本文旨在利用高光譜數據建立一個(gè)準確、可解釋的植物病害識別模型。由真菌引起的大豆炭腐病是一種嚴重影響大豆產(chǎn)量的世界性病害。在383-1032 nm范圍內，Resonon高光譜成像儀在240個(gè)不同的波長(cháng)處捕獲高光譜圖像。針對大豆炭腐病，科學(xué)家建立了3D卷積分網(wǎng)絡(luò )模型，模型分類(lèi)精度為95.73%，并利用可視化顯著(zhù)圖檢驗訓練模型、敏感像素位置以及分類(lèi)的特征敏感波段，發(fā)現：敏感特征波段為733 nm，這和常用的鑒別植物健康程度的特征波段范圍（700-1000nm）是一致的。
【試驗方法】
感染炭腐病的大豆：分別在第3、6、9、12和15天采集健康的和受感染的大豆莖稈樣品，在測量病害程度之前，實(shí)時(shí)采集健康的和收到感染的莖稈的高光譜圖像。
測量?jì)x器：美國Resonon高光譜成像儀，型號：Pika XC （包含安裝支架、移動(dòng)平臺、操作軟件和2個(gè)70 w鹵素燈）。
Pika XC性能：光譜通道數：240；波段范圍400-1000 nm；分辨率：2.5 nm。
（a）室內高光譜成像系統
（b）不同光譜波段的大豆莖稈樣品高光譜圖像 （c）大豆莖稈內外部RGB圖像病害程度比較
3D-CNN模型由兩個(gè)連接的卷積分模型組成，其中，一個(gè)小的構架用于防止訓練模型過(guò)飽和。2個(gè)圖層（3*3mm空間維度，16個(gè)波段的光譜維度）作為第一個(gè)卷積分分層，4個(gè)3*3*16的圖層作為第二個(gè)卷積分層，修正線(xiàn)性輸入模型作為輸出層。
【結果分析】
1.? 539個(gè)測試圖像用于3d-cnn模型的精度評估。
如表1所示：模型分類(lèi)準確為95.73%，0.92的分類(lèi)精度也體現了不同病害階段的普適性。
2.??可視化顯著(zhù)圖評價(jià)
我們可視化了用顯著(zhù)圖分類(lèi)出來(lái)的部分圖像, 最大分類(lèi)得分的輸入圖像用于判別敏感像素位置。圖三為感染病害和健康圖像的顯著(zhù)圖。每個(gè)像素的級別大小用于評價(jià)其在分類(lèi)過(guò)程中的重要性。受感染莖稈圖像的顯著(zhù)圖比圖像中嚴重感染區域(紅棕色)對應的位置具有更高的數值。這表明，嚴重感染的圖像區域包含最敏感的像素位置，可以預測受感染分數。無(wú)論是健康圖像還是感染圖像，顯著(zhù)圖高值都集中在莖的中部區域。
測試圖像的直方圖數據，代表了每個(gè)波長(cháng)最大顯著(zhù)圖的圖像像元百分比C*=130 (733 nm)。
（1）在測試數據中，近紅外區的波長(cháng)733 nm (C*=130)是所有波長(cháng)中最敏感的；
（2）在703 ~ 744 nm的光譜范圍內，15個(gè)波長(cháng)在測試圖像的像素位置中占33%，是梯度值的最大值；
（3）受感染樣本的可見(jiàn)光譜波長(cháng)(400-700 nm)比健康樣本更敏感。
【結果分析】
數據結果證明了3D-CDD模型可以有效地學(xué)習高維的高光譜數據，應用于大豆炭腐病鑒別領(lǐng)域。從生理學(xué)機理角度，可視化顯著(zhù)圖解釋了高光譜特征波段在分類(lèi)中的重要性，使模型更具有說(shuō)服力。因此，我們對于該模型更加自信，在未來(lái)，基于魯棒可解釋機制的波段選擇將有助于高光譜數據的降維，也將有助于設計高通量表型分析的多光譜攝成像系統。
植物病害的高光譜圖像解譯識別：3D-CNN與顯著(zhù)圖模型.pdf