本文旨在利用高光譜數據建立一個準確、可解釋的植物病害識別模型。由真菌引起的大豆炭腐病是一種嚴重影響大豆產量的世界性病害。在383-1032 nm范圍內，Resonon高光譜成像儀在240個不同的波長處捕獲高光譜圖像。針對大豆炭腐病，科學家建立了3D卷積分網絡模型，模型分類精度為95.73%，并利用可視化顯著圖檢驗訓練模型、敏感像素位置以及分類的特征敏感波段，發現：敏感特征波段為733 nm，這和常用的鑒別植物健康程度的特征波段范圍（700-1000nm）是一致的。

?

實驗：

感染炭腐病的大豆：分別在第3、6、9、12和15天采集健康的和受感染的大豆莖稈樣品，在測量病害程度之前，實時采集健康的和收到感染的莖稈的高光譜圖像。

測量儀器：美國Resonon高光譜成像儀，型號：Pika XC

（包含安裝支架、移動平臺、操作軟件和2個70w鹵素燈）

Pika XC性能：

光譜通道數：240，波段范圍，400-1000 nm，分辨率：2.5 nm。

?

平臺系統如下圖（a）所示：

（a）??? 室內高光譜成像系統

（b）??? 不同光譜波段的大豆莖稈樣品高光譜圖像

（c）???? 大豆莖稈的內部和外部RGB圖像的病害程度比較

3D-CNN模型由兩個連接的卷積分模型組成，其中，一個小的構架用于防止訓練模型過飽和。2個圖層（3*3mm空間維度，16個波段的光譜維度）作為第一個卷積分分層，4個3*3*16的圖層作為第二個卷積分層，修正線性輸入模型作為輸出層。

?

結果分析：

1.??? 539個測試圖像用于3d-cnn模型的精度評估。

如表1所示：模型分類準確為95.73%，0.92的分類精度也體現了不同病害階段的普適性。

2.??? 可視化顯著圖評價

我們可視化了用顯著圖分類出來的部分圖像, 最大分類得分的輸入圖像用于判別敏感像素位置。圖三為感染病害和健康圖像的顯著圖。每個像素的級別大小用于評價其在分類過程中的重要性。受感染莖稈圖像的顯著圖比圖像中嚴重感染區域(紅棕色)對應的位置具有更高的數值。這表明，嚴重感染的圖像區域包含最敏感的像素位置，可以預測受感染分數。無論是健康圖像還是感染圖像，顯著圖高值都集中在莖的中部區域。

測試圖像的直方圖數據，代表了每個波長最大顯著圖的圖像像元百分比C*=130(733 nm)

1.??? 在測試數據中，近紅外區的波長733 nm (C*=130)是所有波長中最敏感的；

2.??? 在703 ~ 744 nm的光譜范圍內，15個波長在測試圖像的像素位置中占33%，是梯度值的最大值；

3.??? 受感染樣本的可見光譜波長(400-700 nm)比健康樣本更敏感。

?

結論

數據結果證明了3D-CDD模型可以有效地學習高維的高光譜數據，應用于大豆炭腐病鑒別領域。從生理學機理角度，可視化顯著圖解釋了高光譜特征波段在分類中的重要性，使模型更具有說服力。因此，我們對于該模型更加自信，在未來，基于魯棒可解釋機制的波段選擇將有助于高光譜數據的降維，也將有助于設計高通量表型的多光譜攝成像系統。

請點擊如下鏈接，閱讀文獻：