超越视觉检视：基于高光谱传感器的大豆病害及侵染严重度的智能识别

《Smart Agricultural Technology》：Beyond Visual Inspection: Smart Identification of Soybean Diseases and Infection Severities using Hyperspectral Sensor

　　

将高光谱数据与机器学习模型相整合，为检测大豆作物中不同病害及其严重度等级提供了一种高效替代方案。本研究目标为：构建能够区分靶斑病（target spot，由 Corynespora cassiicola 引起）与亚洲大豆锈病（Asian soybean rust，由 Phakopsora pachyrhizi 引起）及其各自严重度等级的高光谱光谱特征；评估不同机器学习模型利用高光谱数据进行病害分类的性能；识别算法与数据类型之间最有效的输入组合以提升诊断精度。研究人员在2022/2023作物季开展两项田间试验，采集感染靶斑病与亚洲大豆锈病的大豆叶片。叶样于R5.5物候期（籽粒灌浆阶段）采集，收集健康小叶及表现25%与50%严重度的小叶，每种病害每个严重度等级各100片叶。所采叶片利用分光辐射计分析。高光谱数据可生成各病害及其严重度等级的光谱特征，并从中派生光谱波段（Spectral Bands, SB）与波段深度指数（band depth indices, RID），二者均旨在降低后续数据处理复杂度。研究人员实施主成分分析（Principal Component Analysis, PCA）以评估光谱波段、波段深度指数、病害类别、严重度等级及健康叶片间关系。除全光谱数据集及其降维对应项外，数据还经多层感知机（Multilayer Perceptron, MLP）、REPTree与J48决策树、随机森林（Random Forest, RF）、支持向量机序列最小优化（Sequential Minimal Optimization, SMO）、随机树及作为传统分类基准的逻辑回归（Logistic Regression, LR）等机器学习算法分析。靶斑病在所有分析区均呈现最大光谱区分度，亚洲大豆锈病在可见光（Visible, VIS）与近红外（Near-Infrared, NIR）区差异更显著，短波红外（Short-Wave Infrared, SWIR）区分较低。特定波段相关性被强调：B11–B22与B27对亚洲大豆锈病判别关键，初始VIS波段（B1–B3）对健康叶关键。总体，SMO结合SB被证为分类大豆叶不同病害类型与严重度最有效组合，而MP与LR在结合RID或SB时表现最佳。

研究背景方面，大豆（Glycine max L.）是全球领先农产品，但生物与非生物逆境威胁产量，其中由 Corynespora cassiicola 引起的靶斑病与由 Phakopsora pachyrhizi 引起的亚洲大豆锈病在热带国家尤为致害。当前病害识别依赖视觉评估或化学方法，需经验病理学家，耗时、昂贵且可重复性低，且多种病害形态相似阻碍快速精确诊断。遥感技术可提供非显见信息，高光谱传感器因能捕获350–2500 nm叶片反射率，成为检测多种作物病害的替代方案，但少有研究同时利用高光谱传感器辨别不同病害及其多等级严重度，并与机器学习（Machine Learning, ML）模型整合。因此研究人员开展此项研究，旨在构建光谱特征、评估ML模型性能并识别最优算法-数据组合，成果发表于《Smart Agricultural Technology》。

关键技术方法上，研究人员于巴西马托格罗索州两处田间（Nova Fran?a Farm与Gávea Farm）2022/2023季栽培M 5947 IPRO大豆，于R5.5期按图式标准采集健康、25%及50%严重度叶片各100片/病害，离体用FieldSpec 3 Jr分光辐射计配ASD Plant Probe取反射率均值；将全谱（WL，450–2500 nm共1025点）降维为28个光谱波段（SB）与22个反射率拐点差（RID）；以PCA解释变量关系；采用WEKA 3.8.5默认参数跑MLP、REPTree、J48、RF、SMO、Random Tree、LR及AdaBoost、Bagging，10折分层交叉验证10次重复。

研究结果部分，首先“光谱特征构建与比较”表明靶斑病全谱高反射且区分度最大，亚洲锈病在VIS/NIR区分明显而SWIR重叠高，健康叶与锈病曲线在SWIR贴近；严重度上靶斑病随严重度升反射率增高，锈病25%等级在全谱更易分，2000–2500 nm可分辨病害与健康。其次“PCA与波段相关性”显示28 SB中靶斑病与全部SB强关联，锈病50%关联B11–B22（501–710 nm）及B27（1930 nm），健康叶关联B1–B3（350–369 nm）；22 RID中R1/R9/R12/R13关联健康叶，靶斑病与所有RID强关联，锈病低严重度下RID敏感性弱。再次“机器学习分类性能（病害类型）”中，SMO与LR用全谱WL达约94%正确分类（Correctly Classified, CC）、Kappa≈0.9、F-measure≈0.9，为最优；MP与LR用RID/SB约90% CC。又“机器学习分类性能（病害+严重度）”中，SMO+WL获最高CC≈87%、Kappa≈0.85；MP/LR+RID约83% CC、Kappa≈0.78；LR+SB约82% CC。混淆矩阵证实上述最优组合可靠性。

讨论部分总结，研究人员指出靶斑病因坏死与组织解构致NIR散射改变而全谱可分，锈病因吸器结构与色素降解在VIS/NIR变异性大但SWIR水分信号弱；PCA锁定B11–B22及B27对锈病、B1–B3对健康叶判别力；虽杀菌剂处理与严重度非完全正交，但文献支持推荐剂量下大豆冠层VIS/NIR反射不受杀菌剂主导，故光谱分离反映病害本身进展；SMO处理高维小样本效率高，MP/LR在降维输入下省时且适于传感器带宽受限场景。结论部分翻译为：研究发现高光谱所得光谱特征可有效辨识与区分大豆病害及严重度；靶斑病全区区分最大，亚洲锈病VIS/NIR区分显而SWIR弱；B11–B22与B27对锈病、B1–B3对健康叶关键；总体SMO+WL为分类病害类型与严重度最有效组合，MP与LR在RID或SB输入下最优。