本文旨在利用高光谱数据建立一个准确、可解释的植物病害识别模型。由真菌引起的大豆炭腐病是一种严重影响大豆产量的世界性病害。在383-1032 nm范围内,Resonon高光谱成像仪在240个不同的波长处捕获高光谱图像。针对大豆炭腐病,科学家建立了3D卷积分网络模型,模型分类精度为95.73%,并利用可视化显著图检验训练模型、敏感像素位置以及分类的特征敏感波段,发现:敏感特征波段为733 nm,这和常用的鉴别植物健康程度的特征波段范围(700-1000nm)是一致的。
【试验方法】
感染炭腐病的大豆:分别在第3、6、9、12和15天采集健康的和受感染的大豆茎秆样品,在测量病害程度之前,实时采集健康的和收到感染的茎秆的高光谱图像。
测量仪器:美国Resonon高光谱成像仪,型号:Pika XC (包含安装支架、移动平台、操作软件和2个70 w卤素灯)。
Pika XC性能:光谱通道数:240;波段范围400-1000 nm;分辨率:2.5 nm。
(a)室内高光谱成像系统
(b)不同光谱波段的大豆茎秆样品高光谱图像 (c)大豆茎秆内外部RGB图像病害程度比较
3D-CNN模型由两个连接的卷积分模型组成,其中,一个小的构架用于防止训练模型过饱和。2个图层(3*3mm空间维度,16个波段的光谱维度)作为第一个卷积分分层,4个3*3*16的图层作为第二个卷积分层,修正线性输入模型作为输出层。
【结果分析】
1. 539个测试图像用于3d-cnn模型的精度评估。
如表1所示:模型分类准确为95.73%,0.92的分类精度也体现了不同病害阶段的普适性。
2. 可视化显著图评价
我们可视化了用显著图分类出来的部分图像, 最大分类得分的输入图像用于判别敏感像素位置。图三为感染病害和健康图像的显著图。每个像素的级别大小用于评价其在分类过程中的重要性。受感染茎秆图像的显著图比图像中严重感染区域(红棕色)对应的位置具有更高的数值。这表明,严重感染的图像区域包含最敏感的像素位置,可以预测受感染分数。无论是健康图像还是感染图像,显著图高值都集中在茎的中部区域。
测试图像的直方图数据,代表了每个波长最大显著图的图像像元百分比C*=130 (733 nm)。
(1)在测试数据中,近红外区的波长733 nm (C*=130)是所有波长中最敏感的;
(2)在703 ~ 744 nm的光谱范围内,15个波长在测试图像的像素位置中占33%,是梯度值的最大值;
(3)受感染样本的可见光谱波长(400-700 nm)比健康样本更敏感。
【结果分析】
数据结果证明了3D-CDD模型可以有效地学习高维的高光谱数据,应用于大豆炭腐病鉴别领域。从生理学机理角度,可视化显著图解释了高光谱特征波段在分类中的重要性,使模型更具有说服力。因此,我们对于该模型更加自信,在未来,基于鲁棒可解释机制的波段选择将有助于高光谱数据的降维,也将有助于设计高通量表型分析的多光谱摄成像系统。
植物病害的高光谱图像解译识别:3D-CNN与显著图模型.pdf