冷害是造成作物嚴重損失和不可逆轉傷害的災害之一。為避免產量損失，可利用高通量表型選擇耐寒脅迫的作物品種。如今，無損光譜圖像分析已成為一種有效方法，并已廣泛應用于高通量表型分析中，反映出植物結構組成，生長發育過程中的生理，生化特性和特征。本研究利用卷積神經網絡（CNN）模型提取可見-近紅外范圍的特征光譜估計玉米幼苗的冷害。文中以五個品種的冷處理玉米幼苗的高光譜圖像為研究對象。光譜范圍為450-885?nm。高斯低通濾波和Savitzky-Golay平滑方法結合一階導數進行光譜數據的預處理。從每種玉米幼苗選定的感興趣區域獲取3600個像素樣本用于CNN建模。CNN模型建立后，從高光譜圖像中提取400個像素樣本作為每個品種的測試集。最后，通過分析分類準確度和計算效率確定一個CNN模型。CNN檢測到的不同類型的玉米幼苗的冷害水平分別為W22 (41.8 %)，BxM (35%)，?B73 (25.6%)，PH207 (20%)，?Mo17 (14%)，與化學方法的結果高度相關。兩種方法檢測結果的相關系數為0.8219。因此，研究證明基于CNN建模的光譜分析可以為玉米幼苗冷害監測提供參考。
高光譜成像采集
利用推掃式高光譜相機（PIKA II，Resonon）
成像系統的整個結構
感興趣區域樣本數據選擇程序
樣本的3D光譜分布
CNN和化學方法結果的比較
結論
自卷積神經網絡發展以來，算法的高性能引起了學者的廣泛關注。同時，有效識別作物病害是智能農業發展的需要，但是基于人工設計特征的識別模型準確度較低且穩定。基于這些問題，該研究利用CNN設計了5個玉米幼苗品種的冷害識別模型，詳細的高光譜圖像預處理方法，樣本提取方法，以及深度卷積網絡。在整個過程中，針對不同的輸入數據建立不同的網絡結構，獲得圖像分割結果。對于少量玉米幼苗冷害的情況，將卷積神經網絡應用于玉米冷害監測模型，并構建CNN模型。分析了CNN的權重分布特性，激活函數以及不同初始化方法的影響。結合Dropout策略解決了過度擬合問題以及網絡深度對預處理效果的負面影響。該模型解決了隨機初始化權重的缺陷。最后，在少量玉米幼苗病害的情況下，驗證了預處理方法的有效性，且CNN檢測到不同類型的玉米幼苗的冷害水平分別為W22 (41.8 %)，BxM (35%)，?B73 (25.6%)，PH207 (20%)，?Mo17 (14%)，與化學方法檢測的冷害結果高度相關。下一步的工作將引入高光譜成像的維度特征，提取作物病害組織結構的紋理特征，結合光譜維度信息建立模型，以進一步改善模型的分類性能。