膠樹(shù)指導(dǎo)防治白粉病，代替了人工鉤葉調(diào)查，省時(shí)省力[22]；范會(huì)雄應(yīng)用孢子捕捉器在橡膠樹(shù)白粉病預(yù)測(cè)預(yù)報(bào)和防治上的應(yīng)用相比傳統(tǒng)測(cè)報(bào)法省工、準(zhǔn)確，防治成本低，防治效果好[23]；李德威等應(yīng)用捕孢法預(yù)測(cè)橡膠樹(shù)白粉病，確定了橡膠樹(shù)白粉病菌孢子捕捉的最佳時(shí)間為14：00—16：00[24]，但需人工進(jìn)行孢子的識(shí)別和計(jì)數(shù)，對(duì)監(jiān)測(cè)的人員素質(zhì)要求較高。YOLO系列模型具有實(shí)時(shí)檢測(cè)精度高、速度快和實(shí)用性強(qiáng)等特點(diǎn)，王宇寧等基于YOLO算法對(duì)交通監(jiān)控中的車(chē)輛進(jìn)行檢測(cè)，結(jié)果查準(zhǔn)率為89.3%，查全率為81.0%，檢測(cè)速度達(dá)到60 幀/s，滿足了對(duì)車(chē)輛檢測(cè)的要求[25]。高宗等通過(guò)研究改進(jìn)YOLO在行人檢測(cè)上降低了漏檢率和誤檢率，有較高的準(zhǔn)確度[26]。魏湧明等改進(jìn)了YOLOv2網(wǎng)絡(luò)，對(duì)無(wú)人機(jī)航拍圖像定位的mAP值為79.5%，定位準(zhǔn)確率達(dá)到84%以上[27]。由于小目標(biāo)特征值不顯著、像素低等特點(diǎn)導(dǎo)致其檢測(cè)率低，鞠默然等對(duì)YOLOv3算法進(jìn)行改進(jìn)研究，結(jié)果表明能提高小目標(biāo)的檢測(cè)率、召回率和平均準(zhǔn)確率[28]。隨著版本的不斷改進(jìn)，YOLO模型對(duì)小目標(biāo)的檢測(cè)率越來(lái)越高，性能逐步提升。改進(jìn)后YOLOv5x最優(yōu)識(shí)別統(tǒng)計(jì)模型的平均精度均值(mAP)為93.9%，對(duì)從橡膠樹(shù)林間采集的3種附著背景的白粉病菌孢子圖像進(jìn)行識(shí)別，結(jié)果顯示精準(zhǔn)度為91.0%、96.2%、98.4%，可用于橡膠林白粉病菌孢子的識(shí)別統(tǒng)計(jì)。

當(dāng)前對(duì)空氣中病原菌數(shù)量的檢測(cè)和數(shù)量的統(tǒng)計(jì)是植物病害流行分析和預(yù)測(cè)的重要部分，國(guó)內(nèi)外對(duì)孢子圖像處理和植物病害識(shí)別的研究與應(yīng)用尚不完善，對(duì)病原菌的檢測(cè)識(shí)別和統(tǒng)計(jì)手段主要以人工為主，難以滿足對(duì)病原菌實(shí)時(shí)監(jiān)測(cè)的需求[29]。隨著旋轉(zhuǎn)式電動(dòng)空中孢子捕捉器[30]、全自動(dòng)吸入式長(zhǎng)效孢子收集器、移動(dòng)式孢子捕捉器[31]再到一體化智能孢子捕捉系統(tǒng)[32]設(shè)備的更新和完善，對(duì)基于病原菌孢子捕捉而建立的病害監(jiān)測(cè)預(yù)警體系研究愈發(fā)成熟，預(yù)測(cè)結(jié)果和實(shí)際發(fā)病情況高度吻合[33]。植物病菌智能孢子捕捉分析系統(tǒng)結(jié)合改進(jìn)YOLOv5x算法針對(duì)橡膠樹(shù)白粉病的圖像識(shí)別處理技術(shù)的應(yīng)用從發(fā)病初期就能捕捉到橡膠樹(shù)白粉病菌孢子，隨著病情指數(shù)的提高，捕捉的孢子數(shù)量也在增加，研究發(fā)現(xiàn)橡膠樹(shù)白粉病田間病情指數(shù)與捕捉的孢子數(shù)量強(qiáng)相關(guān)的結(jié)果與劉偉等研究結(jié)論[34]一致。

應(yīng)用植物病菌智能孢子捕捉分析系統(tǒng)對(duì)橡膠樹(shù)白粉病的監(jiān)測(cè)實(shí)現(xiàn)了橡膠樹(shù)白粉病菌孢子的自動(dòng)采集、圖像自動(dòng)獲取、網(wǎng)絡(luò)傳輸、孢子量的自動(dòng)識(shí)別統(tǒng)計(jì)，提高了對(duì)橡膠樹(shù)白粉病的監(jiān)測(cè)效率，可為后期橡膠樹(shù)白粉病預(yù)測(cè)預(yù)報(bào)提供技術(shù)支撐。應(yīng)用植物病菌智能孢子捕捉分析系統(tǒng)結(jié)合改進(jìn)YOLOv5x算法對(duì)橡膠樹(shù)白粉菌進(jìn)行監(jiān)測(cè)為植物病菌智能孢子捕捉分析系統(tǒng)采集的橡膠樹(shù)白粉病菌孢子圖像特征值單一、目標(biāo)較小、附著背景復(fù)雜而導(dǎo)致的檢測(cè)率低提供了改進(jìn)方案，解決了從橡膠林間采集橡膠樹(shù)白粉病菌孢子后到用顯微鏡對(duì)其進(jìn)行檢測(cè)識(shí)別和統(tǒng)計(jì)的人工費(fèi)時(shí)費(fèi)力操作，進(jìn)一步提升對(duì)林間橡膠樹(shù)白粉病菌孢子的監(jiān)測(cè)效率。該監(jiān)測(cè)裝置只能反映當(dāng)前的病害情況，要準(zhǔn)確對(duì)橡膠樹(shù)白粉病的流行和發(fā)生進(jìn)行預(yù)測(cè)預(yù)報(bào)還應(yīng)結(jié)合林間氣象條件、物候、病原菌生物學(xué)特性等相關(guān)因素進(jìn)行研究。