利用基于深度学习的高光谱图像检测苹果黑星病

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Apple anthracnose detection by deep learning-based hyperspectral image

　　

摘要

苹果的采后质量和安全对全球水果消费至关重要。早期和准确的病害检测对于防止病害传播和优化植物保护策略非常重要。因此，本研究提出了一种基于高光谱成像（HSI）多通道特征提取与深度学习（DL）相结合的苹果炭疽病早期检测方法。数据来自健康苹果样本，感染苹果根据症状被分为无症状组和有症状组。为了分析细微的光谱变化，提取的感兴趣区域（ROI）被分解为多波段图像作为全局光谱特征。对比度限制的自适应直方图均衡化（CLAHE）用于增强波段图像信息，而Otsu算法用于分割和高灰度及低灰度区域作为局部光谱特征。通过整合全局和局部特征，并结合CNN、CNN-LSTM和CNN+SE算法构建了早期病害检测模型。 fused全光谱CNN+SE模型的准确率达到97.78%。连续投影算法（CARS）和信息权重消除算法（Uninformative Variable Elimination Algorithm）被用来从全光谱特征中选择特征。CARS算法结合CNN+SE模型的准确率达到97.04%。结果表明，HSI结合DL可以有效实现苹果炭疽病的早期检测，为水果和蔬菜的非破坏性和准确检测提供了一种有效解决方案。

引言

苹果富含各种维生素、矿物质和独特的生物活性化合物[1]、[2]。然而，苹果在收获后容易受到青霉菌和链格孢菌等真菌的感染，这可能导致病害传播和质量下降[3]。苹果炭疽病由炭疽病菌引起，并且传播速度很快[4]。在潜伏期内没有明显的症状，但在后期病变会迅速扩散，导致严重的采后损失。因此，特别是在无症状阶段准确检测苹果炭疽病对于采后储存、运输和质量控制至关重要。

传统的手动检测依赖于视觉观察和基于经验的判断，这容易受到主观因素的影响，缺乏客观性[5]、[6]、[7]。近年来，智能传感技术如计算机视觉逐渐应用于作物病害识别。例如，基于视觉异构图神经网络的模型结合了计算机视觉和图神经网络，实现了咖啡幼苗根腐病的早期识别[8]。此外，深度学习（DL）视觉分析方法也应用于农业目标识别和状态监测等任务，并通过结合物联网的数据管理框架、区块链和智能决策算法扩展到了农业监测中[9]、[10]、[11]、[12]。然而，机器视觉主要依赖于外部表型特征，而早期感染症状通常不明显，难以有效捕捉潜在的生理变化，这限制了其在早期检测中的应用。

为了进一步分析病害发生时的内部生理变化，非破坏性检测技术如光谱成像已被广泛应用于作物病害检测[13]、[14]、[15]、[16]。其中，高光谱成像（HSI）利用不同波段的光谱和空间分布信息对变化的敏感性，实现了疾病的快速检测[17]、[18]、[19]、[20]。目前，HSI已成功应用于农产品质量评估和食源性微生物病原体的快速检测[21]，已成为植物疾病早期非破坏性检测的重要技术。然而，高光谱数据往往具有高维度和信息冗余，因此提取有效的判别信息对于提高检测性能至关重要。因此，特征选择算法和机器学习模型在高光谱数据分析中被广泛使用。其中，如竞争自适应重采样（CARS）等算法用于筛选光谱变量，并与反向传播神经网络和支持向量机等模型结合，以实现作物病害分类[22]、[23]。与传统的全光谱建模方法相比，特征选择可以降低数据维度并提高模型效率，但其性能通常依赖于手动设计的特征，其全面表示复杂病害信息的能力仍然有限。然而，单光谱信息难以完全表征病害引起的复杂变化，因此融合多源特征（如光谱、纹理和植被指数）逐渐成为提高检测性能的重要策略[24]、[25]。先前的研究表明，多特征融合可以增强表达疾病相关信息的能力，并在复杂条件下提高识别性能。例如，通过融合优化后的波长、植被指数和纹理特征，实现了对草莓早期灰霉病的有效检测[26]。对于影响苹果和其他经济作物的病害，使用SPA和IRF筛选关键光谱变量，然后结合颜色矩、纹理特征或植被指数等信息构建分类模型，以提高病害识别率[27]、[28]、[29]。此外，一种融合光谱和空间信息的双通道卷积神经网络在苹果早期溃疡的检测中实现了高分类精度，验证了空间信息在早期病害识别中的重要作用[30]。

近年来，深度学习（DL）方法克服了传统机器学习的局限性，后者依赖于手动特征提取，可以自动学习高光谱数据中的分层光谱-空间特征。其中，卷积神经网络（CNNs）、注意力机制和多模态融合网络进一步增强了提取和表示复杂病害特征的能力，并已被广泛用于病害检测研究。然而，现有研究仍然主要基于从完整的高光谱图像或感兴趣区域（ROI）中提取特征，对早期病害引起的局部变化关注不足。在病害早期阶段，局部组织结构和光谱响应发生变化。局部特征比全局特征更敏感，有助于提高早期病害的识别能力[31]。尽管现有研究在光谱特征提取和模型构建方面取得了一些进展，但表征早期病害弱特征的能力不足以及光谱和空间信息融合不足仍然是限制检测性能提高的关键问题。因此，本研究以苹果炭疽病为研究对象，提出了一种融合全局-局部光谱空间特征的高光谱检测方法，以实现早期病害的非破坏性识别（图1）。本研究的主要内容包括：（1）使用CLAHE和Otsu方法提取高光谱图像中不同波段的局部特征；（2）整合局部区域光谱信息和ROI整体光谱特征，构建全局-局部联合特征表示；（3）使用DL模型评估融合特征对苹果炭疽病早期检测的有效性。

章节片段

苹果样本准备

实验样本选自中国江苏省镇江市，共90个成熟度一致、大小相似的苹果。果皮用2%次氯酸钠溶液消毒，用自来水冲洗后，在无菌环境中风干。样本存储在温度和湿度恒定的室内，温度为8°C，相对湿度为80%。炭疽病菌（Glomerella cingulata，Bio-24,525）被转移到马铃薯葡萄糖琼脂上。

苹果的光谱特性分析

为了分析苹果炭疽病感染期间的时序光谱演变特性，绘制了感染后第1天至第6天的对照组和感染组的平均原始光谱曲线（图S2）。在600–850 nm波长范围内，健康样本的反射率始终高于病害样本。此外，随着病害严重程度的增加，病害样本在该波长范围内的反射率呈现单调递减趋势。

结论

本研究提出了一种使用HSI结合DL的苹果炭疽病早期非破坏性检测方法。通过融合光谱和空间特征，实现了不同感染阶段苹果炭疽病的准确识别。不同特征融合策略的结果表明，引入空间信息可以提高模型表示早期病害细微变化的能力。基于全局-局部特征融合的CNN+SE模型取得了最佳性能。

CRediT作者贡献声明

陈阳：撰写-原始草稿，验证，监督，数据整理。孙昌军：资源提供。王晨：方法学研究。道格拉斯·费尔南德斯·巴宾：撰写-审阅与编辑。邹晓波：撰写-审阅与编辑，形式分析。郭志明：概念化，监督，项目管理，资金获取。

作者在写作过程中未使用任何人工智能辅助技术。

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（W2412103）、镇江市科技计划（GJ2024009）、江苏省研究生研究与实践创新计划（KYCX24_4023）、圣保罗研究基金会（FAPESP，巴西）的资助。项目编号为2024/15243-0。道格拉斯·费尔南德斯·巴宾教授是

相关新闻