基于无人机多光谱影像和模糊深度神经网络的辣椒黄萎病严重度分级研究

为解决辣椒黄萎病(VW)分类精度低、检测效率受限及模糊不确定信息干扰的问题，研究人员提出一种融合模糊逻辑与深度学习的模糊一维卷积神经网络(Fuzzy 1DCNN)模型。通过无人机(UAV)多光谱数据构建包含20种植被指数和光谱波段的特征集，经主成分分析(PCA)降维后，对比随机森林(RF)、支持向量回归(SVR)、XGBoost和1DCNN等模型性能。结果表明Fuzzy 1DCNN在完整特征集(FF)和筛选特征集(SF)上均表现最优(F1score=0.915，OA=0.926)，显著提升了对噪声和冗余特征的鲁棒性，为作物病害精准监测提供新方法。

　　

辣椒作为新疆重要的经济作物，其产量和品质常受到黄萎病(Verticillium wilt, VW)的威胁。这种由真菌引起的土传维管束病害会导致叶片萎蔫、根系坏死，最终造成严重减产。传统诊断方法依赖人工田间调查或实验室检测，存在主观性强、效率低下等问题，难以满足大面积实时监测需求。近年来，无人机(Unmanned Aerial Vehicle, UAV)遥感凭借覆盖范围广、无损采集、多源信息融合等优势，成为作物病害监测的新兴手段。然而，多模态遥感数据中普遍存在的噪声和模糊不确定性，会显著降低分类模型的准确性。

针对这一挑战，Lijian Lu团队在《Smart Agricultural Technology》发表研究，创新性地将模糊逻辑融入深度学习框架，开发出模糊一维卷积神经网络(Fuzzy 1DCNN)。研究首先利用大疆Mavic 3无人机获取辣椒田多光谱影像，结合4个原始波段和20种植被指数构建特征集，通过主成分分析(PCA)降维得到完整特征集(FF,24维)和筛选特征集(SF,10维)。随后优化随机森林(RF)、支持向量回归(SVR)和XGBoost等传统模型，并设计标准1DCNN作为基线。最终提出的Fuzzy 1DCNN通过模糊1DConv和模糊1DAvgPool操作，实现了对输入特征的自适应加权，显著提升模型在模糊边界条件下的判别能力。

关键技术方法包括：1)基于DJI Terra和ENVI 5.6的多光谱数据预处理；2)采用PCA从24维特征中筛选关键指标；3)设计基于Takagi-Sugeno-Kang(TSK)模糊系统的卷积/池化操作；4)通过网格搜索优化机器学习模型超参数；5)使用五折交叉验证评估模型性能。实验区域位于新疆塔城地区西戈壁镇，共采集300个1平方米样方，按病斑面积比例将病害严重度(VWS)划分为0-4级。

研究结果显示：在特征选择方面，绿波段(G)、红边波段(RE)、近红外波段(NIR)与增强型植被指数(EVI)、修正土壤调节植被指数(MSAVI)等10个特征贡献度最高，累计方差解释率达85.3%。模型对比实验中，Fuzzy 1DCNN在SF数据集上取得最优性能(F₁score=0.915，总体准确率OA=0.926)，较传统模型提升5-10%。值得注意的是，即使在包含冗余特征的FF数据集上，该模型仍保持稳定表现(F₁score=0.892)，展现出卓越的抗干扰能力。

通过混淆矩阵分析发现，传统模型在中等病害程度(25₁score=0.921)，但过大的池化窗口会抑制特征表达。

研究结论指出，融合模糊理论的深度学习框架能有效处理遥感数据中的不确定信息，其自适应加权机制可抑制无关特征干扰。该成果不仅为辣椒黄萎病监测提供可靠工具，更开创了模糊逻辑与卷积神经网络协同处理农业遥感问题的新范式。未来研究将探索注意力引导的模糊规则生成机制，并验证模型在不同作物和生长季的普适性，推动精准农业病害监测系统的实际应用。