黃萎?。╒W）是棉花常見(jiàn)的土傳病害。它主要發(fā)生在幼苗和棉鈴開(kāi)放階段，嚴重影響棉花的產(chǎn)量和品質(zhì)?？焖?、準確地識別和評估病害嚴重程度（VWS）是田間棉花病害控制的基礎，對棉花生產(chǎn)具有重要意義。棉花的VWS值通常是經(jīng)過(guò)現場(chǎng)觀(guān)測和實(shí)驗室測試來(lái)診斷測量的，這需要大量的時(shí)間和專(zhuān)業(yè)知識。及時(shí)、準確地評價(jià)棉花黃萎病，對棉花病害防治和快速育種具有重要意義。

本研究于2019年和2021年在3個(gè)試驗點(diǎn)進(jìn)行了原位調查，收集了361個(gè)棉花冠層的VWS值、原位圖像和光譜。為了估計棉花在冠層尺度上的VWS值，我們開(kāi)發(fā)了兩種深度學(xué)習方法，分別使用原位圖像和光譜?；趫D像的方法，考慮到現場(chǎng)環(huán)境的復雜性較高，首先將棉花病害葉片識別任務(wù)轉換為棉田場(chǎng)景分類(lèi)任務(wù)，然后構建了一個(gè)棉田場(chǎng)景(CFS)數據集，每個(gè)場(chǎng)景單元類(lèi)型包含1000多幅圖像。我們使用CFS數據集進(jìn)行了預訓練卷積神經(jīng)網(wǎng)絡(luò )（CNN）訓練和驗證，然后使用訓練后的網(wǎng)絡(luò )對每個(gè)冠層的場(chǎng)景單元進(jìn)行分類(lèi)。結果表明，DarkNet-19模型在CFS分類(lèi)和VWS值估計方面取得了令人滿(mǎn)意的效果(R2=0.91，均方根誤差(RMSE)=6.35%)?；诠庾V的方法，作者首先設計了一個(gè)具有4個(gè)卷積層的一維回歸網(wǎng)絡(luò )(1D CNN)。作者首先通過(guò)敏感波段選擇和主成分分析進(jìn)行降維后，用不同數量的主成分（PCs）擬合了1D CNN。1D CNN模型在前20個(gè)PCs的回歸網(wǎng)絡(luò )表現最佳(R2=0.93, RMSE=5.77%)。這些深度學(xué)習驅動(dòng)的方法提供了從空間和光譜角度評估作物病害嚴重程度的潛力。從空間和光譜兩個(gè)角度，我們提供了兩種實(shí)用且有效的方法。

圖1 研究區域和采樣位置。（a）研究區在中國新疆的位置;（b）三個(gè)試驗地點(diǎn);（c）地點(diǎn)1（S1）及其取樣點(diǎn);（d）地點(diǎn)2（S2）及其取樣點(diǎn);（e）地點(diǎn)3（S3）及其取樣點(diǎn)。

圖3 基于圖像的模型在棉花VWS評估中的性能比較。（a）DarkNet-19;（b）VGG-16;（c）ResNet-50; （d）InceptionV3.; P<0.001.


圖5 基于光譜的模型在棉花VWS值評估上的性能比較。（a）前5名；（b）前10名；（c）前15名；（d）前20名；（e）前25名；（f）前30PCs., P<0.001.


文獻來(lái)源：Kang, X.; Huang, C.; Zhang, L. et al. Assessing the severity of cotton Verticillium wilt disease from in situ canopy images and spectra using convolutional neural networks. The Crop Journal. Volume11, 2023. https://doi.org/10.1016/j.cj.2022.12.002.