利用高光谱成像和深度学习技术在甜菜田中检测 Kochia [Bassia scoparia (L.) A.J. Scott] 和水蓼 [Amaranthus tuberculatus (Moq.) J.D. Sauer]

《Pest Management Science》：Detection of kochia [Bassia scoparia (L.) A.J. Scott] and waterhemp [Amaranthus tuberculatus (Moq.) J.D. Sauer] in sugarbeet field using hyperspectral imaging and deep learning technologies

甜菜田中基于高光谱成像的深度学习模型（AE-CNN）可有效区分柯希草和水蒿，准确率达99.99%，优于仅用光谱特征的SVM模型。研究为田间杂草精准识别和靶向管理提供新方法。

　　

摘要

背景

猪殃殃（[Bassia scoparia (L.) A.J. Scott]）和水蓼（[Amaranthus tuberculatus (Moq.) J.D. Sauer]）是甜菜种植中最具侵略性和竞争力的杂草种类。它们在生长早期与作物非常相似，这使得使用传统成像技术进行早期识别面临重大挑战。本研究旨在开发并评估一种基于高光谱成像的深度学习模型，以在田间条件下区分猪殃殃和水蓼与甜菜。通过获取高光谱图像并进行预处理，提取用于分类的光谱和空间信息。

结果

采用结合了光谱和空间特征进行训练的注意力增强卷积神经网络（AE-CNN）取得了最佳性能，分类准确率为99.99%，精确度、召回率和F1分数均为1.0。相比之下，仅使用光谱特征进行训练的支持向量机（SVM）的分类准确率为96.98%，精确度、召回率和F1分数为0.97。

结论

这些结果展示了基于地面的高光谱成像技术在准确区分入侵杂草与作物方面的潜力，为农业中的针对性杂草管理提供了支持。该发现为利用植物的光谱特征进行早期杂草识别提供了宝贵见解，并有助于制定及时且有效的杂草控制策略。? 2025 化学工业学会。