一种基于AI识别的家蚕微粒子孢子快速检测方法及系统

本发明涉及检测模型，具体为一种基于ai识别的家蚕微粒子孢子快速检测方法及系统。

背景技术：

1、家蚕微粒子病是由家蚕微孢子虫（nosema bombycis）引发的毁灭性传染病，被我国列为蚕业生产唯一法定检疫对象；显微镜镜检作为当前基层质检机构的主要检测手段，存在检出灵敏度受限、依赖检验人员经验等不足，难以满足早期低浓度感染的快速诊断需求；

2、桑蚕微粒子病是危害蚕业生产最严重的病原之一，该病是由家蚕微孢子虫（nosema bombycis）引发的毁灭性传染病，被我国列为蚕业生产唯一法定检疫对象；该病原体可通过食下感染和卵内垂直传播胚种遗传，潜伏期内蚕体无明显外观症状，一旦爆发可导致蚕群大面积发病、产茧量骤降30%以上甚至绝收，严重时可摧毁整个蚕区的养殖体系。因此，研发高灵敏度、高特异性、适用于基层的早期快速诊断技术，已成为保障蚕桑产业可持续发展的迫切工程技术需求。

3、微孢子虫孢子直径仅2~4μm，形态微小，在低浓度感染早期（≤10³个/ml）难以通过常规镜检发现；分子检测技术虽在灵敏度和早期诊断方面具有优势，但受限于基层蚕种场的设备条件和操作成本，显微镜镜检目前仍是最经济的手段；目前技术总结了家蚕微粒子病的pcr、qpcr及lamp等分子检测技术的原理与优缺点，指出分子方法虽在早期诊断中具有显著优势，但其推广应用仍面临设备成本高、操作复杂等现实障碍；而显微镜镜检方法利用光学显微镜直接观察样本中的微孢子虫，无需昂贵的仪器设备和复杂的试剂耗材，基层蚕种场和质检机构均可常规配备使用，检测成本低廉且操作技术易于掌握；根据《蚕种管理办法》和《桑蚕原种检验规程》（ny/t 327-1997）等标准规定，母蛾显微镜检查仍是我国蚕种质量检验的法定方法，每批蚕种均需抽样进行母蛾镜检，以确保蚕种微粒子病合格率达标；尽管该方法存在检出灵敏度受限、依赖检验人员经验等不足，但凭借其成本低、普及率高、结果直观可靠等优势，目前仍是我国乃至发展中国家蚕种质量检验的首选方法，在保障蚕种安全和产业健康发展中发挥着不可替代的基础性作用。

4、近年来，基于机器视觉的自动化检测系统在农业病虫害监测中展现出巨大潜力；有部分学者展开了yolo算法在动植物表型研究中的应用；也有构建了融合senet的多尺度残差网络，识别准确率达98.72%；还有提出了基于数据密度的rgb颜色分量特征提取方法，为蚕体图像分割提供了有效手段；采用轻量级密集多尺度注意力网络进行小麦叶部锈病识别；针对显微图像中的孢子检测问题，还提出了基于yolov5提出yolo-asf-mobilevit模型，有效提升了密集粘连条件下微小孢子的检测精度；提出有gcs-yolov8网络，在黄瓜病原孢子检测中取得了92.6%的精度；基于改进yolo v8的轻量化稻瘟病孢子检测方法；此外，还有提出基于多尺度特征融合的轻量化桑蚕识别方法，在密集蚕体场景下实现了高精度实时检测；基于注意力机制改进yolo实现了温室番茄快速识别；通过transformer-cnn特征深度融合提升了复杂环境目标检测能力；后续还设计了基于曼哈顿距离注意力与门控双分支的yolov10s-mad模型，在桑叶多病害复合识别中取得了92.2%的map50；上述研究验证了注意力机制、多尺度融合等策略在小目标检测中的有效性，为后续申请的方案提供了直接参考。

5、尽管上述研究推动了蚕病智能诊断及小目标检测技术的发展，但尚未针对家蚕微粒子孢子的“弱特征”进行研究；所谓弱特征，是指孢子尺寸极小（仅2~4μm）、边缘与背景灰度过渡平缓、对比度低、且常与杂质、气泡等半透明干扰物纹理高度相似，导致其在显微图像中呈现“弱信号、强噪声”的特点；

6、现有模型存在以下三点不足：第一缺乏针对弱特征的信噪比提升机制，难以在复杂背景下有效分离孢子与杂质；第二缺乏对边界模糊区域的定位不确定性建模，导致预测框偏移；第三缺乏浅层细节与深层语义的精细化融合策略，弱特征易在跨层传递中丢失；因此，面向家蚕微粒子孢子弱特征的专用检测方法亟待研究。

技术实现思路

1、为实现以上目的，本发明通过以下技术方案予以实现：

2、一种基于ai识别的家蚕微粒子孢子快速检测方法，该方法包括：

3、获取目标孢子的图像数据集，并完成数据预处理；

4、基于原有yolov11n框架，构建适于镜检时孢子弱特征检测的rcl-yolo模型：

5、在骨干网络中，引入融合感受野自适应与通道空间双注意力的rfcbamconv_c3k2模块，替换原有c3k2结构；在颈部特征融合阶段，引入上下文感知的双分支注意力融合模块cafmfusion，取代原有操作，通过局部卷积与全局自注意力的协同以及像素级加权，实现浅层空间细节与深层语义信息的融合；在检测头部分引入定位质量估计头lqehead，通过显式评估边界框的定位精度并校准分类置信度。

6、进一步的，图像数据集的获取方式为：由光学显微镜拍摄，通过显微镜及其配套的相机成像获取，且图像数据集在不同光照和密度条件下对目标孢子进行拍摄。

7、进一步的，对图像数据集进行数据预处理时，采用的增强策略至少包括：进行水平、垂直翻转，小角度随机旋转、缩放、随机亮度；其中，小角度为预设角度，根据实际情况或预先设定的情况进行调整安排即可。

8、进一步的，rfcbamconv_c3k2模块以rfcbamconv替换原c3k2中bottleneck内的标准卷积；其中，rfcbamconv在rfaconv的基础上融合cbam改进得出；其中，cbam为通道注意力与空间注意力的串联机制。

9、进一步的，在cbam中，通道注意力ca用于提升弱特征的信噪比，通过不同尺度的分组卷积并行提取多感受野特征，经空间交互矩阵与softmax归一化生成通道权重，用于凸显在通道维度上微弱的孢子信号；空间注意力sa用于定位弱特征区域，将通道注意力加权后的特征图沿通道维度进行平均池化与最大池化，拼接后通过1×1卷积和sigmoid激活函数生成空间权重图，标定孢子所在的高响应区域。

10、进一步的，rfcbamconv模拟人类视觉系统的感受野机制，通过多尺度分组卷积在空间注意力中引入感受野自适应调整能力；rfcbamconv通过分组卷积动态调整不同空间位置的特征响应强度，等效于在不同区域施加了非均匀的感受野权重分布，使网络根据孢子尺度与形态灵活聚焦，用于适应不同大小孢子的弱特征形态变化。

11、改进后的rfcbamconv_c3k2模块通过双路径设计保留残差连接；

12、在骨干网络和颈部网络中，将第2、4、6、8、13、16、19、22层的原始c3k2模块替换为rfcbamconv_c3k2，形成层次化的弱特征增强机制；浅层模块p2、p3通过空间注意力强化孢子边缘轮廓，在复杂背景中初步锁定候选区域，保留弱特征的空间结构；深层模块p4、p5借助通道注意力与感受野自适应，在语义层面筛选高置信度特征，用于增强弱特征的语义判别力。

13、进一步的，双分支注意力融合模块cafmfusion的设计分为两个步骤：

14、第一步为卷积和注意力融合模块cafm；首先，浅层特征与深层特征通过逐元素加法获得初始融合特征，随后并行送入两个分支：

15、局部分支，依次应用1×1卷积与channel shuffle操作增强通道交互，再通过3×3卷积捕获局部空间相关性；

16、全局分支，应用1×1卷积进行降维后，采用多头自注意力机制生成查询、键和值，通过注意力图对值进行加权聚合，捕获跨空间位置的远程依赖关系；两个分支的输出经卷积进行连接与整合，实现初始的多尺度、跨层次特征融合；

17、第二步为像素注意力加权；来自cafm模块的增强特征沿通道维度与初始融合特征进行连接，随后输入分组卷积，即7×7卷积核，分组数等于通道数，通过sigmoid激活函数生成像素级权重图，该权重图分别与输入的浅层特征和深层特征相乘，自适应地为两者分配空间重要性系数，完成细粒度空间信息融合；

18、最后经1×1卷积输出多尺度融合特征；

19、在rcl-yolo颈部结构中，双分支注意力融合模块cafmfusion被部署于骨干与头部之间的关键跨层连接处。

20、进一步的，定位质量估计头lqehead通过利用边界框分布统计量来预测定位质量分数，对分类得分进行加性校准，采用gflv2中分布引导质量预测器的核心逻辑；

21、lqehead的完整结构包含：detect_lqe-branch，其作为改进型检测头结构，在原始结构的基础上，将分类分支的输出与一个新增的lqe模块的输出进行融合；lqe模块的输入来源于边界框回归分支的特征；lqe为lqehead的核心模块，展示其内部的统计特征提取与质量估计mlp两个步骤，接收来自detect_lqe-branch中边界框回归分支的预测角点分布向量，通过topk统计和mean池化提取反映定位不确定性的特征，并经由mlp网络映射为最终的定位质量调整值。

22、进一步的，lqehead的计算流程分为三个步骤：

23、第一步为topk统计特征提取，对边界框回归分支输出的四边分布向量，每条边分别提取前4个最大值及其均值，得到每条边5维的统计特征，四边共计20维；

24、第二步为softmax归一化，对提取的统计特征在通道维度上进行softmax归一化，将特征值转换为概率分布形式；

25、第三步为mlp映射，将归一化后的20维统计特征送入轻量级mlp子网络，经过两个逐点卷积层实现特征变换；其中，第一个卷积层将通道数从20维映射至中间隐藏层维度，经relu激活函数进行非线性变换；第二个卷积层将隐藏层输出映射为标量，生成定位质量调整值；最后，lqehead采用加性校准机制，将定位质量调整值与分类分支输出的初始分类得分相加，得到校准后的最终分类得分。

26、一种基于ai识别的家蚕微粒子孢子快速检测系统，该系统包括：

27、数据采集模块：获取目标孢子的图像数据集，并完成数据预处理；

28、模型构建模块：基于原有yolov11n框架，构建适于镜检时孢子弱特征检测的rcl-yolo模型：

29、在骨干网络中，引入融合感受野自适应与通道空间双注意力的rfcbamconv_c3k2模块，替换原有c3k2结构；在颈部特征融合阶段，引入上下文感知的双分支注意力融合模块cafmfusion，取代原有操作，通过局部卷积与全局自注意力的协同以及像素级加权，实现浅层空间细节与深层语义信息的融合；在检测头部分引入定位质量估计头lqehead，通过显式评估边界框的定位精度并校准分类置信度。

30、本发明提供了一种基于ai识别的家蚕微粒子孢子快速检测方法及系统，具备以下有益效果：

31、针对家蚕微粒子孢子显微图像中尺寸极小（2~4μm）、边缘模糊、与背景杂质灰度相似等弱特征导致检测困难的问题，本技术提出一种基于改进yolov11n的rcl-yolo孢子检测模型，相较于传统镜检方法和现有深度学习模型，该模型重点围绕弱特征的三个核心难题——弱特征表达不足、多尺度融合效率低、边界框定位不确定——构建了包含骨干感受野自适应双注意力模块、颈部上下文感知特征融合模块以及检测头定位质量估计模块三项改进措施，形成从特征提取、跨层融合到预测框校准的完整弱特征检测方案；

32、具体说明为：首先，在骨干网络中设计rfcbamconv_c3k2模块，通过感受野自适应机制与通道空间双注意力，专门增强对孢子弱特征（边缘细节、低对比度区域）的捕捉能力，提升复杂背景下的抗噪性；

33、其次，在颈部特征融合阶段引入上下文感知的双分支注意力融合模块cafmfusion，通过局部卷积与全局自注意力的协同以及像素级加权，实现浅层弱特征细节与深层语义信息的精细化融合，避免弱特征在跨层传递中丢失；

34、最后，在检测头部分引入定位质量估计头lqehead，针对孢子边界模糊导致的定位不确定性，通过显式评估边界框的定位精度并校准分类置信度，有效抑制低质量预测框

35、在自建的家蚕微粒子孢子显微图像数据集上进行实验验证，结果表明，本技术提出的rcl-yolo模型的检测精度map50达85.38%，map50:95达32.96%，较原始yolov11n分别提升2.94和0.98个百分点，精确率与召回率分别提升3.79和2.51个百分点，同时模型内存占用量仅7.5 mb，在保持轻量化的同时提升了对微小孢子弱特征的检测性能，可为蚕种质量检验的智能化提供有效技术参考。