本文旨在利用高光譜數(shù)據(jù)建立一個(gè)準(zhǔn)確、可解釋的植物病害識(shí)別模型。由真菌引起的大豆炭腐病是一種嚴(yán)重影響大豆產(chǎn)量的世界性病害。在383-1032 nm范圍內(nèi)，Resonon高光譜成像儀在240個(gè)不同的波長(zhǎng)處捕獲高光譜圖像。針對(duì)大豆炭腐病，科學(xué)家建立了3D卷積分網(wǎng)絡(luò)模型，模型分類(lèi)精度為95.73%，并利用可視化顯著圖檢驗(yàn)訓(xùn)練模型、敏感像素位置以及分類(lèi)的特征敏感波段，發(fā)現(xiàn)：敏感特征波段為733 nm，這和常用的鑒別植物健康程度的特征波段范圍（700-1000nm）是一致的。
【試驗(yàn)方法】
感染炭腐病的大豆：分別在第3、6、9、12和15天采集健康的和受感染的大豆莖稈樣品，在測(cè)量病害程度之前，實(shí)時(shí)采集健康的和收到感染的莖稈的高光譜圖像。
測(cè)量?jī)x器：美國(guó)Resonon高光譜成像儀，型號(hào)：Pika XC （包含安裝支架、移動(dòng)平臺(tái)、操作軟件和2個(gè)70 w鹵素?zé)簦?/span>
Pika XC性能：光譜通道數(shù)：240；波段范圍400-1000 nm；分辨率：2.5 nm。
（a）室內(nèi)高光譜成像系統(tǒng)
（b）不同光譜波段的大豆莖稈樣品高光譜圖像 （c）大豆莖稈內(nèi)外部RGB圖像病害程度比較
3D-CNN模型由兩個(gè)連接的卷積分模型組成，其中，一個(gè)小的構(gòu)架用于防止訓(xùn)練模型過(guò)飽和。2個(gè)圖層（3*3mm空間維度，16個(gè)波段的光譜維度）作為第一個(gè)卷積分分層，4個(gè)3*3*16的圖層作為第二個(gè)卷積分層，修正線性輸入模型作為輸出層。
【結(jié)果分析】
1.? 539個(gè)測(cè)試圖像用于3d-cnn模型的精度評(píng)估。
如表1所示：模型分類(lèi)準(zhǔn)確為95.73%，0.92的分類(lèi)精度也體現(xiàn)了不同病害階段的普適性。
2.??可視化顯著圖評(píng)價(jià)
我們可視化了用顯著圖分類(lèi)出來(lái)的部分圖像, 最大分類(lèi)得分的輸入圖像用于判別敏感像素位置。圖三為感染病害和健康圖像的顯著圖。每個(gè)像素的級(jí)別大小用于評(píng)價(jià)其在分類(lèi)過(guò)程中的重要性。受感染莖稈圖像的顯著圖比圖像中嚴(yán)重感染區(qū)域(紅棕色)對(duì)應(yīng)的位置具有更高的數(shù)值。這表明，嚴(yán)重感染的圖像區(qū)域包含最敏感的像素位置，可以預(yù)測(cè)受感染分?jǐn)?shù)。無(wú)論是健康圖像還是感染圖像，顯著圖高值都集中在莖的中部區(qū)域。
測(cè)試圖像的直方圖數(shù)據(jù)，代表了每個(gè)波長(zhǎng)最大顯著圖的圖像像元百分比C*=130 (733 nm)。
（1）在測(cè)試數(shù)據(jù)中，近紅外區(qū)的波長(zhǎng)733 nm (C*=130)是所有波長(zhǎng)中最敏感的；
（2）在703 ~ 744 nm的光譜范圍內(nèi)，15個(gè)波長(zhǎng)在測(cè)試圖像的像素位置中占33%，是梯度值的最大值；
（3）受感染樣本的可見(jiàn)光譜波長(zhǎng)(400-700 nm)比健康樣本更敏感。
【結(jié)果分析】
數(shù)據(jù)結(jié)果證明了3D-CDD模型可以有效地學(xué)習(xí)高維的高光譜數(shù)據(jù)，應(yīng)用于大豆炭腐病鑒別領(lǐng)域。從生理學(xué)機(jī)理角度，可視化顯著圖解釋了高光譜特征波段在分類(lèi)中的重要性，使模型更具有說(shuō)服力。因此，我們對(duì)于該模型更加自信，在未來(lái)，基于魯棒可解釋機(jī)制的波段選擇將有助于高光譜數(shù)據(jù)的降維，也將有助于設(shè)計(jì)高通量表型分析的多光譜攝成像系統(tǒng)。
植物病害的高光譜圖像解譯識(shí)別：3D-CNN與顯著圖模型.pdf