近日，广西农业科学院重点实验室葡萄分子设计育种团队联合西北农林科技大学、山东科技大学在Plant Phenomics（中科院一区，IF：7.6）发表题为 “AFM-YOLOv8s: an Accurate, Fast and Highly Robust Model for Detection of Sporangia of Plasmopara viticola with Various Morphological Variants” 的研究论文。

葡萄霜霉病是威胁葡萄产业发展的头号病害，葡萄霜霉菌孢子的繁殖、扩散是葡萄霜霉病发生、传播的关键要素之一。对葡萄霜霉菌孢子的动态监测对于科学掌握葡萄霜霉病发病规律、及时监控病害发生传播进展及客观评价杀菌剂防治效果及菌株耐药性水平至关重要。然而，传统的人工鉴定和量化方法不仅耗时费力，且容易产生人为主观误差，效率较低，无法进行大规模的产业化应用。因此，开发自动化、可扩展的监测方法，提升检测的速度和准确性成为当务之急。研究团队结合深度神经网络、图像处理和机器学习技术，开发了一种名为 AFM-YOLOv8s 的葡萄霜霉菌孢子自动识别模型，用于快速检测葡萄霜霉病菌（Plasmopara viticola）的三种孢子囊形态：正常孢子囊、畸形孢子囊和空孢子囊。

在该研究中，研究人员构建了高分辨率显微镜孢子图像数据集，这些图像背景复杂，目标遮挡明显，且孢子囊体积较小。为提高检测效果，研究团队进行了多项优化改进，以更好地适应孢子囊形态特征的检测需求：首先，提出了轻量级特征提取模块 FasterCSP，有效减少了模型复杂度和参数量；其次，设计了适应交叉融合特征金字塔网络（ACF-FPN），增强了模型对多尺度特征的融合能力；最后，研究引入了一种新的损失函数 MPDIoU，改进了模型在边界框回归和空间定位方面的能力。AFM-YOLOv8s 模型在复杂背景中依然能够实现高效、准确的孢子囊检测。

在研究所构建葡萄霜霉病菌孢子囊数据集上的测试结果显示，AFM-YOLOv8s模型的检测准确率（mAP50）达到了91.3%。该成果作为葡萄霜霉病绿色综合防控研究的系列成果之一，将为病害精准监测预警、杀菌剂药效及菌株耐药性评价提供强有力的技术支持，具有广泛的应用前景。

重点实验室  曲俊杰供稿/供图

一审一校：杨柳

二审二校：薛臣艺

三审三校：陆炳强