基于高光谱成像与一维卷积神经网络（1D-CNN）的拱棚草莓白粉病检测与阈值校准研究

《Smart Agricultural Technology》：Hyperspectral Imaging and One?Dimensional Convolutional Neural Network (1D-CNN) Based Detection of Strawberry Powdery Mildew under Polytunnel Conditions

　　

白粉病（Powdery Mildew, PM；Podosphaera aphanis）威胁草莓产量和品质，要求在类田间条件下进行早期、无损检测。研究人员将高光谱成像（Hyperspectral Imaging, HSI；350-1000 nm）集成到拱棚内轨道安装系统，结合光谱预处理（Savitzky-Golay平滑、标准正态变量变换（Standard Normal Variate, SNV）/多元散射校正（Multiplicative Scatter Correction, MSC））和孤立森林（Isolation Forest, ISF）异常值去除，并基于感兴趣区域（Region of Interest, ROI）提取光谱。研究人员在平衡光谱（n = 1,940；70/15/15划分）上训练一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1D CNN），并与随机森林（Random Forest, RF）、决策树（Decision Tree, DT）、偏最小二乘判别分析（Partial Least Squares Discriminant Analysis, PLS-DA）和支持向量机（Support Vector Machine, SVM）进行评价。在留出测试集上，全谱1D CNN达到84.2%准确率（健康：精确率/召回率/F₁-score = 0.93/0.74/0.82；白粉病：0.78/0.94/0.86），曲线下面积（Area Under the Curve, AUC）= 0.933，偏向高白粉病敏感性以用于筛查。结果证明HSI与深度学习结合可在半控制、近田间条件下可靠检测PM，并突出通向紧凑多光谱实现和精准农业中阈值校准操作的实践路径。

论文作者为 Jobin Francis、Ali Al Masri、Maximilian Pircher 和 Philipp Wree。该研究关注在拱棚半控制、近田间条件下，利用高光谱成像（Hyperspectral Imaging, HSI）与一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1D CNN）检测草莓白粉病（Powdery Mildew, PM；Podosphaera aphanis）。草莓是全球重要经济水果，全球产量约900万吨，但真菌病害可造成总产量20%至30%损失。PM易侵染叶片、花朵和果实，严重时导致显著减产。传统防治依赖杀菌剂喷雾，但PM易产生抗药性，过量施用还会造成环境退化和土壤有毒物质积累。传统病害监测依赖专家目检，成本高、劳动与时间消耗大且易出错；实验室方法虽较准确，但耗时、破坏性并需精密仪器和严格操作。常规RGB机器视觉虽快速无损，可在可见病斑阶段检测，但难以识别视觉症状出现前的生理和代谢变化。HSI兼具成像与光谱优势，可提供窄带图像和逐像素光谱信息，用于早期诊断色素组成、水分等生化生理响应。然而，已有研究多在受控实验室开展，田间或近田间环境中的光照波动、风、温度、叶片朝向变化和校准漂移会影响高光谱数据质量和模型可靠性。因此，研究人员在拱棚条件下获取草莓叶片高光谱数据，目标是表征健康与PM叶片光谱差异，开发全谱和选带输入的分类模型，筛选信息波长，与代表性基线分类器比较，并评估稳健性、泛化能力和现场部署可行性。研究结论表明，全谱1D CNN获得84.2%准确率和AUC=0.933，对PM具有高召回率，适合筛查；波长选择管线提高测试准确率至0.894、AUC至0.968，并降低输入维度，显示HSI与深度学习结合用于可靠PM检测的可行性，并为紧凑多光谱实现和精准农业阈值校准操作提供路径。

关键技术方法（不超过250字）：样本来自 Fraunhofer IGD, Rostock, Germany 管理的草莓田，植株在拱棚下长米架上栽培，2024年6月开始，未接种PM，白粉病自然发生。采集使用 Cubert X20 紫外-可见-近红外（Ultra-Violet Visible-Near Infrared, UV Vis-NIR）高光谱相机（350-1000 nm，164波段，4 nm采样），安装于轨道/移动小车，进行暗、白、距离校准。光谱提取采用 Cuvis SDK 的 Python 接口和 ROI；预处理包括 ISF 异常去除、Savitzky-Golay 平滑（Savitzky-Golay Smoothing, SGS）、SGS+SNV 或 SGS+MSC。1D CNN 输入145波段一维信号，包含四个卷积层（32、64、128滤波器）、批归一化、最大池化、64神经元全连接层、dropout 0.3 和 sigmoid 输出，采用 Adam 优化、二元交叉熵、学习率0.0001、100轮。训练集1,940条平衡光谱，70/15/15划分。波长选择采用方差低于0.001过滤和互信息排序，并扩展±2邻域。基线比较RF、DT、PLS-DA、SVM，评价指标包括精确率、召回率、F₁-score、准确率和AUC。

研究结果：
3.1 Performance evaluation of the 1D CNN
研究人员将每条光谱视为145波段的一维信号，在1,940条平衡光谱（健康970条、PM 970条）上训练1D CNN，采用分层70:15:15划分。训练与验证曲线显示，模型在前10至15轮快速提升，训练准确率至第100轮升至0.84，验证准确率稳定在0.83至0.86；训练损失由0.92降至0.32，验证损失由0.70至0.80降至0.29，后半程验证损失略低于训练损失，与批归一化和dropout正则化一致。学习率由1×10^?4降至5×10^?5，最后降至2.5×10^?5，与验证稳定和损失改善一致。测试集混淆矩阵显示，108个健康样本被正确分类，38个健康样本误判为PM；137个PM样本被正确识别，8个PM样本误判为健康。分类性能为：健康精确率/召回率/F₁-score=0.93/0.74/0.82，PM=0.78/0.94/0.86；ROC曲线AUC=0.933，表明跨阈值排序能力强。0.5阈值下模型偏向疾病敏感性，PM召回率高而健康召回率较低，大多数错误为健康叶假警报而非漏诊PM，适合筛查和早期检测；通过调整决策阈值可在不重训情况下重新平衡精确率与召回率。总体而言，该模型能可靠区分健康与PM感染叶片光谱。

3.2 Performance evaluation with the state-of-the-arts
研究人员将1D CNN与RF、DT、PLS-DA和SVM比较。RF在经典方法中表现最佳，准确率0.81、F₁-score=0.82，能捕捉非线性光谱关系且对噪声较稳健，混淆矩阵显示类别误差相对平衡，PM漏诊较少。DT和PLS-DA表现中等，准确率分别为0.77和0.79，F₁-score分别为0.77和0.79；其错误在健康与PM之间存在明显重叠，反映单树容量和线性边界的限制。PLS-DA对PM召回率仍有竞争力，与其建模预处理光谱主方差方向的能力一致。SVM采用RBF核时出现明显类别偏差，F₁-score=0.56，正文报告准确率为0.60，表中列为0.68，原文存在不一致；其健康召回率很高而PM召回率低，决策边界偏向健康类。整体上，RF是最佳经典基线，PLS-DA具有合理可解释性，而未校准非线性SVM在类别可分性细微时易表现不佳；相较之下，1D CNN具有更高AUC和更高PM召回率，更有利于疾病筛查并减少漏诊。

4 Challenges and Future Perspectives 讨论总结
研究人员认为，该研究在紧凑光谱输入和稳定训练方面展示了强可分性，但推广到不同品种、生长阶段、季节和采集条件仍需扩展数据集。光照、叶龄和传感器校准等域变异是主要误差来源，尤其对早期或轻微感染；未来应使用标准化白/暗参考、重复测量和多站点采样，并进行独立外部验证和置信区间报告。波段选择可进一步采用嵌套交叉验证、嵌入式或可微选择器、组套索或注意力机制，以保留红边斜率等局部上下文并优化波段相关性。操作点选择对农业决策关键，应进行概率校准、根据漏诊和假警报成本选择阈值，并报告ROC/PR曲线；代价敏感训练和事后阈值化可结合使用。模型还可引入空间-光谱上下文、2D/3D CNN或混合架构，并使用可解释AI识别驱动决策的波长和邻域。资源受限时可采用剪枝、量化或知识蒸馏实现设备端推理；选带结果可指导红边和近红外区域的多光谱传感器设计。此外，应通过容器化流程、版本化数据和校准元数据提高可重复性，开展传感器间校准转移、预处理协调和持续学习再训练，并探索高光谱与RGB或热成像的多模态融合。

5 Conclusion 研究结论翻译
本研究表明，高光谱成像（Hyperspectral Imaging, HSI）结合紧凑一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1D CNN）可在拱棚条件下可靠区分草莓白粉病（Powdery Mildew, PM）。全谱模型获得较强排序性能（AUC=0.933），波长选择管线将波段集中于色素和结构敏感区域，提高测试准确率（0.894）和AUC（0.968），同时降低输入维度。与经典基线（RF、DT、PLS-DA、SVM）相比，1D CNN提供更优且更可调的操作特性，通过事后阈值校准实现筛查所需的高白粉病召回和确认用途。未来工作应扩展跨品种和季节的多站点数据集，采用嵌套选择和概率校准，整合空间-光谱上下文或注意力机制，并将波段集转化为轻量多光谱传感器用于实时部署。这些步骤将桥接实验性能与精准农业中现场就绪决策支持。