Agronomy | 融合多光谱与叶绿素荧光成像及二维卷积神经网络（ 2D-CNN） 和迁移学习的跨品种茄子黄萎病早期检测（Videometer）-河北农业大学

Multispectral and Chlorophyll Fluorescence Imaging Fusion for Cross-Cultivar Early Detection of Verticillium Wilt in Eggplants

研究背景与目的

背景：茄子是全球第五大经济作物，经济价值极高，但黄萎病（由大丽轮枝菌引起）作为典型土传病害，具有传播快、损失大、防控难的特点，可导致叶片失绿萎蔫，严重影响茄子产量和品质；传统黄萎病诊断依赖人工视觉观察结合实验室检测，耗时久、效率低，且仅能在症状显现后识别，错失早期防控时机。光谱成像技术为植物病害无损检测提供了新途径，多光谱成像可获取植物空间与光谱信息，叶绿素荧光（CHIF）成像能反映光合作用效率和胁迫响应，可在症状显现前检测植物生理异常，但现有研究多单独使用光谱反射特征，忽略了生理响应数据的融合，且缺乏跨品种的病害检测验证。迁移学习可将一个领域训练的模型适配到其他相关领域，在光谱图像分类中应用广泛，有望解决病害检测模型的跨品种泛化问题。

研究目的：整合多光谱成像与叶绿素荧光成像数据，提取光谱反射、图像纹理、叶绿素荧光等特征，构建机器学习 / 深度学习模型，实现茄子黄萎病的早期无症状检测；通过迁移学习优化模型，验证其在不同茄子品种中的诊断效果，提升模型的泛化能力，为茄子黄萎病的田间早期预警和精准管理提供方法学基础。

核心试验方法

1.图像与数据采集

①采用丹麦 Videometer Lab 4 多光谱成像系统，该设备含 19 个窄带 LED 光源（365-970nm，覆盖紫外、可见光、近红外波段），扫描面积 90mm×90mm，可无损获取叶片表面颜色、纹理、生化组成数据；通过 630/645/660nm LED 激发叶绿素，700nm 长通滤光片捕获叶绿素荧光（CHIF）图像，反映光合性能与胁迫状态。

采集时间点为接种前 0 天（健康对照）及接种后 3、5、7、9、11 天，所有成像在封闭积分球中进行，消除环境光干扰；接种后 9 天部分植株出现黄化、萎蔫等典型症状，11 天大部分植株显现明显症状。

②病害验证与样本标记

叶片经 75% 乙醇、5% 次氯酸钠消毒后，接种于马铃薯葡萄糖琼脂培养基，25℃培养 5 天，通过光学显微镜观察菌丝和大丽轮枝菌，确认病害侵染；因所有接种植株最终均发病，采用主成分分析（PCA）对光谱数据降维，根据光谱特征将样本分为健康期（0 天）、无症状期（3、5 天）、症状期（7、9、11 天），为模型训练提供合理标签。

3.特征提取与预处理

①提取光谱反射特征（19 个波段）、图像纹理特征（灰度共生矩阵 GLCM：对比度、相关性、能量、均匀性；局部二值模式 LBP：筛选出 16 个有效描述符）、叶绿素荧光（CHIF）特征；

②采用马氏距离检测并剔除异常值，最终获得 574 个有效训练样本（11-435）、1143 个迁移验证样本（14-345）；

③数据经归一化处理，消除量纲差异；通过 ** 连续投影算法（SPA）** 提取特征波段，减少计算量、降低过拟合风险；

④数据集按 8:2 随机划分为训练集和测试集，用于模型性能评估。

4.模型构建与优化

构建三类模型并对比性能：多光谱数据模型、信息融合模型、多光谱图像 - 信息融合模型

5.模型评价指标

采用混淆矩阵计算核心指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 值

本研究整体流程框图，包含数据收集、数据预处理及模型训练步骤。(a)展示测试数据的类型与来源。(b)呈现研究的整体工作流程。(c)展示本研究中使用的CNN模型结构。

研究结论

1. 茄子黄萎病侵染后，叶片在可见光 515-660nm和近红外 780-970nm波段的光谱反射特征发生显著变化，SPA 算法筛选的 430、570、645、660、780、850、970nm 等特征波段，与叶绿素、氮、水分等生理指标高度相关（430/570nm 对应叶绿素含量、645/660nm 对应氮含量、970nm 对应水分含量），可作为病害早期检测的核心光谱标记。
2. 融合多光谱成像、叶绿素荧光成像、图像纹理特征的 2D-CNN 模型表现最优，经特征波段提取和 SSA 优化后，验证集准确率达 99.37%，可有效区分茄子黄萎病的健康期、无症状期和症状期，实现接种后 3 天的早期无症状检测，相比传统方法（需 10 天）大幅缩短检测时间。
3. 迁移学习技术可有效将基于茄子自交系 11-435 训练的模型适配到 14-345，经五折交叉验证，跨品种检测的测试集平均准确率达 84.54±1.82%，各项评价指标波动小，证明模型具有良好的泛化能力和鲁棒性，可实现不同茄子品种黄萎病的早期检测。
4. 多光谱与叶绿素荧光成像融合结合 2D-CNN 和迁移学习的技术方案，为茄子黄萎病的田间早期预警、精准防控提供了全新的无损检测方法，也为其他作物土传病害的早期检测研究提供了重要的方法学参考和理论支撑。