《Frontiers in Plant Science》：A continuous wavelet transform-enhanced transformer model for spectroscopic detection of bacterial wilt in tomato at early infection stages
编辑推荐：
摘要翻译：引言：番茄（Solanum lycopersicum L.）细菌性枯萎病是一种破坏性极强的土传病害，其早期感染阶段通常无症状或在外观上难以区分，这限制了常规诊断方法的有效性。方法：本研究开发了一种连续小波变换增强的Transformer框架（CWT-
摘要翻译：引言：番茄（Solanum lycopersicum L.）细菌性枯萎病是一种破坏性极强的土传病害，其早期感染阶段通常无症状或在外观上难以区分，这限制了常规诊断方法的有效性。方法：本研究开发了一种连续小波变换增强的Transformer框架（CWT-STNet），利用在受控接种条件下从番茄冠层采集的高光谱数据进行细菌性枯萎病的早期检测。感染严重程度被划分为0至4级，其中1–2级被定义为早期感染阶段。将原始光谱数据与通过连续小波变换（CWT）提取的多尺度小波特征进行融合，并系统评估了不同尺度组合对模型性能的影响。将CWT-STNet与一维卷积神经网络（1D-CNN）、随机森林（RF）和支持向量机（SVM）进行了比较。进一步采用SHapley Additive exPlanations（SHAP）解释模型预测并识别疾病敏感的光谱特征。结果：所提出的CWT-STNet框架在所有感染级别上的总体准确率达到96.77%，早期阶段检测准确率为93.60%。相比之下，仅依赖原始光谱的模型在区分早期疾病严重程度时准确率为84.15%。引入CWT衍生的多尺度特征改善了所有评估模型的性能，而消融分析证实了将原始光谱与多尺度小波特征相结合的重要性。SHAP分析确定869.0 nm附近以及1160–1190 nm区域的光谱特征对早期细菌性枯萎病检测尤为重要。讨论：所识别的光谱区域与细菌性枯萎病感染相关的生理和结构变化有关，包括植物水分状态、叶片细胞结构以及色素相关响应的改变。这些发现表明，所提出的CWT-STNet框架为番茄细菌性枯萎病的早期检测提供了一种稳健、可解释且非破坏性的方法，并具有精准病害监测的应用潜力。
论文解读
一、研究背景与问题
番茄（Solanum lycopersicum L.）细菌性枯萎病是由土传病原菌青枯劳尔氏菌（Ralstonia solanacearum）引起的维管束病害，在适宜环境下可造成超过90%的产量损失。病原菌侵染宿主木质部导管后，快速产生阻塞物质，干扰水分运输，最终导致植株萎蔫死亡。然而，在可见症状出现前的早期感染阶段，病原菌已开始扰乱寄主水分传导系统，引起轻微缺水、气孔行为波动及色素代谢的轻度改变，这些细微生理响应不足以形成可见症状，却反映了植物正常生理功能的潜在紊乱。虽然聚合酶链反应、原位杂交和血清学等实验室技术检测可靠性高，但其破坏性和耗时性限制了大规模田间应用。因此，亟需开发及时高效的早期监测技术。高光谱成像能够捕获与叶片生化组成和内部结构密切相关的连续光谱信息，为早期病害检测提供了可能。但高光谱数据的高维性、严重冗余和波段间强相关性，使疾病敏感信号常被大量冗余数据和背景噪声掩盖。特别是在番茄青枯病早期诊断中，青枯劳尔氏菌感染诱导的冠层光谱响应极为微弱，且早期生理变化与其他生物和非生物胁迫高度相似，加之所处环境波动和植株间差异，严重制约了高光谱技术在该场景下的检测效能。深度学习模型虽具有强大的非线性映射能力，但存在对大规模精细标注数据的依赖、缺乏物理可解释性、对背景噪声敏感以及跨环境泛化能力弱等瓶颈。连续小波变换（CWT）作为一种能够提高光谱分辨率、信噪比和特征峰识别能力的信号处理方法，对局部光谱变化高度敏感，可同时在波长域和尺度域提供局部光谱信息，适用于识别与植物生理变化相关的微弱吸收特征。而Transformer网络的自注意力机制能够对CWT处理后的多尺度光谱特征进行全局建模，捕获跨波段的长程依赖关系。基于此，研究人员提出了CWT-STNet框架，旨在实现番茄青枯病早期阶段的准确、可解释与非破坏性检测。
二、研究技术与方法
该研究在人工气候室内开展，共设置三个独立实验批次，以Ailsa Craig（AC）品种番茄为材料，采用根灌法接种携带lux标签的青枯劳尔氏菌株FJ91-LUX，并通过生物发光成像确认侵染成功。接种后1至6天，利用Dualix GaiaField-N17E-HR高光谱相机采集番茄冠层高光谱图像（850–1700 nm，共512个波段）。通过波段比值和阈值分割提取冠层感兴趣区域（ROI），并对原始光谱进行基线校正、Savitzky-Golay平滑、多元散射校正、最小-最大归一化、一阶导数和维纳滤波反卷积等预处理。随后采用墨西哥帽小波作为母小波，对ROI平均光谱进行连续小波变换，提取1–5尺度的多尺度小波特征。CWT-STNet模型由输入嵌入层、Transformer编码器和预测头组成，采用基于掩码自编码器的自监督预训练和加权交叉熵损失微调的两阶段训练策略。使用随机搜索优化超参数，并与支持向量机（SVM）、随机森林（RF）、一维卷积神经网络（1D-CNN）和ResNet18等模型进行比较。采用SHAP方法解释模型预测，并通过ROC-Youden指数确定阈值，生成像素级感染概率图。
三、研究结果
1. 番茄青枯病光谱曲线分析：原始冠层反射光谱在不同病害严重度级别之间几乎重合，仅依靠原始反射率难以区分青枯病严重度。但将同一病害级别内光谱反射率平均后，在近红外（NIR，900–1100 nm）和短波红外（SWIR，约1100–1650 nm）区域，健康植株反射率最高且随病害加重逐渐降低，1400 nm附近出现明显水分吸收特征，表明平均光谱能反映与病害相关的生理变化。
2. 原始光谱与CWT变换光谱的疾病检测比较：原始反射光谱的敏感性随时间逐渐提高，高敏感带主要分布在NIR和SWIR区域，但早期高敏感特征分布稀疏。CWT变换后的光谱在接种后第1天即出现少量高敏感特征，随着感染发展，信息特征覆盖范围显著扩大，至DAI 3–6几乎覆盖900–1700 nm全波段。CWT不仅能识别原始光谱中的关键特征，还能揭示大量原始分析无法检测的潜在特征，证明CWT有效增强了微弱光谱信号。
3. CWT-STNet模型与传统模型的性能比较：所有模型在引入CWT后性能均一致提升。CWT-STNet模型在所有评估指标上均达到最优：平均精确率95.03%、平均召回率94.60%、平均F1分数94.81%、总体准确率96.77%、Kappa系数0.95。相比之下，CWT-CNN的总体准确率为93.01%，CWT-ResNet18为91.66%，CWT-SVM为90.28%，CWT-RF为83.81%。基于原始光谱的模型中，CNN总体准确率91.31%，STNet为89.95%，ResNet18仅72.90%。CWT使ResNet18总体准确率提升18.76个百分点，使STNet提升6.82个百分点，证实CWT多尺度特征增强与Transformer全局依赖建模的协同效应。
4. 早期阶段检测性能的混淆矩阵分析：CWT处理显著提高了各模型在早期样本（1级和2级）上的识别准确率。CWT-STNet对健康样本（0级）和1级样本的识别准确率均达100%，对2级样本为93.2%，且对晚期样本（3级）误判为早期样本的比例较低（3级→1级为6.2%，3级→2级为6.2%），总误分类率仅14.3%。CWT-CNN虽然对1级和2级准确率分别为100%和92%，但存在3级→1级（3.1%）和3级→2级（6.2%）的误判。原始光谱模型如CNN对3级→2级的误判率达18.8%，STNet为10.9%，表明CWT-STNet对微弱病害信号具有更高的敏感性。
5. 消融实验验证：当排除原始光谱分支仅使用全部CWT尺度特征时，CWT-STNet总体准确率仅为84.15%；加入原始光谱分支后准确率达96.77%，提升超过12%。在保留原始光谱分支的情况下，使用单个CWT尺度时准确率在92.67%至94.72%之间，而组合全部CWT尺度后准确率达96.77%，超过所有单尺度配置。这表明原始光谱与多尺度CWT特征具有互补性，多尺度融合有效改善了特征利用效率。
6. SHAP可解释性分析与像素级感染概率图：SHAP分析显示，在所有病害等级中，最敏感波长分别为869.0 nm、1189.6 nm和1028.1 nm。早期阶段（1级和2级）的关键波长包括869.0 nm、1159.6 nm/1168.1 nm和1029.7 nm/1028.1 nm。869.0 nm位于近红外区域，主要反映叶片内部结构变化；SWIR区域波长（如1189.6 nm、1408.4 nm等）与叶片水分状态和生化成分密切相关。利用训练好的CWT-STNet模型生成的像素级感染概率图显示，随着病害加重，感染像素比例从0.80%增至84.70%，并模拟了病斑从局部区域向叶缘、再从叶片向整个冠层扩展的空间分布模式。
四、讨论与结论
讨论部分指出，CWT的核心优势在于能够挖掘与潜在生理变化相关的细微多尺度光谱特征，有效分离重叠的光谱响应信号，并增强不同病害严重度之间光谱特征的可分性。CWT-STNet的优异性能源于CWT特征增强与Transformer全局依赖建模的协同作用：CWT放大了疾病相关弱信号并降低噪声，而Transformer的多头自注意力机制能够捕获高光谱波段间的长程依赖关系，弥补了CNN主要关注局部特征的不足。与已有研究相比，本研究针对冠层水平的非破坏性检测，相比离体叶片成像面临更多光照、叶倾角、冠层结构和背景干扰等挑战，且青枯病早期感染发生在木质部内部，光谱响应更弱，CWT-STNet仍取得了较高性能。SHAP识别出的关键波长与叶片内部结构、水分状态和生化成分的生理变化一致，表明模型捕获了具有生物学意义的信息。研究也存在一定局限性：早期感染阶段标签的精确标注存在固有难度；模型仅在单一品种和受控条件下验证，数据集规模相对有限；注意力机制在面对田间重叠胁迫表型时可能出现响应偏差。未来需在多种品种、不同生长阶段和多样环境条件下使用更大数据集进行验证，并将生物和非生物胁迫作为负样本纳入训练测试体系，进行特征解耦优化。研究结论表明，CWT-STNet框架为番茄青枯病早期检测提供了可靠、非破坏性的方法，对温室番茄生产中的精准农业和智能病害管理具有重要支持潜力。
