本文旨在利用高光譜數(shù)據(jù)建立一個準(zhǔn)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(yán)重影響大豆產(chǎn)量的世界性病害。在383-1032 nm范圍內(nèi)，Resonon高光譜成像儀在240個不同的波長處捕獲高光譜圖像。針對大豆炭腐病，科學(xué)家建立了3D卷積分網(wǎng)絡(luò)模型，模型分類精度為95.73%，并利用可視化顯著圖檢驗訓(xùn)練模型、敏感像素位置以及分類的特征敏感波段，發(fā)現(xiàn)：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。
?
實驗：
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，實時采集健康的和收到感染的莖稈的高光譜圖像。
測量儀器：美國Resonon高光譜成像儀，型號：Pika XC
（包含安裝支架、移動平臺、操作軟件和2個70w鹵素?zé)簦?/span>
Pika XC性能：
光譜通道數(shù)：240，波段范圍，400-1000 nm，分辨率：2.5 nm。
?
平臺系統(tǒng)如下圖（a）所示：
（a）??? 室內(nèi)高光譜成像系統(tǒng)
（b）??? 不同光譜波段的大豆莖稈樣品高光譜圖像
（c）???? 大豆莖稈的內(nèi)部和外部RGB圖像的病害程度比較
3D-CNN模型由兩個連接的卷積分模型組成，其中，一個小的構(gòu)架用于防止訓(xùn)練模型過飽和。2個圖層（3*3mm空間維度，16個波段的光譜維度）作為第一個卷積分分層，4個3*3*16的圖層作為第二個卷積分層，修正線性輸入模型作為輸出層。
?
結(jié)果分析：
1.??? 539個測試圖像用于3d-cnn模型的精度評估。
如表1所示：模型分類準(zhǔn)確為95.73%，0.92的分類精度也體現(xiàn)了不同病害階段的普適性。
2.??? 可視化顯著圖評價
我們可視化了用顯著圖分類出來的部分圖像, 最大分類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圖。每個像素的級別大小用于評價其在分類過程中的重要性。受感染莖稈圖像的顯著圖比圖像中嚴(yán)重感染區(qū)域(紅棕色)對應(yīng)的位置具有更高的數(shù)值。這表明，嚴(yán)重感染的圖像區(qū)域包含最敏感的像素位置，可以預(yù)測受感染分?jǐn)?shù)。無論是健康圖像還是感染圖像，顯著圖高值都集中在莖的中部區(qū)域。
測試圖像的直方圖數(shù)據(jù)，代表了每個波長最大顯著圖的圖像像元百分比C*=130(733 nm)
1.??? 在測試數(shù)據(jù)中，近紅外區(qū)的波長733 nm (C*=130)是所有波長中最敏感的；
2.??? 在703 ~ 744 nm的光譜范圍內(nèi)，15個波長在測試圖像的像素位置中占33%，是梯度值的最大值；
3.??? 受感染樣本的可見光譜波長(400-700 nm)比健康樣本更敏感。
?
結(jié)論
數(shù)據(jù)結(jié)果證明了3D-CDD模型可以有效地學(xué)習(xí)高維的高光譜數(shù)據(jù)，應(yīng)用于大豆炭腐病鑒別領(lǐng)域。從生理學(xué)機理角度，可視化顯著圖解釋了高光譜特征波段在分類中的重要性，使模型更具有說服力。因此，我們對于該模型更加自信，在未來，基于魯棒可解釋機制的波段選擇將有助于高光譜數(shù)據(jù)的降維，也將有助于設(shè)計高通量表型的多光譜攝成像系統(tǒng)。
請點擊如下鏈接，閱讀文獻(xiàn)：
植物病害的高光譜圖像解譯識別：3D-CNN與顯著圖模型