黃萎?。╒W)是棉花常見(jiàn)的土傳病害。它主要發(fā)生在幼苗和棉鈴開(kāi)放階段,嚴(yán)重影響棉花的產(chǎn)量和品質(zhì)??焖?、準(zhǔn)確地識(shí)別和評(píng)估病害嚴(yán)重程度(VWS)是田間棉花病害控制的基礎(chǔ),對(duì)棉花生產(chǎn)具有重要意義。棉花的VWS值通常是經(jīng)過(guò)現(xiàn)場(chǎng)觀測(cè)和實(shí)驗(yàn)室測(cè)試來(lái)診斷測(cè)量的,這需要大量的時(shí)間和專(zhuān)業(yè)知識(shí)。及時(shí)、準(zhǔn)確地評(píng)價(jià)棉花黃萎病,對(duì)棉花病害防治和快速育種具有重要意義。
本研究于2019年和2021年在3個(gè)試驗(yàn)點(diǎn)進(jìn)行了原位調(diào)查,收集了361個(gè)棉花冠層的VWS值、原位圖像和光譜。為了估計(jì)棉花在冠層尺度上的VWS值,我們開(kāi)發(fā)了兩種深度學(xué)習(xí)方法,分別使用原位圖像和光譜?;趫D像的方法,考慮到現(xiàn)場(chǎng)環(huán)境的復(fù)雜性較高,首先將棉花病害葉片識(shí)別任務(wù)轉(zhuǎn)換為棉田場(chǎng)景分類(lèi)任務(wù),然后構(gòu)建了一個(gè)棉田場(chǎng)景(CFS)數(shù)據(jù)集,每個(gè)場(chǎng)景單元類(lèi)型包含1000多幅圖像。我們使用CFS數(shù)據(jù)集進(jìn)行了預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(CNN)訓(xùn)練和驗(yàn)證,然后使用訓(xùn)練后的網(wǎng)絡(luò)對(duì)每個(gè)冠層的場(chǎng)景單元進(jìn)行分類(lèi)。結(jié)果表明,DarkNet-19模型在CFS分類(lèi)和VWS值估計(jì)方面取得了令人滿(mǎn)意的效果(R2=0.91,均方根誤差(RMSE)=6.35%)。基于光譜的方法,作者首先設(shè)計(jì)了一個(gè)具有4個(gè)卷積層的一維回歸網(wǎng)絡(luò)(1D CNN)。作者首先通過(guò)敏感波段選擇和主成分分析進(jìn)行降維后,用不同數(shù)量的主成分(PCs)擬合了1D CNN。1D CNN模型在前20個(gè)PCs的回歸網(wǎng)絡(luò)表現(xiàn)最佳(R2=0.93, RMSE=5.77%)。這些深度學(xué)習(xí)驅(qū)動(dòng)的方法提供了從空間和光譜角度評(píng)估作物病害嚴(yán)重程度的潛力。從空間和光譜兩個(gè)角度,我們提供了兩種實(shí)用且有效的方法。
圖1 研究區(qū)域和采樣位置。(a)研究區(qū)在中國(guó)新疆的位置;(b)三個(gè)試驗(yàn)地點(diǎn);(c)地點(diǎn)1(S1)及其取樣點(diǎn);(d)地點(diǎn)2(S2)及其取樣點(diǎn);(e)地點(diǎn)3(S3)及其取樣點(diǎn)。
圖2 本研究基于圖像和光譜方法的整體工作流程。
圖3 基于圖像的模型在棉花VWS評(píng)估中的性能比較。(a)DarkNet-19;(b)VGG-16;(c)ResNet-50; (d)InceptionV3.; P<0.001.
圖4 PCs在棉花VWS價(jià)值評(píng)估中的潛力分析。
圖5 基于光譜的模型在棉花VWS值評(píng)估上的性能比較。(a)前5名;(b)前10名;(c)前15名;(d)前20名;(e)前25名;(f)前30PCs., P<0.001.
圖6 (a)RLS和(b)TDS值源自DarkNet-19模型的性能。P<0.001.
文獻(xiàn)來(lái)源:Kang, X.; Huang, C.; Zhang, L. et al. Assessing the severity of cotton Verticillium wilt disease from in situ canopy images and spectra using convolutional neural networks. The Crop Journal. Volume11, 2023. https://doi.org/10.1016/j.cj.2022.12.002.