基于边缘计算与深度迁移学习的作物种子黄曲霉菌高通量智能评估系统开发与应用

本研究针对作物种子黄曲霉（Aspergillus flavus）感染人工评估存在健康风险与主观性强的问题，开发了基于边缘计算（Edge CV）的计算机视觉系统。通过集成语义分割与后处理技术，实现了花生种子感染指数的精准量化（R2=0.991），并利用深度迁移学习成功拓展至玉米（R2=0.968）和水稻（R2=0.949）。该系统为抗真菌育种提供了高通量、客观安全的表型分析解决方案。

　　

在农业生产和食品健康领域，黄曲霉菌（Aspergillus flavus）感染一直是困扰作物种子安全的重大难题。这种真菌不仅会导致作物减产，更可怕的是会产生强致癌性的黄曲霉毒素，直接威胁人类健康。为了培育抗真菌品种，研究人员需要对种子感染程度进行精准量化评估。然而传统人工评估方法存在明显缺陷：不仅主观性强、效率低下，更严重的是评估人员会直接暴露在含有黄曲霉孢子的环境中，面临严重的健康风险。

针对这一紧迫问题，厦门理工学院机械与汽车工程学院的吴立斌研究团队开展了一项创新性研究，开发了一套基于边缘计算的计算机视觉系统（Edge CV），实现了对作物种子黄曲霉感染的高通量、自动化评估。该研究成果已发表在《Plant Gene》期刊上，为农业表型分析提供了新的技术解决方案。

研究团队采用多技术融合的研究策略，主要包括：基于Jetson Nano的边缘计算硬件平台构建；集成CBAM（Convolutional Block Attention Module）注意力机制的语义分割模型优化；结合距离变换（Distance Transform）、局部极大值检测（Local Maxima Detection）和分水岭算法（Watershed Algorithm）的后处理流程；以及基于深度迁移学习（Deep Transfer Learning）的跨作物泛化验证。实验样本涵盖5个花生品种（M16、XHXL、GH65、LH29、YY92）以及市购的玉米和水稻种子，所有样本均通过标准化黄曲霉接种程序培养获得。

2.3. Edge Computing-based Computer Vision Model Construction

研究团队基于CSPNet和E-ELAN架构构建了Edge CV模型，通过引入CBAM模块显著提升了特征提取效率。该模块通过通道注意力（CAM）和空间注意力（SAM）的序列化处理，实现了对关键特征的自适应增强。在分割头设计上，模型支持像素级分类，能够精确区分感染与未感染区域。

2.3.2. Post-Processing Techniques for Assessment of A. flavus Infection Index

针对种子粘连和分割错误问题，研究团队开发了创新的后处理流程。通过距离变换计算像素到背景的欧氏距离，结合局部极大值检测确定种子中心，最后利用分水岭算法实现粘连种子的精确分离。这一流程确保了个体种子感染指数的准确计算。

2.3.3. Deep Transfer Learning for Assessment in Other Crop Seeds

通过迁移学习策略，将花生数据集上训练的模型成功应用于玉米和水稻种子。通过冻结底层特征提取层、微调高层结构，模型在少量样本条件下实现了跨作物的良好泛化性能。

3.1. Performance of Improved Segmentation

定量评估显示，Edge CV模型在mAP_50:95达到89.7%，显著优于YOLOv8（78.26%）、YOLOv10（81.31%）等对比模型。消融实验证实CBAM模块和后处理流程分别带来2.3%和1.5%的性能提升。

3.2. Performance of Improved Post-Processing

后处理技术有效解决了同一种子感染区域误分割和相邻种子粘连的问题。通过形态学操作和分水岭算法，实现了种子边界的精确划分和感染区域的准确合并。

3.3. Assessment of A. flavus Infection Index in Peanut Seeds

与人工评估相比，Edge CV系统将评估时间从分钟级缩短至秒级（0.3-1.0秒），同时将结果波动率从4.2%降低至0.01%。在五个花生品种的评估中，系统与人工评估结果高度一致（R²=0.991，RMSE=0.07），准确识别了从中度抗性（MR）到高度感病（HS）的不同抗性水平。

3.4. Assessment of A. flavus Infection Index in Other Crop Seeds Using Transfer Learning

迁移学习实验表明，系统在玉米（R²=0.968，RMSE=0.13）和水稻（R²=0.949，RMSE=0.26）上保持了良好的评估性能，尽管水稻由于种子较小导致精度略有下降。

研究结论表明，基于边缘计算的计算机视觉系统成功解决了作物种子黄曲霉感染评估中的安全性、主观性和效率问题。通过集成先进的深度学习算法和创新的后处理技术，实现了感染指数的精准量化。系统的成功开发不仅为抗真菌育种提供了可靠的技术工具，其迁移学习能力还展现了在不同作物类型间的良好适应性。尽管在光照变化和种子重度粘连方面仍存在挑战，但这项研究为农业表型分析提供了新的技术范式，特别是在边缘计算设备上实现实时、高通量的种子健康评估方面做出了重要贡献。未来通过引入三维成像和多视角融合技术，有望进一步突破现有局限，推动精准农业的发展。