农业机械学报

作者：雷雨，陈旭，阮超，钱海明，李劲松，黄林生，赵晋陵

单位：安徽大学,安徽大学,安徽大学,天地信息网络研究院(安徽)有限公司,天地信息网络研究院(安徽)有限公司,安徽大学,安徽大学,

关键词：小麦条锈菌;显微图像;离焦模糊;孢子检测;图像复原;特征融合

基金：国家自然科学基金项目（32301701）、安徽省高等学校科学研究项目（2022AH050085）、合肥市自然科学基金项目（202309）、合肥市关键共性技术研发“揭榜挂帅”项目（GJ2022QN06）和河南省重点研发专项（241111110800）

针对复杂工况下孢子捕捉设备显微成像易出现离焦模糊导致高频信息缺失和夏孢子边缘模糊等问题，提出了一种改进DeblurGANv2模型的小麦条锈菌夏孢子离焦模糊显微图像复原方法。首先，在DeblurGANv2模型特征融合模块后设计引入一个自底向上的5层特征增强模块，缩短浅层特征向深层特征的传播路径，增强不同尺度特征信息的相互融合，提升模型对高频和孢子边缘等信息的复原效果；同时，在特征提取主干网络部分引入卷积注意力机制（Convolutional block attention module，CBAM），在空间和通道2个维度增加夏孢子特征信息权重，提升模型对夏孢子的特征表达能力，丰富复原图像中夏孢子细节信息；最后，选取4种主流目标检测模型YOLO v5、Faster-R CNN、CenterNet和YOLO v8对复原前后的图像进行夏孢子检测，对比改进DeblurGANv2复原模型对检测性能的影响。试验结果表明，改进后DeblurGANv2复原模型均方误差、峰值信噪比和结构相似性指标分别为0.0014、28.88 dB、0.966，相较于原始DeblurGANv2模型性能分别提升17.65%、3.29%、0.35%；4种目标检测模型在结合改进DeblurGANv2复原模型去模糊后，检测性能指标均有不同程度提升，其中结合改进DeblurGANv2复原的YOLO v8模型性能表现最优，精确率、召回率、平均精度均值分别为96.1%、95.1%、97.7%，与直接使用YOLO v8检测模型相比，分别提升3.0、5.0、23.6个百分点，验证了本文提出的改进DeblurGANv2复原模型可复原出显微图像中离焦模糊夏孢子信息，显著提升了夏孢子目标检测模型检测性能，为气传小麦条锈菌夏孢子检测提供了技术支持。

来源：2025年第1期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第1期