农业机械学报

作者：雷雨，周晋兵，何东健，陈鹏，曾伟辉，梁栋

单位：安徽大学,安徽大学,西北农林科技大学,安徽大学,安徽大学,安徽大学,

关键词：小麦条锈病;真菌夏孢子;自动检测;改进CenterNet;深度学习;椭圆框

基金：国家自然科学基金项目（62072002）、安徽省科技重大专项（202003a06020016）、安徽省自然科学基金项目（2108085MC95）和农业生态大数据分析与应用技术国家地方联合工程研究中心开放项目（AE2018009）

针对孢子捕捉设备采集的显微图像中真菌夏孢子自动检测存在严重的误检和漏检问题，提出一种基于改进CenterNet的小麦条锈病菌夏孢子自动检测方法。首先，针对夏孢子显微图像孢子目标微小、种类少等特点，通过减半Basic Block层数，优化CenterNet网络中的特征提取网络，提高了检测和训练速度，降低了误检率；其次，根据孢子形态为近椭圆或圆形的特点，将原始用于CenterNet训练的目标长宽，改进为目标的椭圆框长短轴长度和角度，提高了孢子分割重合率；最后，提出使用椭圆的长短轴映射矩形来计算椭圆框热图的高斯核半径，以减少孢子的漏检率。实验结果表明，改进的CenterNet夏孢子检测方法对小麦条锈病菌夏孢子检测的识别精确率达到了98.77%，重叠度为83.63%，检测速度为41f/s，达到了实时检测的应用需求，比原始的CenterNet模型重叠度提高了7.53个百分点，检测速度快11f/s，模型占用内存降低了68.5%。本文方法能够精准检测并分割出显微图像中的夏孢子，可为农田空气中小麦条锈病菌夏孢子的自动检测及条锈病的早期预防控制提供技术支持。

来源：2021年第12期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2021年第12期