《Plants》:Application of Hyperspectral Imaging and Generative Adversarial Network for Powdery Mildew Severity Detection on Melon Leaves
编辑推荐:
摘要:白粉病会降低甜瓜果实品质和产量,并可能导致植株死亡。准确的严重度诊断有助于病害防控、抗性评价和精准管理。本研究采用高光谱成像技术评估两个品种(浙甜105和浙甜501)在五种胁迫水平下的病害严重度。为探索生成模型用于光谱生成以进行病害严重度分类的可行性,使
摘要:白粉病会降低甜瓜果实品质和产量,并可能导致植株死亡。准确的严重度诊断有助于病害防控、抗性评价和精准管理。本研究采用高光谱成像技术评估两个品种(浙甜105和浙甜501)在五种胁迫水平下的病害严重度。为探索生成模型用于光谱生成以进行病害严重度分类的可行性,使用三种生成模型(条件生成对抗网络(CGAN)、深度卷积生成对抗网络(DCGAN)和条件深度卷积生成对抗网络(CDCGAN))为每个胁迫水平生成不同数量的样本。为评估生成数据质量,在三种条件下构建了分类模型(逻辑回归(LR)、支持向量分类(SVC)、极端梯度提升(XGBoost)和卷积神经网络(CNN)):使用真实训练样本预测真实测试样本;使用生成样本预测真实测试样本;使用真实训练样本与生成样本组合预测真实测试样本。结果表明,DCGAN和CDCGAN能够生成接近真实训练样本的样本。使用生成样本以及真实训练样本与生成样本组合的分类模型,在真实测试样本上的分类性能均有提升。不同数量的生成样本在预测性能上未呈现特定规律。部分使用生成样本及真实训练样本加生成样本的模型,其预测准确率较仅使用真实训练样本的模型最高可提升10%。逐类分析表明,并非所有类别的预测性能均提升。总体结果表明,生成对抗网络具有在不同病害严重度下生成不同甜瓜品种反射光谱的潜力。需要更多真实样本和生成策略以更好地提高生成数据质量。
论文解读:高光谱成像与生成对抗网络在甜瓜白粉病严重度检测中的应用
研究背景与问题:甜瓜(Cucumis melo L.)是全球广受欢迎的水果,但白粉病是甜瓜生产中的主要病害,主要侵染叶片、叶柄和茎,严重削弱植株发育,造成产量和品质下降,甚至植株死亡。传统病害检测依赖经验性目视诊断,主观性强且只能粗略估计严重度;实验室方法如PCR和显微观察虽准确,但成本高、设备要求严格、操作专业,难以大规模筛选。因此,快速、无损、高通量的现代传感检测技术成为研究热点。可见-近红外(Vis-NIR)光谱和高光谱成像已在植物病害检测中广泛应用,但在训练样本有限、类别不平衡或代表性不足时,纯数据驱动模型可能稳健性和泛化能力不足。如何在样本量少且类别不平衡的条件下提高建模性能,是亟待解决的问题。生成对抗网络(GAN)及其变体为光谱数据生成提供了新途径,但其在甜瓜白粉病严重度分类中的可行性尚需验证。
研究内容与结论:该研究发表于《Plants》。研究人员利用高光谱成像获取两个甜瓜品种(浙甜105和浙甜501)在五种白粉病严重度等级下的叶片反射光谱,并采用三种生成模型(CGAN、DCGAN和CDCGAN)为每个胁迫等级生成100、200和300个样本。通过LR、SVC、XGBoost和CNN四种分类模型,在三种训练条件下评估生成数据质量:仅用真实训练样本、仅用生成样本、以及真实训练样本与生成样本组合,均以真实测试样本进行预测。结果表明,DCGAN和CDCGAN生成的样本接近真实训练样本;使用生成样本或组合样本训练的分类模型在真实测试样本上的性能普遍提升,部分模型准确率提升最高达10%;但不同生成数量对性能的影响无明显规律,且并非所有类别的预测性能均提升。该研究证实了GAN在生成不同甜瓜品种、不同病害严重度反射光谱方面的潜力,为有限样本条件下的病害严重度评估提供了数据增强新思路。
主要关键技术方法:样本来自人工气候温室中栽培的浙甜105和浙甜501,每品种30株接种白粉病菌(Podosphaera xanthii)、10株健康对照;经专家独立分级后,共475张叶片高光谱图像用于分析。高光谱成像系统光谱范围400–1000 nm,提取叶片感兴趣区域(ROI)平均光谱,保留475–987 nm共400个波段并作平滑预处理。生成方法采用CGAN、DCGAN和CDCGAN。分类模型包括LR、SVC、XGBoost和引入高效通道注意力(ECA)的CNN。评价指标包括光谱角制图(SAM)、Wasserstein距离(WD)、均方根误差(RMSE)、t-SNE可视化和分类准确率。
研究结果:
2.1 光谱特征:不同严重度叶片的平均光谱趋势相似,但反射率存在差异;不同品种间光谱差异未呈现完全一致规律,且标准差图显示各严重度等级光谱存在重叠。
2.2 基于真实样本的分类结果:使用真实训练样本预测真实测试样本时,CNN在两个品种上表现最优,浙甜501测试准确率超过80%;LR和XGBoost性能较差。结果存在过拟合,因为研究重点是探索GAN生成样本的可行性。
2.3 数据增强研究:CGAN生成的光谱含有明显尖峰噪声,故未用于后续分析;DCGAN和CDCGAN生成的光谱在视觉上与真实光谱高度相似,且SAM、WD和RMSE值较低,表明生成质量较好。t-SNE分析显示,DCGAN和CDCGAN生成样本均能沿真实样本分布轨迹分布,增加生成数量可提高覆盖密度,但类别2和3之间仍存在局部重叠。
2.3.1 生成光谱剖面分析:DCGAN和CDCGAN生成的光谱无尖峰噪声,平均SAM略低、WD和RMSE略高,整体生成质量良好;CGAN需进一步平滑处理。
2.3.2 生成数据的t-SNE分析:t-SNE可视化表明,两种生成模型均能保持类别结构和类内分布特征,类别0和4分离清晰,类别1、2、3局部重叠,生成样本未出现明显分布漂移。
2.3.3 基于分类模型的生成光谱质量评估:使用生成样本或真实训练样本加生成样本训练的分类模型,在真实测试样本上的准确率较仅用真实训练样本的基线普遍提升;SVC和CNN相对表现更好。但生成数量增加并不总是带来性能提升。
2.3.4 真实测试样本的逐类分析:SVC模型的逐类结果显示,浙甜105中类别1和3的预测性能有所下降,浙甜501中类别4下降较小,而类别3在基线中准确率为0%,使用生成数据后显著提升,说明GAN在极端有限样本下具有潜力。
讨论与结论:讨论指出,CGAN生成光谱含噪声的原因需进一步研究;生成数据的评价需结合光谱曲线、t-SNE分布及分类性能。生成数量增加未带来一致的性能提升,说明生成数据扩散性有限。逐类性能下降可能与真实训练样本少和生成样本代表性不足有关。未来需增加真实样本数量、开展多次生成实验、考虑采样植株、日期和批次因素,并引入植物病理学知识约束生成模型,以提高生成光谱的生物合理性和实际可靠性。
研究结论:本研究采用高光谱成像检测浙甜105和浙甜501两个甜瓜品种叶片白粉病感染严重度。使用真实训练样本和真实测试样本建立的分类模型表明,对五个病害等级进行分类是可行的。CGAN生成的光谱存在噪声,而DCGAN和CDCGAN生成的光谱经光谱目视检查、t-SNE、SAM、WD和RMSE分析显示质量良好。与仅使用真实训练样本建立的模型相比,使用生成光谱以及真实训练样本与生成光谱组合的模型在真实测试样本预测上均有提升。使用不同数量生成光谱的分类模型及真实训练样本与不同数量生成光谱组合的模型,在真实样本预测性能提升上均无特定规律。总体而言,不同分类模型表现不同,CNN和SVC模型相对更优。SVC模型真实测试样本的逐类分析表明,不同病害胁迫等级的数据生成仍需进一步改进。本研究结果证明了DCGAN和CDCGAN生成不同病害胁迫等级样本以提升预测性能的可行性。未来需进一步扩大真实样本集,以生成更具代表性和多样性的样本,并更全面地评估生成数据质量;还应进一步研究基于未知真实样本的生成数据外部验证,并优化和改进GAN算法,以生成更高质量、更多样化和更具扩散性的数据。