基于改进YOLOv8n模型的生物图像小目标检测方法及其在羽毛钩状体纳米级识别中的应用

这篇研究论文创新性地提出了一种基于改进YOLOv8n模型的生物图像小目标检测方法，通过集成聚集-激发注意力机制（Gather-Excite）、显式视觉中心模块（EVC）和形状交并比损失函数（Shape IoU），显著提升了电子显微镜图像中羽毛钩状体的检测精度（mAP50提升5.7%）和召回率（提升9.1%），为解决生物显微研究中目标尺寸小、遮挡严重和姿态多变三大技术瓶颈提供了新方案。

　　

引言

随着生物学研究向微观世界深入，电子显微镜成像技术因其纳米级分辨率成为观察细胞结构和生物分子组装的关键工具。然而，高密度、相互遮挡、微小尺寸和形态多变的目标特性给精确识别带来挑战。本研究以鸽子羽毛钩状体——一种具有典型纳米级检测难度的生物结构为研究对象，通过改进YOLOv8n模型建立新型检测方法。

材料与方法

样本制备

采集鸽子（Columba livia）初级飞羽P3-P9，经金涂层处理后使用钨丝环境扫描电镜（FEI Quanta 450）在2000倍放大下成像，构建包含2177张图像、6000个标注的数据集。数据增强采用镜像翻转、比例缩放和区域裁剪策略。

模型改进

基线模型YOLOv8n通过以下三模块优化：

1. 1.

   聚集-激发注意力模块：嵌入主干网络第8-9层，通过深度可分离卷积（DWConv）全局收集特征，经sigmoid激活后与残差分支特征图相乘，解决目标遮挡问题。对比实验显示该模块使召回率提升5.2%。

2. 2.

   EVC模块：插入检测头第10-11层，结合多层感知机（MLP）的全局上下文理解和可学习视觉中心（LVC）的局部特征强化，使mAP50提升2.5%。

3. 3.

   Shape IoU损失函数：通过考虑预测框与真实框的形状比例参数，优化多姿态目标的回归精度，较CIoU使mAP50-95提升4.8%。

实验结果

改进模型在测试中展现出全面优势：

• •

  综合指标：F1-score达79.9%，较基线提升6.3%

• •

  检测速度：77.97帧/秒（基线95.31帧/秒）

• •

  典型案例如图10所示，改进模型对四个钩状体的检测置信度达0.73-0.80，而基线模型出现漏检（置信度0.28-0.32）

  统计检验显示mAP50提升具有显著性（p=2.09×10^-4）。

讨论

该研究的三大创新点具有普适价值：

1. 1.

   全局-局部特征融合：EVC模块通过MLP与LVC的并联结构，为细胞器等生物小目标检测提供新思路

2. 2.

   遮挡感知机制：Gather-Excite的全局信息补偿策略可迁移至组织切片分析

3. 3.

   形态敏感回归：Shape IoU对弯曲菌丝等不规则生物结构的检测具有启发意义

尽管检测速度有所下降，但模块化设计使其可与YOLOv10的无NMS结构兼容。未来通过模型轻量化（如知识蒸馏）可进一步优化效率，为生物显微研究提供更强大的自动化分析工具。

应用前景

该方法已成功应用于羽毛自愈机制研究，其技术框架可扩展至：

• •

  亚细胞器动态追踪

• •

  病原微生物识别

• •

  纳米药物载体分析

  为揭示"结构-功能"关系提供了新的技术范式。