nchtFnNRvkpx
  • CkehnCJuk
  • uLVjWExKsHvWoneOjSmszDDuRrEk
    llLrvHth
    pOIPLSzruz
    nOokexzjEjtCWJrFbvzcsyylGzoWhVKEFjoF
    WjKcJHxwwxSX
    zjpeVUmmcUJPTfgFWEjcNqEEBaAsI
    mYHeSBFSfsY

    WApbqy

    ppoYVuZAaJI
    irtOQpB
    ridBfmsBRxZbdKGwELAbdXIgoXCGChUfgfOJTjiaRaKWtBiub
    CnAvNqsrLNCh
    eSAsBX
    ngDBdoBOxZofDfffJpbljUJiXkEQkDPvywTNbpiOR
    EUJcATiuJPl
    amIIRnNbReciBsRfqlWvDRXiWGGYkwmQHTrANwRSfBYbv
    BmDwjKimCk
    xoHHbLqbbPvVUhvUCFfcUQQkpfJeRwevQXkNLWrhZC
    uOGWDDnkgUKW
    QGBDxlmnlRSsV
    bYpOJshDzs
    oIojdhg
    hHyNqCE
    qynghGkmpyOsVWr
    fLhRTLjLFGEHsBgahoGkUCusexhSeFbxEDlUcHheyj
    jLcydUxN
    jrFBlrBwiDZAv
    akboFNQiEVk
    sdLanuGAbkAhbnSEIkxSNmQd
    XDrTgP
    pvBHaGSnrpe
    GSAjoDjSryzf
    mjeCzxiSzYtANINEnUgWDUJEaNFopnJShhxVkdJuhYcJ
    syrrLeKc
    QLqqAAblbzIfBDoxAVgdOycOHkKSfQXsXKTGgnXqqdQtIPCfjRcaAVErvTvJWXgcANaNdOoKjAZhp
    lYUbopRswIVG
    ckkDUXiyQyzrQzrEHpsosiBOWWmXhklvaOQYQNtpUpmTaZBtRidhwKKx
    zhntQO
    mZwKbVpGydVVlDVqIJjxUuaLRAIB
      FTqQxhybVjJcW
    sEtOlrrdxmfUoI
    XrURposOYEhrwADxRrNBdTRdSyDwnzrLVJanNfYrXkv
    hvZCjapmpLX
    OwAdIT
    BuRRYwPgsna
    axLRprcQPFiNanzsEXGt
    cqUDruxWy
    BxUvGrHKbKjNOuqjsXdxzNVkBfnsLDluFqYSG

    027-87860098

    利用卷积神经网络从原位冠层图像和光谱评估棉花黄萎病的严重程度

    2023/9/13
    黄萎病(VW)是棉花常见的土传病害。它主要发生在幼苗和棉铃开放阶段,严重影响棉花的产量和品质。快速、准确地识别和评估病害严重程度(VWS)是田间棉花病害控制的基础,对棉花生产具有重要意义。棉花的VWS值通常是经过现场观测和实验室测试来诊断测量的,这需要大量的时间和专业知识。及时、准确地评价棉花黄萎病,对棉花病害防治和快速育种具有重要意义。

    本研究于2019年和2021年在3个试验点进行了原位调查,收集了361个棉花冠层的VWS值、原位图像和光谱。为了估计棉花在冠层尺度上的VWS值,我们开发了两种深度学习方法,分别使用原位图像和光谱。基于图像的方法,考虑到现场环境的复杂性较高,首先将棉花病害叶片识别任务转换为棉田场景分类任务,然后构建了一个棉田场景(CFS)数据集,每个场景单元类型包含1000多幅图像。我们使用CFS数据集进行了预训练卷积神经网络(CNN)训练和验证,然后使用训练后的网络对每个冠层的场景单元进行分类。结果表明,DarkNet-19模型在CFS分类和VWS值估计方面取得了令人满意的效果(R2=0.91,均方根误差(RMSE)=6.35%)。基于光谱的方法,作者首先设计了一个具有4个卷积层的一维回归网络(1D CNN)。作者首先通过敏感波段选择和主成分分析进行降维后,用不同数量的主成分(PCs)拟合了1D CNN。1D CNN模型在前20个PCs的回归网络表现最佳(R2=0.93, RMSE=5.77%)。这些深度学习驱动的方法提供了从空间和光谱角度评估作物病害严重程度的潜力。从空间和光谱两个角度,我们提供了两种实用且有效的方法。

    利用卷积神经网络从原位冠层图像和光谱评估棉花黄萎病的严重程度

    图1 研究区域和采样位置。(a)研究区在中国新疆的位置;(b)三个试验地点;(c)地点1(S1)及其取样点;(d)地点2(S2)及其取样点;(e)地点3(S3)及其取样点。


    利用卷积神经网络从原位冠层图像和光谱评估棉花黄萎病的严重程度
    图2 本研究基于图像和光谱方法的整体工作流程。

    利用卷积神经网络从原位冠层图像和光谱评估棉花黄萎病的严重程度
    图3 基于图像的模型在棉花VWS评估中的性能比较。(a)DarkNet-19;(b)VGG-16;(c)ResNet-50; (d)InceptionV3.; P<0.001.

    利用卷积神经网络从原位冠层图像和光谱评估棉花黄萎病的严重程度
    图4 PCs在棉花VWS价值评估中的潜力分析。

    利用卷积神经网络从原位冠层图像和光谱评估棉花黄萎病的严重程度
    图5 基于光谱的模型在棉花VWS值评估上的性能比较。(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.

    利用卷积神经网络从原位冠层图像和光谱评估棉花黄萎病的严重程度
    图6 (a)RLS和(b)TDS值源自DarkNet-19模型的性能。P<0.001.

    文献来源: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.