冷害是造成作物严重损失和不可逆转伤害的灾害之一。为避免产量损失，可利用高通量表型选择耐寒胁迫的作物品种。如今，无损光谱图像分析已成为一种有效方法，并已广泛应用于高通量表型分析中，反映出植物结构组成，生长发育过程中的生理，生化特性和特征。本研究利用卷积神经网络（CNN）模型提取可见-近红外范围的特征光谱估计玉米幼苗的冷害。文中以五个品种的冷处理玉米幼苗的高光谱图像为研究对象。光谱范围为450-885 nm。高斯低通滤波和Savitzky-Golay平滑方法结合一阶导数进行光谱数据的预处理。从每种玉米幼苗选定的感兴趣区域获取3600个像素样本用于CNN建模。CNN模型建立后，从高光谱图像中提取400个像素样本作为每个品种的测试集。最后，通过分析分类准确度和计算效率确定一个CNN模型。CNN检测到的不同类型的玉米幼苗的冷害水平分别为W22 (41.8 %)，BxM (35%)， B73 (25.6%)，PH207 (20%)， Mo17 (14%)，与化学方法的结果高度相关。两种方法检测结果的相关系数为0.8219。因此，研究证明基于CNN建模的光谱分析可以为玉米幼苗冷害监测提供参考。
高光谱成像采集
利用推扫式高光谱相机（PIKA II，Resonon）
成像系统的整个结构
感兴趣区域样本数据选择程序
样本的3D光谱分布
CNN和化学方法结果的比较
结论
自卷积神经网络发展以来，算法的高性能引起了学者的广泛关注。同时，有效识别作物病害是智能农业发展的需要，但是基于人工设计特征的识别模型准确度较低且稳定。基于这些问题，该研究利用CNN设计了5个玉米幼苗品种的冷害识别模型，详细的高光谱图像预处理方法，样本提取方法，以及深度卷积网络。在整个过程中，针对不同的输入数据建立不同的网络结构，获得图像分割结果。对于少量玉米幼苗冷害的情况，将卷积神经网络应用于玉米冷害监测模型，并构建CNN模型。分析了CNN的权重分布特性，激活函数以及不同初始化方法的影响。结合Dropout策略解决了过度拟合问题以及网络深度对预处理效果的负面影响。该模型解决了随机初始化权重的缺陷。最后，在少量玉米幼苗病害的情况下，验证了预处理方法的有效性，且CNN检测到不同类型的玉米幼苗的冷害水平分别为W22 (41.8 %)，BxM (35%)， B73 (25.6%)，PH207 (20%)， Mo17 (14%)，与化学方法检测的冷害结果高度相关。下一步的工作将引入高光谱成像的维度特征，提取作物病害组织结构的纹理特征，结合光谱维度信息建立模型，以进一步改善模型的分类性能。