收稿日期:2023-12-27
基金項(xiàng)目:國(guó)家自然科學(xué)基金項(xiàng)目(32160421、32201663);甘肅省教育廳產(chǎn)業(yè)支撐項(xiàng)目(2021CYZC-57)
作者簡(jiǎn)介:梁 雪(1999-),女,甘肅金昌人,碩士研究生,主要從事遙感圖像處理研究。(E-mail)liangx@st.gsau.edu.cn
通訊作者:馮 全,(E-mail) fquan@gsau.edu.cn
摘要: 早疫病是影響馬鈴薯產(chǎn)量的主要病害之一,大田病害監(jiān)測(cè)對(duì)控制早疫病發(fā)展有重要意義。使用配備高光譜成像儀的無(wú)人機(jī)(UAV)在田間尺度上獲取患不同嚴(yán)重程度早疫病的馬鈴薯高光譜影像,分別提取并計(jì)算健康、輕度感染、中度感染和重度感染馬鈴薯的冠層光譜數(shù)據(jù),通過(guò)光譜變換得到包括原始光譜在內(nèi)的4種光譜,再進(jìn)行特征波段選取,利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)基于全波段和特征波段對(duì)馬鈴薯早疫病不同發(fā)病程度進(jìn)行識(shí)別。結(jié)果表明,一階微分光譜隨機(jī)蛙跳(RF)降維后的特征波段+CNN模型的效果最好,總體識(shí)別準(zhǔn)確率為91.18%,比一階微分光譜隨機(jī)蛙跳(RF)降維后的特征波段+反向傳播網(wǎng)絡(luò)(BP)總體準(zhǔn)確率提高了1.96個(gè)百分點(diǎn),平均精準(zhǔn)率和平均召回率分別提高了3.00個(gè)百分點(diǎn)和2.00個(gè)百分點(diǎn),平均F1得分提高了0.02;對(duì)不同感染等級(jí)的識(shí)別精度分別達(dá)到了95.0%、88.0%、83.0%和97.0%。
關(guān)鍵詞: 高光譜;卷積神經(jīng)網(wǎng)絡(luò);馬鈴薯早疫?。粐?yán)重程度分級(jí)
中圖分類(lèi)號(hào): S127;S532"" 文獻(xiàn)標(biāo)識(shí)碼: A"" 文章編號(hào): 1000-4440(2024)10-1854-09
Severity classification of potato early blight in field based on hyperspectral and convolutional neural network
LIANG Xue, FENG Quan, YANG Sen, GUO Faxu
(College of Mechanical and Electrical Engineering, Gansu Agricultural University, Lanzhou 730070, China)
Abstract: Early blight is one of the major diseases affecting potato yield, and field disease detection is important for controlling disease development. The unmanned aerial vehicle (UAV) equipped with a hyperspectral imager was used to acquire hyperspectral images of potatoes with different severity of early blight on the field scale, and the canopy spectral data of healthy, mildly infected, moderately infected, and severely infected potatoes were extracted and calculated, respectively. Four kinds of spectra including the original spectra were obtained by spectral transformation, and then the feature bands were selected. Convolutional neural network (CNN) was used to perform the identification of different degrees of potato early blight based on the full band and feature bands. The results showed that the feature bands after first-order differential spectra random leapfrog (RF) dimension reduction + CNN model had the best effect, and the overall recognition accuracy rate was 91.18%. Compared with the feature bands after first-order differential spectra RF dimension reduction + back propagation network (BP), the overall accuracy rate was increased by 1.96 percentage points, the average precision rate and the average recall rate were increased by 3.00 percentage points and 2.00 percentage points respectively, and the average F1 score was increased by 0.02. The identification accuracy of potato early blight with different infection levels reached 95.0%, 88.0%, 83.0% and 97.0%, respectively.
Key words: hyperspectral;convolutional neural network;early blight of potato;severity classification
馬鈴薯作為主要糧食作物之一,對(duì)保障全球糧食安全有著重要作用。因?yàn)槠淠秃⒛秃?、適應(yīng)性強(qiáng),在中國(guó)許多地區(qū)廣泛種植,并逐步發(fā)展為中國(guó)第4大糧食作物[1]。然而,隨著馬鈴薯種植規(guī)模的持續(xù)擴(kuò)大,病害的發(fā)生以及危害程度日益嚴(yán)峻,對(duì)中國(guó)馬鈴薯產(chǎn)業(yè)的健康發(fā)展造成很大影響[2]。早疫病作為馬鈴薯易發(fā)性病害,主要危害其葉片,嚴(yán)重時(shí)可能會(huì)使馬鈴薯塊莖焦枯,影響產(chǎn)量和品質(zhì)。精準(zhǔn)、快速、高效地掌握馬鈴薯早疫病病情,并及時(shí)采取有效的防治措施才能最大限度減少損失[3]。目前,馬鈴薯早疫病的識(shí)別主要依賴人工,這種方法不僅效率低,而且對(duì)病害嚴(yán)重程度的評(píng)估容易受到調(diào)查者的主觀影響。
大型馬鈴薯種植區(qū)需要快速、規(guī)模化的監(jiān)測(cè)方法。與傳統(tǒng)病害監(jiān)測(cè)手段相比,遙感技術(shù)可以在大尺度區(qū)域展開(kāi),實(shí)現(xiàn)對(duì)病害的精準(zhǔn)、高效監(jiān)測(cè)。隨著農(nóng)業(yè)遙感技術(shù)的發(fā)展,各國(guó)研究者不斷將高光譜成像技術(shù)運(yùn)用到作物病害的識(shí)別和診斷中[4-5]。黃雙萍等[6]提出光譜詞袋模型分析法,并基于此方法構(gòu)建了水稻穗瘟病病害程度分級(jí)模型。Barbedo等[7]利用高光譜成像技術(shù)設(shè)計(jì)了一種自動(dòng)監(jiān)測(cè)小麥赤霉病的算法,該算法分類(lèi)準(zhǔn)確率達(dá)到了91%以上。Siedliska等[8]獲取了草莓果實(shí)真菌感染的高光譜圖像,基于原始光譜的二階導(dǎo)數(shù)選擇了19個(gè)波長(zhǎng)用于構(gòu)建模型,鑒別準(zhǔn)確率達(dá)97%以上。Jin等[9]收集野外健康和患枯萎病小麥的高光譜圖像并進(jìn)行分類(lèi),實(shí)現(xiàn)了對(duì)健康和患病小麥快速、無(wú)損的分類(lèi)。雷雨等[10]收集了受條銹病病菌侵染后不同發(fā)病程度的小麥葉片高光譜圖像,根據(jù)病斑面積占葉片面積的比例對(duì)小麥條銹病病害程度進(jìn)行分級(jí),結(jié)果顯示分級(jí)正確率可達(dá)98.15%。
無(wú)人機(jī)作為主要搭載光譜相機(jī)的工具,在農(nóng)業(yè)遙感中具有重要作用。它能夠?qū)崿F(xiàn)大范圍和高空間分辨率的監(jiān)測(cè),迅速獲取目標(biāo)信息[11]。Bohnenkamp等[12]使用無(wú)人機(jī)采集了不同病害發(fā)展階段和不同嚴(yán)重程度的小麥黃銹病高光譜圖像,通過(guò)3種算法進(jìn)行數(shù)據(jù)分析,實(shí)現(xiàn)了對(duì)田間作物病害的監(jiān)測(cè)。蘭玉彬等[13]通過(guò)無(wú)人機(jī)獲取低空柑橘果園高光譜影像,對(duì)植株的平均光譜數(shù)據(jù)進(jìn)行預(yù)處理和降維,使用支持向量機(jī)進(jìn)行分類(lèi),識(shí)別精度達(dá)到了94.7%。郭偉等[14]利用無(wú)人機(jī)獲取冬小麥高光譜影像,篩選出最優(yōu)光譜指數(shù),并構(gòu)建線性回歸模型和偏最小二乘回歸預(yù)測(cè)模型,完成了對(duì)冬小麥全蝕病的監(jiān)測(cè)。Ma等[15]利用無(wú)人機(jī)獲取小麥灌漿期的高光譜圖像,基于最佳光譜特征組合建立模型,完成了對(duì)小麥枯萎病的監(jiān)測(cè)。
利用高光譜技術(shù)對(duì)馬鈴薯早疫病、晚疫病的研究目前主要集中在病害識(shí)別方面,大多局限于對(duì)馬鈴薯葉片的監(jiān)測(cè),并且多是處于室內(nèi)環(huán)境下的監(jiān)測(cè)[16-18]。大田條件下利用高光譜技術(shù)對(duì)馬鈴薯早疫病嚴(yán)重程度的監(jiān)測(cè)研究還比較少,而大田植保作業(yè)更關(guān)注的是一塊地的發(fā)病程度,只有了解發(fā)病程度才能科學(xué)合理地配置農(nóng)藥的用量。本研究以大西洋馬鈴薯為研究對(duì)象,利用高光譜技術(shù)對(duì)大田馬鈴薯早疫病的嚴(yán)重程度分級(jí)方法進(jìn)行了研究。首先,利用配備高光譜相機(jī)的無(wú)人機(jī)獲取大田環(huán)境下馬鈴薯早疫病的冠層高光譜圖像。然后對(duì)健康植株和感染早疫病程度不同的植株冠層區(qū)域進(jìn)行平均光譜的提取和計(jì)算,并對(duì)其進(jìn)行光譜預(yù)處理變換,得到一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和多元散射校正等3組不同的光譜數(shù)據(jù)。利用連續(xù)投影算法(SPA)、競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法(CARS)、RF算法等對(duì)包括原始數(shù)據(jù)在內(nèi)的4組光譜數(shù)據(jù)進(jìn)行降維處理。最后,設(shè)計(jì)了CNN網(wǎng)絡(luò),用于構(gòu)建馬鈴薯早疫病嚴(yán)重程度分級(jí)模型,本研究流程見(jiàn)圖1。
1 材料與方法
1.1 研究區(qū)概況
如圖2所示,本研究區(qū)位于甘肅省張掖市民樂(lè)縣的馬鈴薯種植區(qū)(38°28′50″N,100°51′54″E),海拔2 166 m,年降水量為256.4 mm,研究區(qū)面積為2 000 m2,地勢(shì)平坦。研究區(qū)種植的馬鈴薯品種為大西洋,種植37行,行距0.4 m,株距0.3 m。
1.2 田間病害調(diào)查
配合無(wú)人機(jī)高光譜圖像的采集,2022年8月17-30日研究團(tuán)隊(duì)對(duì)馬鈴薯早疫病發(fā)病情況進(jìn)行調(diào)查,調(diào)查時(shí)間共計(jì)14 d。每個(gè)樣點(diǎn)面積為1.0 m×1.0 m,共30個(gè)采樣點(diǎn),一共采集420個(gè)樣點(diǎn)的數(shù)據(jù),根據(jù)植株受早疫病感染表現(xiàn)將馬鈴薯早疫病嚴(yán)重程度分為健康(S1)、輕度感染(S2)、中度感染(S3)和重度感染(S4)4個(gè)等級(jí),具體病害嚴(yán)重程度評(píng)估方法見(jiàn)表1[19]。在整個(gè)研究期間,通過(guò)比較每個(gè)樣本的光譜曲線與所有樣本的平均光譜曲線之間的差異度,剔除10個(gè)異常光譜樣本,得到最終研究所用的數(shù)據(jù)集,包含S1等級(jí)樣本81個(gè),S2等級(jí)樣本101個(gè),S3等級(jí)樣本95個(gè),S4等級(jí)樣本133個(gè),共計(jì)410個(gè)樣本。按照3∶1的比例將每個(gè)類(lèi)別分為訓(xùn)練集和測(cè)試集。
1.3 高光譜數(shù)據(jù)采集
本試驗(yàn)使用大疆經(jīng)緯M600 PRO飛行平臺(tái)搭載GaiaSky-mini 2機(jī)載高光譜儀來(lái)獲取大田馬鈴薯冠層高光譜影像。大疆經(jīng)緯M600 PRO為6旋翼飛行平臺(tái),具有負(fù)載量大、飛行性能優(yōu)等特點(diǎn),載重量可達(dá)6.0 kg。GaiaSky-mini 2機(jī)載高光譜成像儀光譜范圍為400~1 000 nm,光譜分辨率為3.5 nm,光譜通道數(shù)為176個(gè),相機(jī)及內(nèi)置控制器總重為1.5 kg。GaiaSky-mini 2機(jī)載高光譜成像儀可以實(shí)現(xiàn)畫(huà)幅式圖像實(shí)時(shí)回傳,監(jiān)控拍攝效果,且數(shù)據(jù)格式兼容Spec View、ENVI等第三方數(shù)據(jù)分析軟件。
高光譜影像的采集時(shí)間在2022年8月17-30日11:00-13:00,無(wú)人機(jī)飛行高度為20.0 m。進(jìn)行數(shù)據(jù)采集時(shí),在研究區(qū)旁平坦位置處放置尺寸為1.0 m×1.0 m、反射率為80%和40%的漫反射布(保證漫反射布表面無(wú)雜物和陰影),每次拍攝高光譜圖像時(shí)保證所獲取的影像數(shù)據(jù)中含有漫反射布。
1.4 圖像預(yù)處理與數(shù)據(jù)降維
將高光譜圖像輸入計(jì)算機(jī),使用Spec View進(jìn)行預(yù)處理,對(duì)研究區(qū)圖像數(shù)據(jù)進(jìn)行反射率校準(zhǔn)、鏡頭校正和大氣校正。使用ENVI 5.3軟件對(duì)圖像進(jìn)一步處理,根據(jù)地面采樣點(diǎn)位置,確定感興趣區(qū)域(ROI)。計(jì)算ROI的平均光譜反射率,最終得到各樣點(diǎn)的原始光譜數(shù)據(jù)。除了純光譜,原始光譜數(shù)據(jù)還包含由基線漂移、噪聲以及環(huán)境因素所導(dǎo)致的譜線偏移所產(chǎn)生的光譜數(shù)據(jù),所以對(duì)原始光譜進(jìn)行光譜變換可以增強(qiáng)數(shù)據(jù)特征,消除干擾,更有利于進(jìn)行數(shù)據(jù)分析[20]。本研究采用3種數(shù)據(jù)預(yù)處理方式:一階微分(First-order Derivative,F(xiàn)DR)可有效消除基線漂移,降低背景干擾,提高數(shù)據(jù)的分辨率和靈敏度;二階微分(Second-order Derivative, SDR)可提高譜圖中峰的分辨率、強(qiáng)調(diào)信號(hào),減弱干擾影響;多元散射校正(Multiplicative Scatter Correction,MSC)可消除由于散射水平變化而產(chǎn)生的光譜差異,從而提高光譜與數(shù)據(jù)之間的相關(guān)性。
本研究從全波段和特征波段2個(gè)方面對(duì)馬鈴薯早疫病高光譜數(shù)據(jù)進(jìn)行分類(lèi),然后對(duì)高光譜數(shù)據(jù)進(jìn)行降維,從而提取重要特征和簡(jiǎn)化數(shù)據(jù)復(fù)雜性,提高處理效率和準(zhǔn)確性[21]。另外本研究采用SPA、CARS和RF 3種數(shù)據(jù)降維方法。為了公平比較,用上述方法將全波段的176維向量統(tǒng)一降至9維向量。
1.5 病害程度分級(jí)模型
本研究設(shè)計(jì)了一種CNN結(jié)構(gòu)作為馬鈴薯早疫病嚴(yán)重程度分級(jí)模型,針對(duì)全波段176維向量和特征波段9維向量分別構(gòu)造了預(yù)測(cè)早疫病嚴(yán)重程度分級(jí)網(wǎng)絡(luò)。為了簡(jiǎn)單起見(jiàn),只給出特征波段作為輸入的CNN網(wǎng)絡(luò),其結(jié)構(gòu)如圖3所示,包含2個(gè)卷積層、2個(gè)池化層和1個(gè)輸出大小為4的全連接層,其中每個(gè)卷積層包含1個(gè)大小為2×1的卷積核,1個(gè)批歸一化(BN)層,1個(gè)激活函數(shù)層。卷積層提取光譜特性信息,池化層降低光譜特征圖的維度,全連接層將提取的高維光譜特征映射到輸出,實(shí)現(xiàn)非線性分類(lèi)任務(wù)。本研究通過(guò)交叉熵?fù)p失函數(shù)計(jì)算模型的分類(lèi)損失,從而實(shí)現(xiàn)對(duì)模型的監(jiān)督,損失函數(shù)計(jì)算見(jiàn)公式(1)。
Lθ=-1N∑Ni=1∑4j=1yijlg(Pij)(1)
其中,N是樣本數(shù)量,yij是第i個(gè)樣本的第j個(gè)類(lèi)別的標(biāo)簽,Pij為第i個(gè)樣本的第j個(gè)類(lèi)別的預(yù)測(cè)概率。同時(shí)本研究使用Adam(Adaptive Moment Estimation)優(yōu)化器以最小化該損失函數(shù),初始學(xué)習(xí)率設(shè)置為0.001,并以分段衰減法逐步降低學(xué)習(xí)率,每經(jīng)過(guò)100輪訓(xùn)練學(xué)習(xí)率下降為原來(lái)的1/2,從而避免因?qū)W習(xí)率較大而出現(xiàn)次優(yōu)解。
為了和CNN分類(lèi)器進(jìn)行比較,本研究還利用BP反向傳播網(wǎng)絡(luò)作為分類(lèi)器。BP反向傳播網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成,BP算法通過(guò)鏈?zhǔn)椒▌t計(jì)算網(wǎng)絡(luò)參數(shù)對(duì)損失函數(shù)的梯度,然后沿著梯度的反方向更新權(quán)重。這樣的迭代過(guò)程使得網(wǎng)絡(luò)能夠逐漸調(diào)整權(quán)重,從而提高對(duì)輸入數(shù)據(jù)的預(yù)測(cè)能力。為簡(jiǎn)單起見(jiàn),本研究給出了使用9維特征波段輸入的BP網(wǎng)絡(luò),其結(jié)構(gòu)如圖4所示,包括1個(gè)輸入層(包含9個(gè)神經(jīng)元)、1個(gè)隱藏層(包含6個(gè)神經(jīng)元)、1個(gè)輸出層(包含4個(gè)神經(jīng)元)。輸入層接收外部輸入數(shù)據(jù),隱藏層執(zhí)行數(shù)據(jù)處理和特征提取,輸出層產(chǎn)生網(wǎng)絡(luò)的最終輸出。
1.6 評(píng)價(jià)指標(biāo)
本研究中分類(lèi)模型的評(píng)價(jià)指標(biāo)主要有以下幾種:
準(zhǔn)確率是指被正確分類(lèi)的樣本數(shù)占全部樣本數(shù)的比例。
Accuracy=TP+TNTP+FN+FP+TN(2)
公式(2)中Accuracy表示準(zhǔn)確率,TP表示實(shí)際為正例且被預(yù)測(cè)為正例的樣本數(shù),TN表示實(shí)際為負(fù)例且被預(yù)測(cè)為負(fù)例的樣本數(shù),F(xiàn)P表示實(shí)際為負(fù)例但被預(yù)測(cè)為正例的樣本數(shù),F(xiàn)N表示實(shí)際為正例但被預(yù)測(cè)為負(fù)例的樣本數(shù)。準(zhǔn)確率越高,表示模型在所有樣本中預(yù)測(cè)正確的比例越高,分類(lèi)性能越好。準(zhǔn)確率越接近1,模型的性能越好。
精確率是指預(yù)測(cè)為正例的樣本中真正為正例的比例。
Precision=TPTP+FP(3)
公式(3)中Precision表示準(zhǔn)確率,F(xiàn)P指實(shí)際為負(fù)例但被預(yù)測(cè)為正例的樣本數(shù)。精確率越高,表示模型在預(yù)測(cè)為正例時(shí),真正為正例的比例越高,即模型的預(yù)測(cè)結(jié)果更可靠。精確率越接近1,模型的預(yù)測(cè)結(jié)果越可靠。
召回率,是指預(yù)測(cè)為正例的真實(shí)正例占所有真實(shí)正例的比例。
Recall=TPTP+FN(4)
公式(4)中Recall表示召回率,F(xiàn)N指實(shí)際為正例但被預(yù)測(cè)為負(fù)例的樣本數(shù)。召回率越高,表示模型能夠盡可能多地找出真正的正例,即模型的召回能力越強(qiáng)。召回率越接近1,模型的召回能力越強(qiáng)。
F1得分為精確率和召回率的調(diào)和平均數(shù),用于綜合考慮精確率和召回率的表現(xiàn)。
F1=2×Precision×RecallPrecision+Recall(5)
公式(5)中F1值越高說(shuō)明模型在精確率和召回率上的表現(xiàn)都較好。F1值越接近1,說(shuō)明該模型的綜合性能越好。
2 結(jié)果與分析
2.1 無(wú)人機(jī)高光譜數(shù)據(jù)分析
對(duì)健康樣本和不同患病程度樣本高光譜反射率求平均,并計(jì)算其標(biāo)準(zhǔn)差。圖5給出了健康樣本和不同患病程度樣本的光譜分布,可以發(fā)現(xiàn)馬鈴薯在感染早疫病的不同階段,光譜反射率呈現(xiàn)出的趨勢(shì)基本一致。在550 nm和850 nm處存在1個(gè)峰值,而在660 nm處出現(xiàn)1個(gè)谷值。從700 nm開(kāi)始,S1~S4反射率變化較為明顯,隨著染病程度的加重,光譜反射率逐漸下降。在可見(jiàn)光光譜區(qū),健康馬鈴薯冠層的反射率較高,因?yàn)榻】等~片通常呈綠色,富含葉綠素,對(duì)綠光(550 nm左右)有很高的反射率。當(dāng)感染了早疫病后,葉片產(chǎn)生褐色病斑,會(huì)吸收更多的光,導(dǎo)致反射率降低。近紅外光譜區(qū)與可見(jiàn)光光譜區(qū)類(lèi)似,當(dāng)馬鈴薯感染早疫病時(shí)反射率也會(huì)降低。此外,本研究發(fā)現(xiàn)健康樣本和輕度感染樣本的標(biāo)準(zhǔn)差區(qū)域重合度非常高。這可能是因?yàn)樵诟腥驹缙?,馬鈴薯葉片的內(nèi)部結(jié)構(gòu)和化學(xué)成分與健康時(shí)相比變化不大,這也可能會(huì)導(dǎo)致模型進(jìn)行分類(lèi)時(shí)效果不佳。
將原始光譜進(jìn)行一階微分變換,得到一階微分光譜曲線(圖6B)。從圖6B可見(jiàn),在藍(lán)波段和近紅外光譜區(qū)S1、S2、S3、S4反射率出現(xiàn)了明顯的差異。一階微分變換可以突出光譜的邊緣特征和細(xì)節(jié)信息,從而更好地識(shí)別感染早疫病樣本與健康樣本之間的反射率變化趨勢(shì)。進(jìn)行一階微分變換后這些變化趨勢(shì)可能會(huì)更加明顯,從而提高識(shí)別和診斷的準(zhǔn)確性。將原始光譜進(jìn)行二階微分變換,得到二階微分光譜曲線(圖6C)。二階微分變換可進(jìn)一步增強(qiáng)光譜的邊緣特征和細(xì)節(jié)信息,反射率的變化趨勢(shì)會(huì)更加明顯。將原始光譜進(jìn)行多元散射校正后(圖6D),在可見(jiàn)光光譜區(qū),葉片的反射率可能會(huì)呈現(xiàn)出綠色波峰和紅色波谷的現(xiàn)象。這是由于葉綠素的吸收和反射特性所致,其中綠色波峰是葉綠素對(duì)綠色光的反射所致,紅色波谷則是由于葉綠素對(duì)紅色光的吸收所致。在近紅外光譜區(qū),馬鈴薯冠層葉片的反射率可能會(huì)表現(xiàn)出更為平緩的趨勢(shì)。這一現(xiàn)象可能與光散射的影響進(jìn)一步減小有關(guān),該區(qū)域的反射率數(shù)據(jù)更加穩(wěn)定。
2.2 數(shù)據(jù)降維
本研究采用SPA、CARS和RF 3種方法將176維的全波段數(shù)據(jù)降到9維,結(jié)果如表2所示。降維后的數(shù)據(jù)保留了原始數(shù)據(jù)的主要特征,同時(shí)大大簡(jiǎn)化了數(shù)據(jù)的復(fù)雜性,使得后續(xù)分析和處理變得更加簡(jiǎn)單高效。
2.3 基于CNN的早疫病嚴(yán)重程度分級(jí)模型
本研究將原始光譜數(shù)據(jù)、預(yù)處理光譜數(shù)據(jù)、全波段光譜數(shù)據(jù)、特征波段光譜數(shù)據(jù)在CNN模型、BP模型中共進(jìn)行了32組對(duì)比試驗(yàn),旨在篩選出最佳馬鈴薯早疫病嚴(yán)重程度分級(jí)模型,試驗(yàn)結(jié)果如表3所示。
從表3可以看出,2種模型基于全波段的光譜分級(jí)效果均表現(xiàn)出較好的性能,準(zhǔn)確率均高于84.00%。然而,全波段光譜數(shù)據(jù)量較大,處理效率較低。在BP模型中,基于一階微分光譜數(shù)據(jù)并進(jìn)行CARS降維后的分類(lèi)準(zhǔn)確率可達(dá)85.29%,而RF降維后的準(zhǔn)確率達(dá)到了89.22%。在CNN模型中,一階微分光譜和二階微分光譜CARS降維后也展現(xiàn)出較高的精度,分類(lèi)準(zhǔn)確率分別為88.23%和85.29%。但分類(lèi)效果最好的還是一階微分光譜RF降維后,準(zhǔn)確率高達(dá)91.18%。值得注意的是,原始光譜數(shù)據(jù)RF降維后在2種模型中也有著較好的分類(lèi)效果。綜合比較發(fā)現(xiàn),相同類(lèi)型的光譜數(shù)據(jù)在CNN模型中的分類(lèi)總體效果要優(yōu)于BP模型。此外,2種模型對(duì)于一階微分光譜的分類(lèi)效果更加出色,準(zhǔn)確率可以保持在81.00%以上。這表明原始光譜經(jīng)過(guò)一階微分變換后,光譜特征被進(jìn)一步放大,更有助于提升模型的分類(lèi)能力。一階微分光譜數(shù)據(jù)經(jīng)RF算法降維后在模型中的分類(lèi)準(zhǔn)確度較全波段光譜均有所提高。這證實(shí)了RF算法在處理高維度數(shù)據(jù)方面的有效性,通過(guò)選擇最重要的變量降維算法,從而減少信息冗余,提高數(shù)據(jù)處理效率。同時(shí),也說(shuō)明特征波段對(duì)馬鈴薯早疫病具有更好的分級(jí)識(shí)別效果。
為了進(jìn)一步量化CNN網(wǎng)絡(luò)比BP網(wǎng)絡(luò)的性能更好,本研究將經(jīng)一階微分處理和RF降維后的特征波段使用BP分類(lèi)器的模型稱為FDR-RF-BP模型,將經(jīng)一階微分處理和RF降維后的特征波段使用CNN分類(lèi)器的模型稱為FDR-RF-CNN模型。并計(jì)算了其在測(cè)試集的精確率、召回率和F1得分,結(jié)果如表4所示。相較于BP模型,CNN模型將健康樣本(S1)冠層的精確率提高了10.00個(gè)百分點(diǎn),輕度感染樣本(S2)冠層的召回率提高了9.00個(gè)百分點(diǎn),同時(shí)將健康樣本冠層和輕度感染樣本冠層的F1得分分別提升了0.06和0.05。平均精確率、平均召回率和平均F1得分分別提升3.00個(gè)百分點(diǎn)、2.00個(gè)百分點(diǎn)和0.02。由此可見(jiàn)CNN模型比BP模型效果更好,且主要體現(xiàn)在對(duì)馬鈴薯健康樣本和輕度感染樣本的分類(lèi)識(shí)別上。這是由于CNN卷積核的參數(shù)共享特性,使得模型能夠更好地捕捉到數(shù)據(jù)集中的特征,從而提高了分類(lèi)的準(zhǔn)確性和穩(wěn)定性。此外,CNN模型還具有更好的泛化能力,能夠更好地適應(yīng)不同的數(shù)據(jù)集和任務(wù)。
由圖5可以看出輕度感染樣本和健康樣本、中度感染樣本之間的錯(cuò)分比較多,可能是這3類(lèi)之間的光譜特征較為相似導(dǎo)致的。混淆矩陣作為評(píng)估分類(lèi)模型分類(lèi)效果的重要手段,對(duì)于比較不同分類(lèi)模型在特定數(shù)據(jù)集上的性能具有重要作用。為了比較BP模型和CNN模型在一階微分光譜數(shù)據(jù)RF降維后的測(cè)試集上的分類(lèi)性能,本研究制作2種模型的混淆矩陣(圖7),如圖7所示,F(xiàn)DR-RF-BP模型將3個(gè)健康樣本識(shí)別為輕度感染樣本,3個(gè)中度感染樣本識(shí)別為輕度感染樣本(圖7A)。FDR-RF-CNN模型則改善了4個(gè)標(biāo)簽之間互相混淆的情況,將健康樣本識(shí)別為輕度感染樣本的數(shù)量為1個(gè),將中度感染樣本識(shí)別為輕度感染樣本的數(shù)量為2個(gè)(圖7B)。
綜上所述,通過(guò)對(duì)比BP反向傳播網(wǎng)絡(luò)模型和CNN卷積神經(jīng)網(wǎng)絡(luò)模型在馬鈴薯早疫病光譜數(shù)據(jù)測(cè)試集上的分類(lèi)效果,發(fā)現(xiàn)CNN模型在分類(lèi)準(zhǔn)確率高的同時(shí)具有更強(qiáng)的魯棒性,尤其在對(duì)健康馬鈴薯和輕度感染早疫病馬鈴薯的分類(lèi)識(shí)別上表現(xiàn)更為突出。
3 結(jié)論
本研究利用地面病情數(shù)據(jù)和無(wú)人機(jī)高光譜數(shù)據(jù),分析了感染不同程度早疫病馬鈴薯的光譜數(shù)據(jù)信息,系統(tǒng)探討了光譜預(yù)處理和特征波段篩選的策略,并比較了特征波段與全波段在馬鈴薯早疫病嚴(yán)重程度診斷中的差異,最終實(shí)現(xiàn)了對(duì)馬鈴薯早疫病的分級(jí)監(jiān)測(cè)。研究結(jié)果表明,對(duì)原始高光譜數(shù)據(jù)進(jìn)行一階微分變換可以更好地揭示馬鈴薯葉片在早疫病感染過(guò)程中的光譜特征,為后續(xù)診斷建立模型提供更準(zhǔn)確的數(shù)據(jù)。相較于全波段,RF算法所提取的特征波段在馬鈴薯早疫病嚴(yán)重程度的識(shí)別精度上表現(xiàn)更佳,驗(yàn)證了所選的光譜波段降維方法的有效性。使用CNN模型對(duì)馬鈴薯早疫病嚴(yán)重程度進(jìn)行分級(jí)時(shí),利用一階微分光譜RF降維后的特征波段為輸入?yún)⒘?,分?jí)精度最高,為91.18%,比原始光譜RF降維后的特征波段作為輸入量時(shí)總體精度提高了6.87個(gè)百分點(diǎn),比全波段一階微分光譜作為輸入量時(shí)的識(shí)別準(zhǔn)確率提高了5.89個(gè)百分點(diǎn)。與BP模型相比較,CNN模型的分類(lèi)效果總體來(lái)說(shuō)更好,且對(duì)于一階微分光譜數(shù)據(jù)特征波段RF算法降維后的特征波段,CNN模型將健康樣本的識(shí)別精確率提高了10.00個(gè)百分點(diǎn),輕度感染樣本的召回率提高了9.00個(gè)百分點(diǎn)。同時(shí),健康樣本和輕度感染樣本的F1得分達(dá)到了0.95和0.88,總體準(zhǔn)確率較BP網(wǎng)絡(luò)提升了1.96%。試驗(yàn)結(jié)果表明,F(xiàn)DR-RF-CNN模型可以用于大田環(huán)境下馬鈴薯早疫病嚴(yán)重程度的分級(jí)監(jiān)測(cè),且監(jiān)測(cè)結(jié)果較優(yōu)。本研究結(jié)果也證明了利用無(wú)人機(jī)高光譜技術(shù)監(jiān)測(cè)大田環(huán)境下的馬鈴薯早疫病病情是可行的。
參考文獻(xiàn):
[1] 徐 進(jìn),朱杰華,楊艷麗,等. 中國(guó)馬鈴薯病蟲(chóng)害發(fā)生情況與農(nóng)藥使用現(xiàn)狀[J]. 中國(guó)農(nóng)業(yè)科學(xué),2019,52(16):2800-2808.
[2] 高玉林,徐 進(jìn),劉 寧,等. 我國(guó)馬鈴薯病蟲(chóng)害發(fā)生現(xiàn)狀與防控策略[J]. 植物保護(hù),2019,45(5):106-111.
[3] 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.
[4] ZHANG J C, HUANG Y B, PU R L, et al. Monitoring plant diseases and pests through remote sensing technology: a review[J]. Computers and Electronics in Agriculture,2019,165:104943.
[5] 張 凝,楊貴軍,趙春江,等. 作物病蟲(chóng)害高光譜遙感進(jìn)展與展望[J]. 遙感學(xué)報(bào),2021,25(1):403-422.
[6] 黃雙萍,齊 龍,馬 旭,等. 基于高光譜成像的水稻穗瘟病害程度分級(jí)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,31(1):212-219.
[7] BARBEDO J G A, TIBOLA C S, FERNANDES J M C. Detecting Fusarium head blight in wheat kernels using hyperspectral imaging[J]. Biosystems Engineering,2015,131:65-76.
[8] SIEDLISKA A, BARANOWSKI P, ZUBIK M, et al. Detection of fungal infections in strawberry fruit by VNIR/SWIR hyperspectral imaging[J]. Postharvest Biology and Technology,2018,139:115-126.
[9] JIN X, JIE L, WANG S, et al. Classifying wheat hyperspectral pixels of healthy heads and Fusarium head blight disease using a deep neural network in the wild field[J]. Remote Sensing,2018,10(3):395.
[10]雷 雨,韓德俊,曾慶東,等. 基于高光譜成像技術(shù)的小麥條銹病病害程度分級(jí)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2018,49(5):226-232.
[11]宋 勇,陳 兵,王 瓊,等. 無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害研究進(jìn)展[J]. 棉花學(xué)報(bào),2021,33(3):291-306.
[12]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.
[13]蘭玉彬,朱梓豪,鄧小玲,等. 基于無(wú)人機(jī)高光譜遙感的柑橘黃龍病植株的監(jiān)測(cè)與分類(lèi)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2019,35(3):92-100.
[14]郭 偉,朱耀輝,王慧芳,等. 基于無(wú)人機(jī)高光譜影像的冬小麥全蝕病監(jiān)測(cè)模型研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2019,50(9):162-169.
[15]MA H Q, HUANG W J, DONG Y Y, et al. Using UAV-based hyperspectral imagery to detect winter wheat Fusarium head blight[J]. Remote Sensing,2021,13(15):3024.
[16]于 涵. 基于圖像和光譜技術(shù)的馬鈴薯早疫病智能診斷方法研究[D]. 大慶:黑龍江八一農(nóng)墾大學(xué),2023.
[17]唐 翊. 基于光譜技術(shù)的便攜式馬鈴薯晚疫病檢測(cè)儀研制[D]. 咸陽(yáng):西北農(nóng)林科技大學(xué),2019.
[18]徐明珠,李 梅,白志鵬,等. 馬鈴薯葉片早疫病的高光譜識(shí)別研究[J]. 農(nóng)機(jī)化研究,2016,38(6):205-209.
[19]MENO L, ESCUREDO O, RODRGUEZ-FLORES M S, et al. Looking for a sustainable potato crop.Field assessment of early blight management[J]. Agricultural and Forest Meteorology,2021,308/309:108617.
[20]朱夢(mèng)遠(yuǎn),楊紅兵,李志偉. 高光譜圖像和葉綠素含量的水稻紋枯病早期檢測(cè)識(shí)別[J]. 光譜學(xué)與光譜分析,2019,39(6):1898-1904.
[21]張婷婷,向瑩瑩,楊麗明,等. 高光譜技術(shù)無(wú)損檢測(cè)單粒小麥種子生活力的特征波段篩選方法研究[J]. 光譜學(xué)與光譜分析,2019,39(5):1556-1562.
(責(zé)任編輯:黃克玲)
江蘇農(nóng)業(yè)學(xué)報(bào)2024年10期