基於YOLOv8之細菌微菌落顯微影像偵測模型設計
110
文章來源 : 農業科技決策資訊平台 2026-08-14
顯微影像細菌偵測面臨的技術限制
在食品安全、臨床診斷與微生物學研究中，快速且準確地偵測與辨識沙門氏菌與大腸桿菌等細菌相當重要，因為傳統培養法通常需要數天時間。近年來，結合光學顯微影像與深度學習目標偵測技術，如YOLO系列模型，已成為縮短檢測時間的可行方法。然而，現有通用偵測模型在面對低對比度、極小目標且與背景干擾複雜的顯微影像時，仍可能出現誤盼、定位不準確，或對信賴度閾值過於敏感等問題，因此有必要對網路架構進行優化設計。
研究團隊如何改良YOLOv8架構
美國南伊利諾大學（Southern Illinois University）研究團隊基於單階段目標偵測模型 YOLOv8進行改良，重點針對主幹網路與特徵融合設計進行比較。其引入EfficientNetV2，包含 S、M、L 等不同規模變體，以取代YOLOv8原本的CSP-Darknet主幹網路，藉此評估模型對微小、低對比度結構的特徵擷取能力。在特徵融合階段，研究系統性地對比三種頸部網路配置，分別為保留YOLOv8 原生頸部網路、改用受神經架構搜尋啟發的NAS-FPN頸部網路，以及移除頸部網路的配置。實驗資料集包含大腸桿菌與沙門氏菌在不同生長階段及不同背景條件下的高解析度顯微影像，並涵蓋含洋蔥背景干擾與無洋蔥背景干擾的影像情境；最終選用經專家驗證的2,381張單一菌種影像，按比例劃分為訓練集、驗證集與測試集，並以YOLO格式進行邊界框標註與跨尺度評估。
特徵融合提升微菌落偵測性能
研究發現，主幹網路與特徵融合優化，對細菌微菌落偵測性能具有明顯影響。相較於基準YOLOv8x模型所取得的平均精度（mAP@50）0.898、精準度0.891與召回率0.867，表現最佳的配置，即EfficientNetV2-S搭配YOLOv8原生頸部網路，可將mAP@50提高至0.987，精準度與召回率也分別達到0.976與0.968。研究同時指出，明確的多尺度特徵融合對於小目標偵測相當重要，所有保留頸部網路的配置均優於移除頸部網路的配置。此外，雖然EfficientNetV2-L搭配NAS-FPN在較高IoU閾值下的定位品質較佳，mAP@50-95達0.888，但輕量化的EfficientNetV2-S配置在信賴度曲線表現上較穩定，且具有較高的推論速度，同時可降低沙門氏菌漏檢率。
自動化微生物篩檢應用潛力
整體而言，此項研究顯示，透過主幹網路替換與特徵融合設計，可在不改變YOLOv8單階段目標偵測架構的前提下，改善顯微影像中極小目標的偵測效能。研究結果可作為後續評估模型規模、多尺度特徵整合與運算效率取捨的參考，也有助於提升沙門氏菌等高風險致病菌的召回率，降低食品安全篩檢中的漏檢風險。此配置在維持高準確度的同時兼顧推論效率，具備應用於自動化、高通量顯微微生物篩檢系統的潛力。本研究成果已發表於《Applied Sciences》期刊。
2 則留言
