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(yán)重影響棉花的產(chǎn)量和品質(zhì)?？焖?、準(zhǔn)確地識(shí)別和評(píng)估病害嚴(yán)重程度（VWS）是田間棉花病害控制的基礎(chǔ)，對(duì)棉花生產(chǎn)具有重要意義。棉花的VWS值通常是經(jīng)過(guò)現(xiàn)場(chǎng)觀測(cè)和實(shí)驗(yàn)室測(cè)試來(lái)診斷測(cè)量的，這需要大量的時(shí)間和專業(yè)知識(shí)。及時(shí)、準(zhǔn)確地評(píng)價(jià)棉花黃萎病，對(duì)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(yàn)點(diǎn)進(jìn)行了原位調(diào)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(jì)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(xí)方法，分別使用原位圖像和光譜。基于圖像的方法，考慮到現(xiàn)場(chǎng)環(huán)境的復(fù)雜性較高，首先將棉花病害葉片識(shí)別任務(wù)轉(zhuǎn)換為棉田場(chǎng)景分類任務(wù)，然后構(gòu)建了一個(gè)棉田場(chǎng)景(CFS)數(shù)據(jù)集，每個(gè)場(chǎng)景單元類型包含1000多幅圖像。我們使用CFS數(shù)據(jù)集進(jìn)行了預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）訓(xùn)練和驗(yàn)證，然后使用訓(xùn)練后的網(wǎng)絡(luò)對(duì)每個(gè)冠層的場(chǎng)景單元進(jìn)行分類。結(jié)果表明，DarkNet-19模型在CFS分類和VWS值估計(jì)方面取得了令人滿意的效果(R2=0.91，均方根誤差(RMSE)=6.35%)?；诠庾V的方法，作者首先設(shè)計(jì)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(shù)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(xiàn)最佳(R2=0.93, RMSE=5.77%)。這些深度學(xué)習(xí)驅(qū)動(dòng)的方法提供了從空間和光譜角度評(píng)估作物病害嚴(yán)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(qū)域和采樣位置。（a）研究區(qū)在中國(guó)新疆的位置;（b）三個(gè)試驗(yàn)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(píng)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(píng)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(xiàn)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.