高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率
![高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率]( "高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率")
火炬松是美国南部最重要的森林树种，它生长迅速、适应性强，可用于建筑木材、胶合板和纸浆等。松梭形锈病是由真菌Cronartium quercuum f.sp. fusiforme（Cqf）引起的一种影响该物种的常见且具有破坏性的病害。这种真菌通常会感染幼树的茎，导致被称为“锈瘿”的肿瘤样生长物产生，可能会造成树木死亡或产生“锈丛”，从而妨碍树木生长，降低木材使用价值。种植抗病苗是限制该病害的最有效的措施。温室中抗病性测试在人工接种幼苗后的目视估计病害发病率和严重程度具有高度主观性，容易出现人为错误，且劳动密集。此外，目视评估只有在病害感染一段时间后，症状充分发展时才能进行。而高光谱成像可同时获取空间和光谱信息，提供了在不同空间尺度上分析光谱信息的机会，已成功应用于多种植物物种的病害和胁迫检测。
基于此，在本文中，来自北卡罗来纳州立大学和密西西比州立大学的研究团队提出了一种利用高光谱成像技术筛选火炬松幼苗梭形锈病发病率的创新方法，具体目标为（1）开发高光谱图像处理管道，用于从火炬松幼苗图像中的特定感兴趣区域（ROI）中提取光谱数据；（2）基于来自(1)的特定ROI的光谱数据，评估用于区分患病和未患病幼苗的SVM分类模型。
![高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率]( "高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率")
图1 火炬松幼苗高光谱图像采集的成像装置。
【高光谱图像获取】
线性扫描高光谱成像仪（Pika XC2，Resonon Inc.，Bozeman，MT，USA）用于收集400至1000 nm范围内的高光谱数据，光谱分辨率为1.3 nm。高光谱图像立方体的尺寸为1600×n×462，其中n为创建一个数据立方体使用的线扫描数，1600为每条线的像素数。
获取高光谱图像后，通过阈值化归一化植被指数（NDVI）图像从背景中分割出幼苗，并通过使用Faster RCNN模型的目标检测来实现个体幼苗的描绘。随后使用DeepLabv3+模型对植物部分进行分割。并使用几何特征分割冠层像素。从植物片段中提取光谱数据后，训练支持向量机（SVM）分类模型用于患病和非患病植物的分类。
【结果】
![高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率]( "高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率")
图2 测试集随机组图像的茎像素（红色）和非茎像素（绿色）。对于每株植物，左图显示了地面实况标签，右图显示了DeepLabv3+模型预测结果。
表1 利用DeepLabv3+对茎叶像素进行分割的像素精度和平均交并比(mIoU)值。
![高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率]( "高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率")
表2 不同ROI的分类模型结果。
![高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率]( "高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率")
![高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率]( "高光谱成像结合机器学习检测火炬松幼苗梭形锈病发病率")
图3 左：箱线图显示了从不同ROI提取的数据中使用SVM判别模型获得的平衡精度。ST：茎上半部分；S：全茎；SB：茎下半部分；WP：整株植物；C：冠层。右图：使用茎上半部分光谱数据的SVM分类模型的接收器操作特征(ROC)曲线与具有完美和不存在判别能力的模型进行比较。
【小结】
作者通过研究发现，本文所提出的方法可有效检测病害发病率。随着进一步研究图像采集和处理方法，以及通过使用自动化表型平台，火炬松幼苗的高通量表型分析将成为目前在抗性筛选中心所使用方法的一个组成部分。