机器学习辅助光学成像技术：空气中小麦锈病病原孢子的原位监测与早期预警

《ACS Agricultural Science & Technology》：Detection of Airborne Pathogenic Wheat Rust Spores Using Machine-Learning-Assisted Optical Imaging

本综述介绍了（ACS Agricultural Science & Technology）期刊上的一项前沿研究。研究者们开发了一种集成了机器学习算法的紧凑型光学成像平台——“孢子哨兵单元”，用于在田间环境中自主监测和识别空气传播的小麦锈菌夏孢子。该系统能够在几分钟内完成对气传粒子的多通道（包括白光和紫外激发发光通道）图像采集、快速分割与识别，孢子检测的F1分数达97.7%，锈菌孢子识别的分数达91.6%。这项技术实现了小麦锈病在早期（症状出现前）的快速定位，为部署预防性控制策略提供了关键窗口，对保障全球粮食安全具有重要意义。

　　

1. 1.
   引言
   空气传播病原体不仅是人类健康领域的热点议题，在植物学、农业和食品生产中也高度相关。小麦（Triticum aestivum L.）作为全球种植面积最广的粮食作物，其产量常年受到多种病虫害的威胁。其中，由专性寄生真菌引起的小麦条锈病（小麦黄锈， Puccinia striiformis f.sp. tritici, Pst）和小麦叶锈病（小麦褐锈， Puccinia triticina, Pt）危害尤为严重。这些真菌通过其空气传播的夏孢子（urediniospores）进行扩散，在全球年平均水平上造成了约24.8%的小麦损失，在西北欧地区这一比例甚至高达33.4%。因此，快速定位和监测空气传播的病原孢子，对于实现高效的作物病害管理、保障全球粮食安全至关重要。

传统的病害监测策略，如通过无人机（UAV）或卫星对作物进行宏观成像，主要依赖于观察植物已出现的可见症状（如褪绿、孢子堆），这通常在接种后7-14天才变得明显，从而错失了采取应对措施的关键窗口期。其他方法，如使用传统孢子捕捉器收集孢子后在实验室进行分析，或进行DNA分子检测，均需要较长的收集时间和手动样品转移。本研究旨在克服这些局限，开发一种集采样、检测与识别于一体的自动化原位监测设备。

1. 2.
   材料与方法
   2.1. 哨兵单元
   研究人员设计并构建了一个名为“孢子哨兵单元”的自动化设备，它由四个主要部分组成：光学引擎、被动孢子采样器、控制单元和电源单元。
   孢子采样器经过计算流体动力学优化，可充当“空气倍增器”，有效增加感应区域的粒子密度，并能随风向被动调整朝向。采样器将空气中的粒子引导至一个涂有薄层胶原蛋白的玻璃窗上，胶原涂层可提高孢子附着力并减少多层孢子簇的形成，在实验室条件下可稳定8-12周。

光学引擎是该设备的核心，采用消色差、远心成像系统，放大倍率约为2.85×，视场直径约2.761 mm。照明单元是一个定制环形灯，包含两组表面贴装发光二极管（SMD LED），可分别提供反射式暗场白光照明和中心波长365 nm的近紫外（UV）照明，用于采集粒子彩色图像和发光（luminescence）图像。成像由索尼IMX477背照式CMOS传感器（集成在树莓派HQ相机板上）完成。设备由树莓派Zero 2 W控制，图像通过低功耗广域网（LPWA）无线传输至中央计算单元进行处理。

2.2. 样品制备

为训练识别模型，研究人员在实验室制备了带有胶原涂层的培养皿，模拟传感窗口。使用的孢子来自两个菌株：条锈菌株11/19（Warrior strain, PstS7）和叶锈菌株WB77xR。通过将孢子吹到胶原膜上来模拟真实世界空气传播孢子沉降的场景。样品中天然包含少量其他粒子（如灰尘、微纤维、死孢子、胶原膜气泡或划痕），这有助于训练后续的物体过滤器。

2.3. 图像捕获、分割与分析

针对每个采样点，设备会先后在白光和UV照明模式下捕获一幅彩色图像和一幅发光图像。捕获的图像通过一款用MATLAB开发的自定义图像分割与分析算法进行处理，其简化工作流程如图所示。

该软件工具主要包含四大操作模式，核心任务可归纳为三步：图像采集、通过图像分割和过滤进行孢子检测、以及通过贝叶斯分类模型对检测到的孢子进行识别。

孢子检测包括三个子任务。首先，进行初始图像分割，生成标记每个独立物体或物体簇的掩膜。接着，使用一个独立训练的贝叶斯机器学习模型（物体过滤器）来去除所有非孢子物体（如其他空气传播粒子、划痕、气泡等）。最后，通过一个算法将物体簇中的单个孢子分离开来，其流程如图所示。

图像分割的详细步骤如图所示。算法首先将输入的彩色图像转换到CIELAB颜色空间，对L*通道进行二值化粗略去除暗背景。接着，对每个独立物体应用Otsu阈值法，并通过物体尺寸相关的校正因子进行微调。之后，通过膨胀、填充孔洞、腐蚀等操作平滑轮廓，并移除小物体掩膜，得到初始的标记物体掩膜。

对于特殊情况，算法应用贝叶斯物体过滤器，并结合发光通道和HSV颜色空间的V（明度）通道信息进一步优化物体掩膜。此外，还使用了距离变换和分水岭算法来去除尖刺，并通过计算轮廓曲率来移除大型凹口伪影。

孢子分离算法专门处理孢子簇。它通过计算和阈值化物体轮廓上每个点的曲率来分割轮廓。之后，通过检查不同轮廓段之间的欧几里得距离等方法，判断段是否应合并。然后，采用五种不同的方法（椭圆拟合、圆拟合及三种基于扩展轮廓段的拟合）对每个独立段进行拟合，并通过自定义成本函数评估，选择最佳拟合结果，形成新的单个孢子物体掩膜。该算法主要处理构成孢子簇外轮廓的孢子，对于完全被其他孢子包围的孢子识别能力有限，但在本研究所用数据集中，仅遗漏了极少此类孢子。

1. 3.
   结果
   研究人员总共捕获了528张图像（一半白光，一半UV），分别来自三个独立的条锈和叶锈孢子样品。其中一半用于训练识别模型，另一半平均分配给验证集和测试集。平均每张图像包含约49个条锈孢子和78个叶锈孢子。

模型训练与特征选择：从分割后的物体中提取了一系列几何、颜色和发光特性作为特征。使用最小冗余最大相关性（mRMR）算法对特征进行重要性排序，并通过迭代验证程序选择最佳特征组合以防止过拟合和欠拟合。对于孢子识别模型，最重要的特征是平均发光亮度，其余重要特征主要来自发光、黄色、品红色或L*通道。最终，使用13个最重要的特征达到了最佳性能。

性能评估：使用独立的测试数据集对孢子检测（物体过滤器+簇分离）和孢子识别的性能进行了全面评估。

• •
  物体过滤器在区分目标孢子与其他物体（如图中所示的类似物体）方面表现出色，G-均值分数约为99.4%，阳性类F₁分数约为99.5%。
• •
  孢子簇分离算法的阳性类F₁分数为98.2%。
• •
  整体孢子检测（结合所有子功能）的阳性类F₁分数达到97.7%。性能分数和混淆矩阵总结见下图。
• •
  孢子识别方面，使用从训练数据自动计算的先验概率（p_Pst= 0.376, p_Pt= 0.624）时，在未见过的测试数据上获得了90.8%的G-均值分数；若使用均衡先验（均为0.5），G-均值分数可略微提升至91.3%。识别模型在验证和测试之间的泛化差距较小，表明其泛化能力良好。

独立验证实验：使用包含两种锈菌孢子及少量污染物的混合孢子样本图像进行了验证。结果显示，孢子检测的精度为99.0%，特异性为94.9%，阳性类F₁分数为96.9%。在孢子识别中，绝大多数孢子（超过95%）能以很高的后验概率（>68.3%）被正确分类，即使在混合孢子簇中也能有效工作，如下图所示。

1. 4.
   讨论
   本研究选择贝叶斯分类器而非深度学习模型，主要因其速度快、内存效率高、对小训练数据集友好，且决策过程可解释。通过mRMR分析，可以清晰了解区分两类锈菌孢子的关键特征，如图所示，其中平均发光亮度最为重要，这凸显了集成UV发光成像通道的价值。
   物体过滤器的漏检主要源于孢子与其他物体接触或部分覆盖形成的混合物体簇，导致其特征值被污染。簇分离算法的漏检则通常由贡献像素过少或凸曲率极小的轮廓段导致拟合不准确引起。尽管识别模型的分数略低，这是由于两类孢子特征的概率分布存在重叠所致，但其性能已完全满足应用需求，且所选的条锈和叶锈孢子在外观上本就高度相似，增加了识别难度。

综上所述，这项研究成功展示了一种结合光学成像与定制机器学习算法，用于检测和识别空气中小麦锈菌夏孢子的传感方法。本研究提出的“孢子哨兵单元”及相关软件工具，实现了高于96.2%的孢子检测率和介于88.2%至94.5%之间的孢子识别率。该技术的主要优势在于其灵活性，可通过重新训练机器学习模型来适应不同条件、目标孢子或监测其他真菌性作物病害。通过集成多个无线互联的哨兵单元并结合环境数据，可以构建一个经济高效的早期预警网络，模拟和预测病害传播，从而及时启动具有成本效益的应对措施，为作物病害管理和全球粮食安全提供创新解决方案。