高光譜成像結(jie)合機器學習(xi)檢測火炬松幼苗梭(suo)形銹病(bing)發病(bing)率
火炬(ju)松是(shi)美國(guo)南部最重要的森(sen)林(lin)樹種，它(ta)生長迅速、適應性強，可用(yong)于建筑木材、膠合板和紙(zhi)漿等。松梭(suo)形(xing)銹病是(shi)由(you)真菌Cronartium quercuum f.sp. fusiforme（Cqf）引起的(de)(de)一種影響該(gai)物(wu)種的(de)(de)常(chang)見且(qie)具有破壞性(xing)的(de)(de)病(bing)(bing)害(hai)(hai)。這種真菌通常(chang)會(hui)感染幼樹(shu)的(de)(de)莖，導致(zhi)被稱為(wei)“銹癭”的(de)(de)腫瘤樣生(sheng)長(chang)物(wu)產生(sheng)，可能(neng)會(hui)造成(cheng)樹(shu)木死(si)亡(wang)或(huo)產生(sheng)“銹叢(cong)”，從而妨礙樹(shu)木生(sheng)長(chang)，降低木材使用價值。種植(zhi)(zhi)抗(kang)病(bing)(bing)苗是(shi)限(xian)制該(gai)病(bing)(bing)害(hai)(hai)的(de)(de)最有效的(de)(de)措施(shi)。溫室中抗(kang)病(bing)(bing)性(xing)測試在人工(gong)接(jie)種幼苗后的(de)(de)目視估計病(bing)(bing)害(hai)(hai)發病(bing)(bing)率和嚴(yan)重程(cheng)度具有高(gao)度主觀性(xing)，容(rong)易出現人為(wei)錯(cuo)誤，且(qie)勞動(dong)密集(ji)。此外(wai)，目視評估只有在病(bing)(bing)害(hai)(hai)感染一段時(shi)間(jian)后，癥狀充(chong)分發展時(shi)才能(neng)進行(xing)。而高(gao)光譜(pu)(pu)成(cheng)像(xiang)可同時(shi)獲取空間(jian)和光譜(pu)(pu)信息(xi)，提供了在不同空間(jian)尺度上分析光譜(pu)(pu)信息(xi)的(de)(de)機會(hui)，已成(cheng)功應用于多種植(zhi)(zhi)物(wu)物(wu)種的(de)(de)病(bing)(bing)害(hai)(hai)和脅迫檢測。
基于此，在本文(wen)中，來(lai)自北卡羅(luo)來(lai)納州立(li)大學和密(mi)西西比(bi)州立(li)大學的(de)研究團隊提出了一種利用高光(guang)譜成像(xiang)技術篩(shai)選火炬松幼苗(miao)梭形銹病(bing)發病(bing)率的(de)創新方法，具體(ti)目標為（1）開發(fa)高光(guang)譜(pu)圖(tu)像(xiang)處理管道，用(yong)于從火炬松幼(you)苗圖(tu)像(xiang)中的特定感興(xing)趣(qu)區域（ROI）中(zhong)提取光譜數據；（2）基于來自(1)的特定ROI的光譜(pu)數據(ju)，評估用于(yu)區分患(huan)病(bing)和未患(huan)病(bing)幼苗(miao)的SVM分(fen)類模型。
圖1 火炬松(song)幼(you)苗高光譜圖像采(cai)集的成像裝置。
【高光譜(pu)圖像獲取】
線(xian)性掃描高光(guang)譜成像(xiang)儀（Pika XC2，Resonon Inc.，Bozeman，MT，USA）用(yong)于收集400至1000 nm范圍內的(de)高光譜數據，光譜分辨率為1.3 nm。高光譜圖像立(li)方(fang)體的尺寸為1600×n×462，其中n為創建一(yi)個(ge)數(shu)(shu)據立方體使用的線掃描(miao)數(shu)(shu)，1600為每條線的像(xiang)素數。
獲(huo)取高(gao)光譜(pu)圖像后，通過閾值化歸一化植被指數（NDVI）圖像從背景中分割出幼(you)苗，并通過使(shi)用(yong)Faster RCNN模型的(de)目標檢測來實現個體幼苗的(de)描繪(hui)。隨后使用DeepLabv3+模型對(dui)植物部分進行分割(ge)。并(bing)使用(yong)幾(ji)何特征(zheng)分割(ge)冠層像素。從植物片段中提(ti)取光譜數據后，訓練支持向量機（SVM）分類模(mo)型用于患病和非患病植物的分類。
【結(jie)果】
圖2 測試集(ji)隨機組圖(tu)(tu)像的(de)莖(jing)像素（紅色）和非(fei)莖(jing)像素（綠色）。對于每株植物(wu)，左圖(tu)(tu)顯(xian)(xian)示了(le)地(di)面實況標(biao)簽，右圖(tu)(tu)顯(xian)(xian)示了(le)DeepLabv3+模型預(yu)測結果(guo)。?
表(biao)1 利用(yong)DeepLabv3+對(dui)莖葉像素進行(xing)分割的像素精度和平(ping)均交并比(mIoU)值。
?
表2 不同ROI的分類(lei)模型結果。
圖3 左：箱線圖(tu)顯示了(le)從不同ROI提(ti)取的數據(ju)中使用SVM判(pan)別(bie)模型獲得(de)的平衡精度。ST：莖上(shang)半部分；S：全莖；SB：莖(jing)下半部分；WP：整株(zhu)植物；C：冠層。右圖：使用莖上(shang)半部分光譜(pu)數據的SVM分類(lei)模型的(de)接收器操作特征(zheng)(ROC)曲(qu)線與(yu)具有(you)完美和(he)不存(cun)在判別(bie)能(neng)力的模型進行比較。
【小結】
作者通過研(yan)究發現，本文所(suo)提出的(de)方法(fa)可(ke)有效檢測(ce)病害發病率(lv)。隨著進(jin)一步(bu)研(yan)究圖像采集和處理方法(fa)，以及通過使(shi)用自(zi)動化表(biao)型平臺，火炬松幼苗的(de)高通量表(biao)型分析將成為(wei)目(mu)前在抗性(xing)篩選中心所(suo)使(shi)用方法(fa)的(de)一個組成部分。