棉花黄萎病——基于高光谱成像和SSFNe技术

棉花是全球重要的经济作物，但黄萎病对其生长造成严重威胁。吴念倚等本研究开发了一个融合棉花图像空间特征和光谱特征的模型(spatial-spectralfeaturefusionNetwork，SSFNet)，以准确检测CVW严重程度。

研究背景

黄萎病通过感染棉花根部，引起叶片萎蔫、变色和脱落，导致棉花品质和产量大幅下降。因此，监测和防治棉花黄萎病(cottonverticilliumwilt，CVW)备受关注。目前，CVW严重程度判断是由专家目视检查或测量棉株中大丽轮枝菌的生物量来定量检测，成本高且效率低。

随着计算机技术的进步，支持向量机和极限学习机等机器学习方法被用来检测CVW危害程度。但此方法依赖人工特征提取，泛化能力差。为克服传统方法的局限，许多学者利用深度学习强大的特征提取能力来检测CVW严重程度。

通过深度学习检测植物病害图像是关键的研究方向之一，它可以识别传统图像处理方法无法检测到的植物细微变化。Zhang等利用卷积神经网络(convolutionalneuralnetworks，CNN)成功提高了番茄叶片病的识别率。Liang等使用改进CNN成功提取水稻白叶枯病特征，实现了高效识别。

为使模型更关注关键特征，有学者将注意力机制与深度学习结合，如Nawaz等采用ResNet34和注意机制构建CNN，实现了番茄叶病的高精度检测。Cheng等提出了一种同时考虑空间信息和通道信息的注意机制，将其与MobileNetV3集成，在苹果叶病的检测方面取得了良好效果。这些研究虽然有效，但只关注图像特征，忽略了植物感染后内部生理变化。

高光谱检测方法能反映受感染植物的内部生理变化，是基于深度学习的植物病害检测的另一个重要的方向。Feng等和Jin等结合高光谱技术和深度学习技术，成功地识别了水稻和小麦的病害。Yadav等通过主成分分析算法(principalcomponentanalysis，PCA)对柑橘病害光谱数据的维度降维来训练CNN模型，效果显著。

这些研究表明，高光谱技术与深度学习相结合能有效地实现植物病害检测。对于模型性能提升来说，丰富的数据类型很重要。不同类型数据的融合有互补作用。在深度学习中，可以通过数据转换来融合不同的数据类型，提高模型性能的同时还能弥补不同数据类型的异构性差异。然而，目前CVW检测的研究大多集中在单一数据类型。忽略了图谱融合的重要性。

研究模型

具体内容如下:

(1)在图像方面，探索了基于注意机制的2DResNet方法。利用LAB颜色空间的特征补充RGB颜色空间特征。通过残差网络结构和跳跃连接，保证梯度有效传播，并结合高效通道注力机制(efficientchannelattention，ECA)增强对受染棉株图像关键区域的关注。

(2)在光谱方面，研究了一种基于残差网络(1DResNet)和非局部注意力机制(non-localattention，Nonlocal)的方法，捕获受染棉株光谱数据的长距离依赖关系，并比较了最小绝对收缩和选择算子(leastabsoluteshrinkageandselectionoperator，LASSO)和PCA两种特征提取方法与全谱输入的性能差异。

(3)结合改进后的2DResNet和1DResNet结构，开发融合模型SSFNet，有效融合图谱特征，实现对CVW等级的准确检测。

 研究结果

结果表明, 在图像中, ResNet和ECA结合的模型在使用双色空间特征时表现最佳; 在光谱数据中, 结合ResNet和Nonlocal的方法效果最佳。 最后, SSFNet的双分支结构通过合并图谱数据, 提高了检测精度, 优于使用单一数据类型的方法。 这种方法不仅提高了CVW等级检测精度, 还可以扩展到其他农业领域的应用。