FHBDSR-Net: автоматизированное измерение поражённости колосков фузариозом на колосьях пшеницы

Фузариоз колоса (FHB), или головня, является одним из наиболее экономически значимых заболеваний пшеницы в мире. Оно приводит к значительным потерям урожая, снижению качества зерна и накоплению опасных микотоксинов, таких как дезоксиниваленол (ДОН), угрожающих здоровью человека и животных. Основной стратегией борьбы с болезнью является выведение устойчивых сортов. Ключевым фенотипическим признаком для селекционеров и патологов при оценке устойчивости является доля поражённых колосков (ДПК, или DSR) – процент инфицированных колосков в колосе.

Традиционно оценка DSR проводится вручную: специалист визуально осматривает каждый колосок, что является крайне трудоёмким, субъективным и подверженным ошибкам процессом. Это создаёт «узкое горлышко» в высокопроизводительной селекции. Поэтому разработка точных, автоматизированных и неинвазивных методов измерения DSR представляет высокую научную и практическую ценность.

Несмотря на прогресс в области компьютерного зрения и глубокого обучения, существующие методы автоматического детектирования FHB в основном сосредоточены на оценке болезни на уровне целого колоса или побега. Отсутствуют специализированные решения для точного обнаружения и подсчёта отдельных здоровых и больных колосков – необходимого шага для прямого расчёта DSR. Основными вызовами являются: отсутствие аннотированных datasets на уровне колосков, сложность обнаружения мелких объектов (колосков) и проблема их плотного перекрытия (окклюзии).

Для решения этих задач в данном исследовании представлена комплексная система, включающая:

1. Созданный вручную набор данных с аннотациями на уровне колосков.

2. Новую лёгкую нейросетевую архитектуру FHBDSR-Net для детектирования здоровых и поражённых колосков.

3. Автоматизированный алгоритм для подсчёта колосков и расчёта DSR на основе результатов детектирования.

Разработка набора данных и методологии

Для обучения и проверки модели был собран dataset из 620 высококачественных RGB-изображений колосьев пшеницы, инокулированных Fusarium graminearum в контролируемых тепличных условиях. Изображения делались с двух сторон колоса для полноты охвата. Специалистами-патологами было размечено 5222 колоска, разделённых на два класса: «здоровый» (2940) и «поражённый» (2282). Статистический анализ подтвердил, что колоски на изображениях являются типичными «мелкими объектами», что задало требования к архитектуре детектора.

Архитектура FHBDSR-Net

FHBDSR-Net – это однодетекторная (one-stage) модель, основанная на облегчённой структуре GELAN и оптимизированная для задач точного обнаружения мелких и плотно расположенных объектов. Её ключевые инновационные компоненты:

1. Модуль многомасштабного улучшения признаков (MFE): Решает проблему слабого извлечения признаков у мелких объектов. MFE использует стратегию частичной свёртки, динамически комбинируя признаки, извлечённые ядрами разного размера. Это позволяет эффективно усиливать характерные детали как здоровых, так и поражённых колосков, подавляя при этом шум сложного фона (листья, стебли, ости).

2. Модуль внимания с учётом масштаба (SAA): Нацелен на проблему окклюзии и улучшение пространственного контекста. SAA комбинирует параллельные свёртки с разным коэффициентом расширения (dilated convolutions) для захвата контекстной информации на различных масштабах рецептивного поля. Затем следует механизм частичного самовнимания (PSA) для кодирования пространственных взаимосвязей между колосками. Это позволяет модели лучше различать перекрывающиеся объекты.

3. Функция потерь Inner-EfficiCIoU: Модернизированная функция регрессии ограничивающих рамок, объединяющая преимущества Inner-IoU и EfficiCIoU. Она вводит вспомогательные масштабируемые bounding box'ы, что ускоряет сходимость модели и повышает точность локализации мелких колосков, особенно важную для последующего точного подсчёта.

Результаты и оценка эффективности

1. Детектирование колосков:
FHBDSR-Net продемонстрировала превосходство над рядом современных детекторов (YOLOv5-11, RT-DETR, GELAN и др.). При рекордно низкой сложности в 7.2 млн параметров модель достигла:

- Средней точности (mAP@0.5): 91.5%

- Точности детектирования больных колосков (APd): 93.8%

- Точности детектирования здоровых колосков (APh): 89.2%

Модель не только превзошла аналоги по точности, но и сохранила высокую скорость inference (50 FPS), что подтверждает её пригодность для развёртывания на мобильных устройствах с ограниченными ресурсами.

2. Валидация модулей (Ablation Study):

- Интеграция модуля MFE в различные базовые архитектуры (YOLOv7, YOLOv8, GELAN) стабильно повышала полноту (Recall) и точность детектирования больных колосков (APd), подтверждая его универсальную эффективность для улучшения признаков мелких объектов.

- Модуль SAA показал лучший результат (mAP 91.1%) по сравнению с другими популярными механизмами внимания (CBAM, SimAM), доказав преимущество масштабно-зависимого подхода для задач с плотным расположением целей.

3. Измерение DSR:
Главный практический результат – высокая точность автоматического расчёта доли поражённых колосков. Сравнение с ручным подсчётом на тестовой выборке показало:

- Коэффициент корреляции Пирсона: 0.901

- Коэффициент детерминации R²: 0.812

- Среднеквадратичная ошибка (RMSE): 0.13

На дополнительном наборе изображений разных сортов пшеницы модель также показала отличную способность к обобщению (R² = 0.866, RMSE = 0.14), что критически важно для применения в реальных селекционных программах.

Обсуждение и значимость

Предложенная система FHBDSR-Net представляет собой значительный шаг вперёд в фенотипировании устойчивости пшеницы к фузариозу. В отличие от предыдущих работ, она решает задачу именно на уровне колоска – базовой единицы для расчёта ключевого селекционного признака DSR.

Ключевые преимущества:

- Точность: Высокая корреляция с экспертными оценками.

- Эффективность: Лёгкая архитектура позволяет потенциальное развёртывание на смартфонах или портативных устройствах для работы в поле или теплице.

- Автоматизация: Полностью исключает субъективный человеческий фактор и радикально ускоряет процесс оценки тысяч образцов.

Ограничения и будущие направления:

- Модель обучалась преимущественно на данных из контролируемых тепличных условий. Для повышения робастности необходима дообучение на более разнообразных полевых данных с вариациями освещения, фона и погодных условий.

- Текущий алгоритм анализирует колос с одного ракурса. Использование многовидовой съёмки или 3D-реконструкции могло бы повысить полноту охвата.

- Перспективным направлением является интеграция подобных моделей в системы фенотипирования на основе БПЛА для оценки заболеваемости на уровне популяций.

Заключение

Разработанная система FHBDSR-Net предлагает надёжное, точное и эффективное решение для автоматизированного измерения доли поражённых фузариозом колосков пшеницы. Созданный аннотированный dataset и открытая модель закладывают основу для дальнейших исследований в области точного фенотипирования болезней растений. Внедрение подобных технологий в селекционную практику способно ускорить создание устойчивых сортов пшеницы, минимизировать потери урожая и снизить риски для продовольственной безопасности.

Исследование: aBIOTECH