高光譜圖像在農(nóng)作物病害檢測(cè)識(shí)別中的研究進(jìn)展

胡政 張艷 尚靜 張楷文

摘要：農(nóng)作物病害無(wú)損檢測(cè)是保證作物產(chǎn)量和質(zhì)量的關(guān)鍵環(huán)節(jié)，起到及時(shí)發(fā)現(xiàn)病害、指導(dǎo)農(nóng)藥的使用、減少經(jīng)濟(jì)損失等作用。本文介紹了高光譜成像技術(shù)用于農(nóng)作物病害檢測(cè)的原理;從支持向量機(jī)、偏最小二乘回歸、深度學(xué)習(xí)識(shí)別算法方面綜述了2017—2021年高光譜成像技術(shù)在農(nóng)作物病害檢測(cè)中的國(guó)內(nèi)外研究進(jìn)展;分析了作物病害高光譜圖像識(shí)別算法的原理和分類(lèi)流程，對(duì)3種深度學(xué)習(xí)算法：[深度置信網(wǎng)絡(luò)（DBN）、基于自編碼網(wǎng)絡(luò)（AE）的棧式自編碼網(wǎng)絡(luò)（SAE）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）]在農(nóng)作物病蟲(chóng)害高光譜圖像識(shí)別方面的應(yīng)用進(jìn)行優(yōu)缺點(diǎn)對(duì)比;對(duì)常見(jiàn)深度學(xué)習(xí)分類(lèi)指標(biāo)計(jì)算過(guò)程和原理進(jìn)行說(shuō)明;指出高光譜檢測(cè)識(shí)別農(nóng)作物病害中面臨的問(wèn)題：異物同譜、數(shù)據(jù)預(yù)處理特征提取過(guò)程繁雜、數(shù)據(jù)量小且訓(xùn)練數(shù)據(jù)不平衡，并針對(duì)這些問(wèn)題給出未來(lái)的研究方向。

關(guān)鍵詞：高光譜成像;病害無(wú)損檢測(cè);深度學(xué)習(xí);圖像識(shí)別

中圖分類(lèi)號(hào)：S127;TP391.41? 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2022）08-0049-06

近年來(lái)，由于我國(guó)農(nóng)作物病害嚴(yán)重、受害面積廣、糧食損失比重大，且防治挽回?fù)p失效果不理想[1]，因此對(duì)農(nóng)作物進(jìn)行病害檢測(cè)在農(nóng)作物病害防治過(guò)程中顯得極為重要。傳統(tǒng)的農(nóng)作物病害診斷方法有2種：一是病害癥狀觀(guān)察法，結(jié)合病原菌形態(tài)特征及過(guò)往經(jīng)驗(yàn)進(jìn)行識(shí)別，但主觀(guān)性強(qiáng)，對(duì)農(nóng)作物病害專(zhuān)家依賴(lài)性較大;二是酶聯(lián)免疫法，可靈敏地檢測(cè)農(nóng)作物中病毒蛋白含量，但價(jià)格高，在農(nóng)作物細(xì)菌和真菌病害檢測(cè)方面應(yīng)用較少。隨著精細(xì)化農(nóng)業(yè)的興起，成像技術(shù)為農(nóng)作物病害識(shí)別提供了新的思路，并成為替代傳統(tǒng)檢測(cè)方法的重要技術(shù)手段[2]。高光譜成像技術(shù)[3]在農(nóng)作物病害識(shí)別過(guò)程中相對(duì)于傳統(tǒng)識(shí)別技術(shù)具有無(wú)損性、及時(shí)性、高準(zhǔn)確性、環(huán)保等優(yōu)勢(shì)，能檢測(cè)出農(nóng)作物感染病害早期時(shí)的內(nèi)在生理信息的變化，包括蛋白質(zhì)、酶類(lèi)抗氧化指標(biāo)、氨基酸類(lèi)等，與其他成像技術(shù)如機(jī)器視覺(jué)技術(shù)[4]、紅外熱成像技術(shù)[5]等相比，對(duì)早期農(nóng)作物病害識(shí)別具有更高的靈敏性。本文主要介紹高光譜成像技術(shù)為代表的檢測(cè)技術(shù)和以深度學(xué)習(xí)為代表的高光譜圖像識(shí)別算法在農(nóng)作物病害無(wú)損檢測(cè)中的研究進(jìn)展。

1 高光譜成像技術(shù)用于農(nóng)作物病害檢測(cè)的原理

農(nóng)作物受到病害脅迫時(shí)，內(nèi)部的生理活動(dòng)與外部物理結(jié)構(gòu)會(huì)發(fā)生變化，同時(shí)其光譜特征也發(fā)生相應(yīng)的改變，這種改變間接反映出農(nóng)作物在病害脅迫下的生理特性，因此可根據(jù)光譜的變化來(lái)監(jiān)測(cè)作物的早期病害情況（圖1）[6]。

光的波長(zhǎng)跨越范圍很廣，人的肉眼只能看到400～700 nm波長(zhǎng)，該波段可反映出作物的表型特征，如枯黃、損傷等;低于400 nm的是紫外光，高于700 nm的叫紅外光，這些都是人眼無(wú)法直接觀(guān)測(cè)到的波段，這些波段往往能夠反映出作物更深層次的內(nèi)在生理特征，如作物的蛋白、水分含量、葉肉細(xì)胞變化等。高光譜成像技術(shù)通常將可見(jiàn)光到近紅外光波段（400～1 000 nm）分為幾十甚至上百個(gè)相鄰窄波段，并在每個(gè)窄波段分別進(jìn)行成像。圖像信息反映出農(nóng)作物的外部特征，光譜曲線(xiàn)反映出農(nóng)作物內(nèi)部生理結(jié)構(gòu)與化學(xué)成分信息，因此高光譜圖像的信息量十分豐富，近年來(lái)，該技術(shù)在糧食作物、經(jīng)濟(jì)作物、蔬菜作物及果類(lèi)等方面得到廣泛應(yīng)用[7-10]。

2 農(nóng)作物早期病害高光譜圖像識(shí)別的研究

圖像的識(shí)別，是指提取圖像特征作為目標(biāo)，建立分類(lèi)器，達(dá)到識(shí)別目標(biāo)的過(guò)程[11]。穩(wěn)定、快速、高準(zhǔn)確率的識(shí)別算法一直都是研究者的追求目標(biāo)。識(shí)別有基于形狀、紋理、統(tǒng)計(jì)等，根據(jù)識(shí)別數(shù)量的不同，有二分類(lèi)器和多分類(lèi)器，其中多分類(lèi)器是二分類(lèi)器的組合。對(duì)國(guó)內(nèi)外文獻(xiàn)分析，發(fā)現(xiàn)在農(nóng)作物病害的高光譜圖像識(shí)別中常用的分類(lèi)方法有支持向量機(jī)[12]、偏最小二乘法回歸[13]、深度學(xué)習(xí)[14]。

2.1 支持向量機(jī)

支持向量機(jī)（SVM）是一類(lèi)按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二分類(lèi)的廣義線(xiàn)性分類(lèi)器，通過(guò)將輸入空間樣本映射到另一高維特征空間解決線(xiàn)性不可分問(wèn)題，被廣泛用于作物病害高光譜數(shù)據(jù)的識(shí)別中。褚璇利用高光譜成像技術(shù)對(duì)單種霉菌和混合菌以單點(diǎn)或傾注接種方式在不同類(lèi)型培養(yǎng)基中和玉米粒上生長(zhǎng)1～6 d，并拍攝其高光譜圖像，以連續(xù)投影（SPA）挑選特征波長(zhǎng)結(jié)合SVM建模，判別準(zhǔn)確率達(dá)99.5%以上[15]。Baek等利用高光譜成像對(duì)細(xì)菌性穗枯病（BG）感染的變色病態(tài)水稻種子進(jìn)行檢測(cè)，建立了支持向量機(jī)（SVM）、線(xiàn)性和二次判別分析（LDA和QDA）模型，結(jié)果表明，當(dāng)僅使用2個(gè)或3個(gè)特征波長(zhǎng)時(shí)，所有分類(lèi)方法對(duì)樣本測(cè)試集和驗(yàn)證集都達(dá)到了90%以上的分類(lèi)準(zhǔn)確率[16]。Bohnenkamp等利用地面車(chē)輛和無(wú)人機(jī)2個(gè)測(cè)量平臺(tái)，采用支持向量機(jī)（SVM）判別模型對(duì)小麥黃銹病的高光譜圖像進(jìn)行識(shí)別，基于地面車(chē)輛和無(wú)人機(jī)測(cè)量平臺(tái)所得高光譜圖片的識(shí)別準(zhǔn)確率最高分別可達(dá)92.3%和83.0%[17]。蔣錦琳以不同感病程度辣椒作為檢測(cè)樣本，基于高光譜成像技術(shù)采用SVM分別基于全譜、特征波長(zhǎng)和特征植被指數(shù)來(lái)建立穩(wěn)健的辣椒疫病三級(jí)感病程度分級(jí)模型，其中，特征波長(zhǎng)與特征植被指數(shù)所建立的三級(jí)感病程度分級(jí)模型準(zhǔn)確率達(dá)到99.75%[18]。劉爽以小麥赤霉病籽粒高光譜信息提取技術(shù)及識(shí)別模型的研究為切入點(diǎn)，利用SVM模型和SVM散射校正模型二次分類(lèi)的方法將測(cè)試集在SPA特征空間中的分類(lèi)精度提升至88.98%，研究結(jié)果表明利用高光譜成像技術(shù)結(jié)合數(shù)據(jù)處理算法可實(shí)現(xiàn)小麥赤霉病籽粒的原位快速可視化識(shí)別，有助于提高小麥赤霉病的檢測(cè)效率、數(shù)量及降低漏檢率[19]。在農(nóng)作物病害高光譜圖片識(shí)別中，SVM有堅(jiān)實(shí)的理論基礎(chǔ)和較強(qiáng)的推廣能力，針對(duì)非線(xiàn)性、小樣本和高維模式等問(wèn)題具有獨(dú)特的優(yōu)勢(shì)，并結(jié)合相應(yīng)的預(yù)處理和特征提取方法能達(dá)到一個(gè)較高的識(shí)別率。

2.2 偏最小二乘回歸

偏最小二乘回歸（PLSR）是一種統(tǒng)計(jì)學(xué)方法，通過(guò)將預(yù)測(cè)變量和觀(guān)測(cè)變量投影到一個(gè)新空間，來(lái)尋找一個(gè)線(xiàn)性回歸模型，能夠建立光譜信息與成分之間的對(duì)應(yīng)關(guān)系，是目前植物病害近紅外高光譜圖像識(shí)別應(yīng)用最多的建模方法[20]，程帆等應(yīng)用可見(jiàn)/近紅外高光譜對(duì)細(xì)菌性角斑病早期脅迫下的黃瓜葉片中所含過(guò)氧化物酶（POD）活性進(jìn)行檢測(cè)，并建立過(guò)氧化物酶活性值的偏最小二乘回歸（PLSR）預(yù)測(cè)模型，最終得到預(yù)測(cè)集相關(guān)系數(shù)為0.816，預(yù)測(cè)均方根誤差為11.235，研究結(jié)果表明，高光譜結(jié)合化學(xué)計(jì)量學(xué)方法可以實(shí)現(xiàn)細(xì)菌性角斑病早期脅迫下黃瓜葉片中過(guò)氧化物酶活性的測(cè)定[21]。偏最小二乘判別分析（PLS-DA）是基于偏最小二乘回歸分析的判別分析方法，判別分析是一種通過(guò)觀(guān)察或測(cè)量得到的變量值，去判別研究對(duì)象怎樣分類(lèi)的統(tǒng)計(jì)分析方法。Gold等利用高光譜成像技術(shù)對(duì)馬鈴薯晚疫病和早疫病的癥前特征進(jìn)行檢測(cè)識(shí)別，采用偏最小二乘判別分析（PLS-DA）建立分類(lèi)模型，試驗(yàn)結(jié)果表明，在出現(xiàn)明顯病癥前的2～4 d，高光譜測(cè)量可以檢測(cè)并區(qū)分馬鈴薯的晚疫病和早疫病，準(zhǔn)確率均在80%以上[22]。Pérez-Roncal等采用高光譜成像技術(shù)（900～1 700 nm光譜范圍）對(duì)黑葡萄白粉病進(jìn)行檢測(cè)，建立平滑（SM）、標(biāo)準(zhǔn)正態(tài)變量（SNV）和均值居中（MC）預(yù)處理組合的偏最小二乘判別分析（PLS-DA）模型獲得了最佳的識(shí)別率，交叉驗(yàn)證模型準(zhǔn)確率為85.33%，結(jié)果表明高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)可用于黑葡萄白粉病的檢測(cè)[23]。

2.3 基于深度學(xué)習(xí)的農(nóng)作物病害高光譜圖像識(shí)別方法

深度學(xué)習(xí)起源于神經(jīng)網(wǎng)絡(luò)，是人工智能的一個(gè)分支，對(duì)比傳統(tǒng)深層神經(jīng)網(wǎng)絡(luò)，它具有更多隱藏層，將特征提取與分類(lèi)放到一個(gè)結(jié)構(gòu)中，利用深層次非線(xiàn)性學(xué)習(xí)模型對(duì)復(fù)雜函數(shù)逼近，自動(dòng)從樣本集中進(jìn)行特征逐層提取，學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征，得到最優(yōu)識(shí)別模型[24]。利用深度學(xué)習(xí)強(qiáng)大的圖像分類(lèi)能力能從高維、信息量巨大的農(nóng)作物高光譜圖像中自動(dòng)提取出有利于提高分類(lèi)準(zhǔn)確度的特征，極大地提高了識(shí)別的精確性與魯棒性，識(shí)別流程見(jiàn)圖2。

目前，在高光譜農(nóng)作物病害圖像識(shí)別領(lǐng)域的深度學(xué)習(xí)主要有3種模型：深度置信網(wǎng)絡(luò)（DBN）、基于自編碼網(wǎng)絡(luò)（AE）的棧式自編碼網(wǎng)絡(luò)（SAE）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）[25]。3種深度學(xué)習(xí)模型在農(nóng)作物高光譜圖像識(shí)別中的優(yōu)缺點(diǎn)見(jiàn)表1。

CNN在圖像分類(lèi)、場(chǎng)景分割、目標(biāo)檢測(cè)等方面有著非常多的應(yīng)用，并取得非常顯著的成果，與SAE及DBN相比，CNN是目前在高光譜圖像分類(lèi)領(lǐng)域里應(yīng)用最多的深度學(xué)習(xí)模型，具體有visual geometry group network（VGGNet）、residual neural network（ResNet）、Google neural network（GoogleNet）、LeCun neural network （LeNet）等結(jié)構(gòu)模型[26-29]，處理流程見(jiàn)圖3。

CNN網(wǎng)絡(luò)的處理目的是找到損失函數(shù)值最小參數(shù)，其中隨機(jī)梯度下降法是處理的核心操作，運(yùn)算時(shí)沿梯度的方向更新參數(shù)，并重復(fù)這個(gè)步驟，直到找出損失函數(shù)值最小參數(shù)[30]?；贑NN的高光譜作物病害的圖像分類(lèi)方法主要可以分為2類(lèi)[31]：基于譜特征的分類(lèi)方法、基于圖像特征的分類(lèi)方法。

2.3.1 基于譜特征的分類(lèi)方法

高光譜圖像的光譜信息十分豐富，能夠從每一個(gè)像素提取出1條由譜信息組成的一維向量，利用該一維向量進(jìn)行圖像的分類(lèi)即為基于譜特征的分類(lèi)。王建濤等以柑橘正常葉片、煤煙病葉片、潰瘍病葉片、紅蜘蛛葉片、草甘膦病葉片為研究樣本，采集400～1 000 nm的128個(gè)波段的高光譜圖像，并進(jìn)行灰板校正的預(yù)處理;提取感興趣區(qū)域的光譜信息，輸入由輸入層、卷積層、池化層、全連接層和輸出層組成的VGG16 卷積神經(jīng)網(wǎng)絡(luò)，每個(gè)卷積層加入激活函數(shù) ReLU以增強(qiáng)網(wǎng)絡(luò)的非線(xiàn)性，模型中的池化層采用的是最大池化，能夠?qū)崿F(xiàn)特征降維、光滑數(shù)據(jù);全連接層擁有512個(gè)神經(jīng)元，輸出層個(gè)數(shù)是5個(gè)，用以識(shí)別柑橘正常葉片和其他4種柑橘病葉片，試驗(yàn)結(jié)果表明，在學(xué)習(xí)率為0.001和迭代次數(shù)為1 000次時(shí)，算法平均準(zhǔn)確率為98.75%[26]。

從高光譜圖像提取到的光譜由于譜間相關(guān)性強(qiáng)、冗余大等特點(diǎn)，直接輸入卷積神經(jīng)網(wǎng)絡(luò)得到的識(shí)別速度和效果不理想，通常會(huì)對(duì)原始光譜做一些平滑、去噪處理，以及特征波段的提取，具體算法有多元散射校正、正態(tài)變換、微分平滑等，基于譜特征分類(lèi)的深度學(xué)習(xí)網(wǎng)絡(luò)模型具有網(wǎng)絡(luò)簡(jiǎn)單、計(jì)算量小等優(yōu)點(diǎn)，但容易發(fā)生過(guò)擬合，需要根據(jù)實(shí)際的需要對(duì)模型作出調(diào)整。

2.3.2 基于圖像特征的分類(lèi)方法

光譜的每一個(gè)波段都對(duì)應(yīng)著1張灰度圖，反映出農(nóng)作物病害在不同波段的空間信息。利用這些二維灰度圖像的分類(lèi)為基于圖像特征的分類(lèi)。黃雙萍等以1 467株田間采集的水稻穗株為試驗(yàn)對(duì)象，采用Gaia Field-F-V10便攜式戶(hù)外高光譜成像儀在自然光照條件下拍攝水稻穗株高光譜圖像，利用GoogLeNet建立的深度卷積模型，采用隨機(jī)梯度下降算法（SGD）優(yōu)化GoogLeNet模型[28]，具體流程見(jiàn)圖4。

GoogLeNet是一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)模型，需要大量數(shù)據(jù)和標(biāo)定監(jiān)督機(jī)制進(jìn)行模型訓(xùn)練。由于原始穗株高光譜數(shù)據(jù)采集過(guò)程耗時(shí)，耗力且高成本，原始數(shù)據(jù)采集不足，訓(xùn)練數(shù)據(jù)不平衡（正負(fù)訓(xùn)練樣本比約為8）。黃雙萍等提出了2種數(shù)據(jù)增強(qiáng)策略：第1種是依據(jù)高光譜成像儀具有超高光譜維度上的分辨率特性，隨機(jī)扔棄波段圖像和隨機(jī)平移平均高光譜圖像亮度[28]。隨機(jī)扔棄波段的數(shù)據(jù)增強(qiáng)策略是從高光譜圖像260個(gè)波段中隨機(jī)扔棄1個(gè)波段信息，再計(jì)算平均譜圖像;第2種是隨機(jī)平移平均光譜圖像亮度，便攜戶(hù)外高光譜儀采集水稻穗株高光譜圖像在動(dòng)態(tài)變化的自然光條件下進(jìn)行，使平均譜圖像呈現(xiàn)明顯亮度差異，為增強(qiáng)GoogLeNet模型對(duì)光照變化的適應(yīng)性，隨機(jī)平移光譜圖像亮度增強(qiáng)數(shù)據(jù)，增加數(shù)據(jù)在光照亮度維方面的多樣性，可以增加成倍訓(xùn)練數(shù)據(jù)量，增加樣本多樣性，提升模型泛化能力。結(jié)果表明，利用GoogLeNet建立的深度卷積模型，可以很好地實(shí)現(xiàn)水稻穗瘟病害的精準(zhǔn)檢測(cè)，克服室外自然光條件下利用光譜圖像進(jìn)行病害預(yù)測(cè)面臨的困難，將該類(lèi)研究往實(shí)際生產(chǎn)應(yīng)用推進(jìn)一大步。

由于譜間相關(guān)性強(qiáng)、冗余大等特點(diǎn)，對(duì)應(yīng)得到的灰度圖同樣也有著這些特點(diǎn)，直接輸入卷積神經(jīng)網(wǎng)絡(luò)會(huì)使得識(shí)別速度和效果不理想，通常會(huì)對(duì)圖片做一些降噪、壓縮、減少相關(guān)性等處理，具體處理有主成分分析、最小噪聲分離、波段比計(jì)算等，深度學(xué)習(xí)模型擅長(zhǎng)處理二維圖片，具有較強(qiáng)的魯棒性，能提取圖片的深層、穩(wěn)定、內(nèi)在的特征，現(xiàn)實(shí)生活中也有著大量的成熟算法和經(jīng)驗(yàn)可以借鑒，基于圖片特征分類(lèi)的深度學(xué)習(xí)網(wǎng)絡(luò)模型能夠得到一個(gè)相對(duì)較高的識(shí)別率，但由于高光譜圖像的數(shù)據(jù)有限往往容易發(fā)生過(guò)擬合。

2.4 模型的評(píng)估與性能度量

通常通過(guò)試驗(yàn)測(cè)試來(lái)評(píng)估識(shí)別模型的性能，因此將數(shù)據(jù)集化分為測(cè)試集和訓(xùn)練集，常見(jiàn)的劃分方法有留出法[32]、交叉驗(yàn)證法[33]。留出法和交叉驗(yàn)證法都是保留一部分樣本用于測(cè)試，因此會(huì)導(dǎo)致訓(xùn)練樣本不足，雖然交叉驗(yàn)證法影響訓(xùn)練樣本較少，但計(jì)算的復(fù)雜度太高。

深度學(xué)習(xí)在農(nóng)作物病害圖像識(shí)別與分類(lèi)中均表現(xiàn)出良好的性能、識(shí)別快、魯棒性好、泛化能力強(qiáng)[34]。為評(píng)價(jià)深度學(xué)習(xí)模型在高光譜圖像上的識(shí)別效果通常會(huì)采用評(píng)價(jià)指標(biāo)：準(zhǔn)確率（Acc）、召回率（R）、平均正確率（MAP）、均方誤差（RMSE）? 、平均絕對(duì)誤差（MAE）、F1值等[35-40]，具體見(jiàn)表2。

準(zhǔn)確率和召回率是相對(duì)矛盾的性能度量，通常準(zhǔn)確率高那召回率就低;而召回率高則準(zhǔn)確率就低，但在一些簡(jiǎn)單的任務(wù)中召回率和準(zhǔn)確率都能達(dá)到一個(gè)較高的值。在一些任務(wù)中，對(duì)準(zhǔn)確率和召回率的重視程度不同，通過(guò)F1值能夠表現(xiàn)出針對(duì)準(zhǔn)確率或召回率不一樣偏重。

3 存在的問(wèn)題與展望

通過(guò)總結(jié)分析當(dāng)前的作物病害高光譜檢測(cè)技術(shù)及發(fā)展現(xiàn)狀，可以發(fā)現(xiàn)，雖然在作物的病害種類(lèi)識(shí)別、作物病害的程度分級(jí)、作物病害的早期檢測(cè)已經(jīng)取得了很好的效果[41]，但仍然面臨著問(wèn)題，主要有異物同譜現(xiàn)象（不同的作物病害在光譜上的表征相同）;高光譜數(shù)據(jù)量大、相關(guān)性強(qiáng)等，要結(jié)合繁雜的數(shù)據(jù)預(yù)處理和特征提取才能有個(gè)較高的識(shí)別;高光譜數(shù)據(jù)采集過(guò)程耗時(shí)耗力且成本高導(dǎo)致原始數(shù)據(jù)采集不足，訓(xùn)練數(shù)據(jù)不平衡。

結(jié)合以上問(wèn)題未來(lái)在農(nóng)作物病害無(wú)損檢測(cè)和識(shí)別可以從以下幾點(diǎn)繼續(xù)深入研究：

（1）針對(duì)異物同譜的問(wèn)題，未來(lái)可以從提高高光譜檢測(cè)技術(shù)的光譜維度上的分辨率，以期在更高的精度下找出光譜數(shù)據(jù)間的差異。

（2）深度學(xué)習(xí)算法結(jié)構(gòu)簡(jiǎn)單，能夠自動(dòng)提取所需要的特征進(jìn)行并行運(yùn)算實(shí)現(xiàn)高效的分類(lèi)，未來(lái)可以深入研究適合作物病害高光譜識(shí)別的深度學(xué)習(xí)算法，尋找合適的超參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)和層次、優(yōu)化算法等。

（3）深度學(xué)習(xí)算法需要大量的學(xué)習(xí)樣本，一方面可以結(jié)合高光譜圖像的數(shù)據(jù)量大、波段多的特點(diǎn)隨機(jī)波段圖片組合形成大量樣本;另一方面可以改進(jìn)算法，多種算法結(jié)合以少量學(xué)習(xí)樣本得到一個(gè)較高的識(shí)別準(zhǔn)確率，如結(jié)合遷移學(xué)習(xí)的應(yīng)用。

參考文獻(xiàn)：

[1]劉萬(wàn)才，劉振東，黃 沖，等. 近10年農(nóng)作物主要病蟲(chóng)害發(fā)生危害情況的統(tǒng)計(jì)和分析[J]. 植物保護(hù)，2016，42（5）：1-9.

[2]Khan S，Tufail M，Khan M T，et al. Deep learning-based identification system of weeds and crops in strawberry and pea fields for a precision agriculture sprayer[J]. Precision Agriculture，2021，22（6）：1711-1727.

[3]張德榮，方 慧，何 勇.可見(jiàn)/近紅外光譜圖像在作物病害檢測(cè)中的應(yīng)用[J]. 光譜學(xué)與光譜分析，2019，39（6）：1748-1756.

[4]黨滿(mǎn)意，孟慶魁，谷 芳，等. 基于機(jī)器視覺(jué)的馬鈴薯晚疫病快速識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（2）：193-200.

[5]楊成婭，張 艷，趙明珠，等. 基于紅外熱像的農(nóng)作物早期病害檢測(cè)識(shí)別技術(shù)的研究進(jìn)展[J]. 激光雜志，2020，41（6）：1-4.

[6]張 初.基于光譜與光譜成像技術(shù)的油菜病害檢測(cè)機(jī)理與方法研究[D]. 杭州：浙江大學(xué)，2016.

[7]韓 雨，劉煥軍，張新樂(lè)，等. 基于冠層光譜的水稻穗頸瘟病害程度預(yù)測(cè)模型[J]. 光譜學(xué)與光譜分析，2021，41（4）：1220-1226.

[8]Riefolo C，Antelmi I，Castrignanò A，et al. Assessment of the hyperspectral data analysis as a tool to diagnose Xylella fastidiosa in the asymptomatic leaves of olive plants[J]. Plants，2021，10（4）：683.

[9]Manganiello G，Nicastro N，Caputo M，et al. Functional hyperspectral imaging by high-related vegetation indices to track the wide-spectrum Trichoderma biocontrol activity against soil-borne diseases of baby-leaf vegetables[J]. Frontiers in Plant Science，2021，12：630059.

[10]Bendel N，Backhaus A，Kicherer A，et al. Detection of two different grapevine yellows in Vitis vinifera using hyperspectral imaging[J]. Remote Sensing，2020，12（24）：4151.

[11]宮 銘. 計(jì)算機(jī)圖像識(shí)別技術(shù)的應(yīng)用及細(xì)節(jié)問(wèn)題闡述與分析[J]. 信息與電腦（理論版），2019（1）：7-8.

[12]Zhao J L，F(xiàn)ang Y，Chu G M，et al. Identification of leaf-scale wheat powdery mildew （Blumeria graminis f. sp. tritici） combining hyperspectral imaging and an SVM classifier[J]. Plants，2020，9（8）：936.

[13]Garriga M，Romero-Bravo S，Estrada F，et al. Estimating carbon isotope discrimination and grain yield of bread wheat grown under water-limited and full irrigation conditions by hyperspectral canopy reflectance and multilinear regression analysis[J]. International Journal of Remote Sensing，2021，42（8）：2848-2871.

[14]Yang W，Nigon T，Hao Z Y，et al. Estimation of corn yield based on hyperspectral imagery and convolutional neural network[J]. Computers and Electronics in Agriculture，2021，184：106092.

[15]褚 璇. 谷物霉菌的高光譜成像辨識(shí)方法和霉變玉米籽粒檢測(cè)方法研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2018.

[16]Baek I，Kim M，Cho B K，et al. Selection of optimal hyperspectral wavebands for detection of discolored，diseased rice seeds[J]. Applied Sciences，2019，9（5）：1027.

[17]Bohnenkamp D，Behmann J，Mahlein A K. In-field detection of yellow rust in wheat on the ground canopy and UAV scale[J]. Remote Sensing，2019，11（21）：2495.

[18]蔣錦琳. 基于高光譜成像技術(shù)的辣椒疫病和品質(zhì)分析研究[D]. 杭州：浙江大學(xué)，2019.

[19]劉 爽. 小麥赤霉病高光譜信息多循環(huán)提取及組合式識(shí)別研究[D]. 北京：中國(guó)科學(xué)院大學(xué)，2019.

[20]Zeng W Z，Zhang D Y，F(xiàn)ang Y H，et al. Comparison of partial least square regression，support vector machine，and deep-learning techniques for estimating soil salinity from hyperspectral data[J]. Journal of Applied Remote Sensing，2018，12：022204.

[21]程 帆，趙艷茹，余克強(qiáng)，等. 基于高光譜技術(shù)的病害早期脅迫下黃瓜葉片中過(guò)氧化物酶活性的研究[J]. 光譜學(xué)與光譜分析，2017，37（6）：1861-1865.

[22]Gold K M，Townsend P A，Chlus A，et al. Hyperspectral measurements enable pre-symptomatic detection and differentiation of contrasting physiological effects of late blight and early blight in potato[J]. Remote Sensing，2020，12（2）：286.

[23]Pérez-Roncal C，López-Maestresalas A，Lopez-Molina C，et al. Hyperspectral imaging to assess the presence of powdery mildew （Erysiphe necator） in cv. carignan noir grapevine bunches[J]. Agronomy，2020，10（1）：88.

[24]段艷杰，呂宜生，張 杰，等. 深度學(xué)習(xí)在控制領(lǐng)域的研究現(xiàn)狀與展望[J]. 自動(dòng)化學(xué)報(bào)，2016，42（5）：643-654.

[25]周 峰. 基于深度學(xué)習(xí)的光譜圖像分類(lèi)方法研究[D]. 南京：南京信息工程大學(xué)，2021.

[26]王建濤，吳葉蘭，廖 禺，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的柑橘病葉高光譜分類(lèi)[J]. 信息技術(shù)與信息化，2020（3）：84-87.

[27]桂江生，吳子?jì)梗?凱. 基于卷積神經(jīng)網(wǎng)絡(luò)模型的大豆花葉病初期高光譜檢測(cè)[J]. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2019，45（2）：256-262.

[28]黃雙萍，孫 超，齊 龍，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（20）：169-176.

[29]金 秀，盧 杰，傅運(yùn)之，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的小麥赤霉病高光譜病癥點(diǎn)分類(lèi)方法[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2019，31（2）：315-325.

[30]Kutluk S，Kayabol K，Akan A. A new CNN training approach with application to hyperspectral image classification[J]. Digital Signal Processing，2021，113：103016.

[31]Nguyen C，Sagan V，Maimaitiyiming M，et al. Early detection of plant viral disease using hyperspectral imaging and deep learning[J]. Sensors，2021，21（3）：742.

[32]王國(guó)偉，劉嘉欣. 基于卷積神經(jīng)網(wǎng)絡(luò)的玉米病害識(shí)別方法研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2021，42（2）：139-145.

[33]樊湘鵬，周建平，許 燕，等. 數(shù)據(jù)集對(duì)基于深度學(xué)習(xí)的作物病害識(shí)別有效性影響[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2021，42（1）：192-200.

[34]李建華，郝 炘，牛明雷，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害識(shí)別[J]. 中國(guó)農(nóng)業(yè)信息，2019，31（3）：39-47.

[35]孫 俊，譚文軍，毛罕平，等. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（19）：209-215.

[36]鄭二功，田迎芳，陳 濤. 基于深度學(xué)習(xí)的無(wú)人機(jī)影像玉米倒伏區(qū)域提取[J]. 河南農(nóng)業(yè)科學(xué)，2018，47（8）：155-160.

[37]張善文，張傳雷，丁 軍. 基于改進(jìn)深度置信網(wǎng)絡(luò)的大棚冬棗病蟲(chóng)害預(yù)測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（19）：202-208.

[38]周翔宇，程 勇，王 軍. 基于改進(jìn)深度信念網(wǎng)絡(luò)的農(nóng)業(yè)溫室溫度預(yù)測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用，2019，39（4）：1053-1058.

[39]譚建燦，毛克彪，左志遠(yuǎn)，等. 基于卷積神經(jīng)網(wǎng)絡(luò)和AMSR2微波遙感的土壤水分反演研究[J]. 高技術(shù)通訊，2018，28（5）：399-408.

[40]戴澤翰，鄭 正，黃莉舒，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的柑橘黃龍病癥狀識(shí)別[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，41（4）：111-119.

[41]Lowe A，Harrison N，F(xiàn)rench A P.Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress[J]. Plant Methods，2017，13：80.