北京理加联合科技有限公司

LICA United Technology Limited

服务热线: 13910499761 010-51292601
企业邮箱
应用支持 Application Support
News 应用支持

Resonon | 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

日期: 2022-04-19
浏览次数: 337

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

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

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 

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

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。


News / 相关新闻 More
2026 - 11 - 16
研究背景土壤盐碱化是影响农业生产和土地资源利用的重要因素。山西省大同盆地分布着较大面积的苏打型盐碱土,土壤中较高的CO₃²⁻和HCO₃⁻含量对作物生长造成了一定限制。如何改善盐碱土壤环境、提高土地利用效率,是当地农业生产面临的重要问题。沙土掺混能够改变土壤质地和孔隙结构,进而影响水分入渗及盐分迁移。但掺沙比例不同,对土壤水分保持和氮、磷、钾等养分分布的影响也存在差异。尤其是在促进盐分淋洗的同时,是否会加剧养分向深层迁移,仍需要进一步研究。针对这一问题,山西农业大学崔清亮老师团队以大同盆地中度盐碱土为研究对象,通过室内土柱试验和田间试验,探究沙土掺混与养分管理对土壤水盐、养分迁移及谷子生长的影响,为晋北苏打型盐碱土改良和谷子栽培提供依据。图1.土柱实验的设置。研究方法研究土壤采自山西省怀仁市中度盐碱农田,属于大同盆地苏打型盐碱土。研究分为室内土柱入渗试验和田间种植试验:室内土柱试验...
2026 - 11 - 09
研究背景土壤有机碳(SOC)是反映土壤质量、土壤肥力及生态系统碳循环的重要指标。传统湿化学测定方法虽然准确性较高,但存在耗时长、成本高、操作复杂等问题。相比之下,可见光—近红外(Vis-NIR)光谱技术具有快速、无损、低成本等优势,为SOC快速估算提供了新的技术途径。然而,光谱预测模型高度依赖大量代表性样本。在实际调查中,受采样成本及实验条件限制,往往难以获得充足的校准数据,小样本条件下模型容易出现过拟合,影响预测精度与泛化能力。针对这一问题,外部光谱数据库迁移学习和深度生成模型数据增强成为两种潜在解决途径。但不同生成模型的增强效果如何?外部光谱库能否有效改善本地模型预测性能?数据增强倍数又将如何影响模型表现?为此,山西农业大学徐占军老师团队通过构建统一实验框架,系统比较四种深度生成模型与外部土壤光谱数据库的应用效果,探索小样本条件下SOC光谱估算的有效数据增强策略。图1.研究区域概况。研...
2026 - 11 - 09
研究背景地下水是高寒地区水循环的重要组成部分,其补给过程受到冻融循环的显著调控。随着气候变暖,青藏高原冻土退化、活动层加深,土壤水分的储存与迁移条件发生变化,进而影响降水、融雪水、土壤水与地下水之间的水文联系。然而,不同冻融阶段地下水补给来源的变化及其迁移路径仍缺乏系统认识。针对这一问题,北京师范大学李小雁老师团队以青海湖流域为研究区,结合氢氧稳定同位素示踪与MixSIAR贝叶斯混合模型,定量解析不同冻融阶段地下水的补给来源,揭示冻融过程对土壤水文连通性及地下水补给路径的影响。图1.(a) QLB在青藏高原(QTP)上的位置。(b) QLB内多年冻土的时空分布;其中灰色代表季节性冻土,橙色代表多年冻土。(c) QLB的位置及采样点分布。(d) 地下水采样。(e) 降水采样。(f) 在相邻地点每月采集土壤样品。研究方法研究设计:研究区位于青藏高原东北部青海湖流域。2025年5—10月,研究团...
2026 - 11 - 02
研究背景河流和溪流是大气甲烷(CH₄)的重要来源。已有研究发现,源头河流通常具有较高的CH₄排放强度,是河流CH₄排放的重要热点。但在高海拔冰冻圈地区,这一规律是否依然适用?受低温和有机碳底物匮乏等因素影响,该区域的CH₄过程可能受到限制。与此同时,冰川融水的持续输入也可能进一步改变河流的CH₄排放特征。那么,冰川融水究竟如何影响河流CH₄排放?其背后的作用机制又是什么?针对这一问题,兰州大学高坛光老师团队以青藏高原北部黑河上游为研究区域,通过2020—2023年连续观测,系统分析了冰川补给河流与非冰川补给河流的CH₄排放特征,并进一步探讨冰川融水对河流CH₄排放的调控机制。图1. (a) 研究区域概况。(b) 在三次不同的野外考察期间,使用浮动气室法进行气体采样的现场照片。研究方法实验设计:研究以青藏高原北缘黑河上游为研究区域。2020—202年,在该研究区域上游设置25个采样点(冰川补...
【关闭窗口】【打印】
Copyright ©2018-2023 北京理加联合科技有限公司
犀牛云提供企业云服务

北京理加联合科技有限公司

地址:北京市海淀区安宁庄东路18号光华创业园5号楼(生产研发)
          光华创业园科研楼四层
电话:13910499761 13910124070  010-51292601
传真:010-82899770-8014
邮箱:info@li-ca.com
邮编:100085

 



 


 


  • 您的姓名:
  • *
  • 公司名称:
  • *
  • 地址:
  • *
  • 电话:
  • *
  • 传真:
  • *
  • 电子邮箱:
  • *
  • 邮政编码:
  • *
  • 留言主题:
  • *
  • 详细说明:
  • *
在线留言
关注我们
  • 官方微信
  • 官方手机端
友情链接:
X
1

QQ设置

3

SKYPE 设置

4

阿里旺旺设置

等待加载动态数据...

等待加载动态数据...

5

电话号码管理

  • 010-51292601
6

二维码管理

等待加载动态数据...

等待加载动态数据...

展开