植物病害的自动早期检测对于作物精确保护至关重要。 提出了一种基于多维光谱序列(multi-dimensional spectral series, MDSS)和加权随机森林(weighted random forest, WRF)的番茄灰霉病早期诊断与鉴别方法。 目的是利用叶片多个观测维度的光谱曲线整体变化趋势建立作物病害检测模型, 以期在肉眼明显可见叶面病斑前对作物病害实现诊断。 将健康叶片接种灰霉病菌第3天作为叶片成功染病第1天。 试验首先采集番茄健康叶片和染病叶片7天内每天的高光谱图像, 提取感兴趣区域并计算平均光谱作为初始光谱数据, 经筛选共得到(156×7)组有效样本。 将样本数据按时间顺序拆分成分别包含1~7个维度的光谱数据形成多维原始光谱序列, 为增加维度间差异性, 相邻原始光谱序列相减构成多维关联光谱序列。 分别采用符号聚合近似估计(symbolic aggregate approximation, SAX)和符号傅里叶近似估计(symbolic Fourier approximation, SFA)两种符号化方法将光谱序列离散成局部辨别性特征。 基于多维光谱序列的局部辨别性特征建立加权随机森林(MDSS-SAX-SFA-WRF)分类模型, 实现病害早期检测。 相应地, 基于单维光谱序列(single-dimensional spectral series, SDSS)的番茄灰霉病识别模型被作为基准模型与MDSS-SAX-SFA-WRF模型比较。 试验结果显示, MDSS-SAX-SFA-WRF检测模型在包含2至7个光谱序列维度的56个测试样本数据中均获得90%以上识别准确率, 在包含5个光谱序列维度测试集中得到最高99%的识别准确率, 较SDSS-SAX-SFA-MRF检测模型在染病第5天的识别率高8.2个百分点。 另外受随机干扰的影响, SDSS-SAX-SFA-MRF模型准确率在染病5~7 d出现大幅度回落至最低84%, MDSS-SAX-SFA-WRF模型识别率在肉眼可见病斑阶段依然保持超过98%的较高检测水准, 未过度回落。 因此, 提出的基于多维光谱曲线整体变化趋势和加权随机森林(MDSS-SAX-SFA-WRF)的分类模型能够有效实现番茄灰霉病早期检测, 并具有较强的鲁棒性, 为染病初期的番茄灰霉病鉴别提供新思路。

番茄叶片在感染病害后首先发生的是内在生理反应, 肉眼无法观察到。 叶片从被感染到出现肉眼可见病斑期间, 称为叶片病害潜育期。 为了实现番茄叶片表面未见明显病斑的灰霉病潜育期诊断, 对接种样本进行叶片编码、 跟踪、 采集所有编码叶片样本1~8 d连续高光谱图像数据, 建立番茄叶片样本时序高光谱数据集。 采用跟踪的叶片样本出现肉眼可见病斑前几天同一位置区域的高光谱数据作为潜育期感兴趣区域进行检测分析。 为了建立番茄叶片灰霉病潜育期诊断和不同病斑等级分类模型, 采用基于教学优化算法(TLBO)优化极限学习机(ELM)的分类模型进行建模。 通过TLBO算法优化ELM的输入权值和隐藏层的偏差, 提高模型分类性能。 利用高光谱成像系统在近红外高光谱波段388~1 006 nm波段获取五个等级的感兴趣区域进行数据建模, 共采样213个高光谱数据, 其中, 健康类(56个)、 潜育期类(42个)、 小病斑类(43个)、 大病斑类(39个)和严重类(33个)。 通过对比不同的光谱预处理方法, 采用效果最好的小波滤波变换(DWT)对样本数据中每类数据分别滤波。 DWT滤波后, 在610~840 nm波段间五个等级光谱曲线能区分明显, 共包含91个波长, 波长数量较多。 因此, 采用竞争性自适应重加权抽样法(CARS)对采用DWT预处理后的光谱数据在610~840 nm波段重复3次优选特征波长, 合并去除重复项后得到9个特征波段: 694, 696, 765, 767, 769, 772, 778, 838和840 nm。 最后分别选取全波段FC、 610~840 nm波段、 CARS提取的9个特征波段建立3个分类模型FC-TLBO-ELM, DWT-TLBO-ELM, DWT-CARS-TLBO-ELM进行对比, 其中DWT-CARS-TLBO-ELM检测精确度最高达100%, 潜育期召回率100%, 利用时间最短为0.068 9 s, 表明该模型可以实现番茄灰霉病潜育期高精度诊断和灰霉病病害程度高精度分类, 为番茄灰霉病早期防治、 精准施药提供理论依据。

基于可见光谱的农作物病害自动化识别和诊断是一个具有挑战性的研究领域, 但现有基于卷积神经网络进行病害识别的研究往往利用深层网络牺牲模型参数量来提高对单一农作物病害识别的准确率, 从而造成硬件资源的浪费。 为提高农作物病害识别的准确率且避免深层网络的使用, 该研究将注意力机制引入农作物病害识别领域, 提出了一种基于可见光谱和改进注意力机制的浅层农作物病害识别模型, 设计了新的注意力模块SMLP和农作物病害识别模型SMLP_ResNet。 利用卷积层代替全连接层设计参数量较少的残差网络(ResNet), 然后利用SMLP、 归一化结构(Batch Normalization)和残差模块(Res_block)得到改进的残差模块单元(SMLP_Res), 其中SMLP由全局池化和多层感知机组成, 建立各通道间依赖关系。 多层感知机使用三层网络结构, 将全局特征的通道维度提升至两倍, 然后对其通道维度进行两次降维, 恢复至原始维度, 减少了全局特征损失。 SMLP_Res可对通道中的病害特征重校准, 减少对识别任务无效的冗余信息, 最后构建农作物病害识别模型SMLP_ResNet, 在减少模型层数同时提高其识别率。 使用两个不同难度的多种植物和病害混合的公开数据集AI Challenger 2018 和Plant Village验证本文模型。 实验结果表明, SMLP_ResNet模型在18、 50和101层时达到了较高的识别率, 其中SMLP_ResNet18模型效果最佳, 在两个数据集中的病害识别率分别为86.93%和99.32%。 SMLP_ResNet18的准确率不仅高于改进前的ResNet18和SENet18网络, 还高于其他研究者提出的模型的准确率, 且模型权重大小为48.6 MB, 仅约为AlexNet网络权重的五分之一, 能够在模型参数量较小的情况下实现较高的病害识别率。 从Grad-CAM生成的热力图中可看出SMLP_ResNet18相比于其他模型更关注于叶片病害部位的特征, 其背景信息以及叶片健康部位的权值较小。 该研究所提出的SMLP_ResNet18模型实现了浅层网络下的高精度识别, 提高了对叶片病害区域的辨识度, 减少了背景等冗余特征的影响, 适用于面向多种农作物不同病害下的高精度识别。