Plant Methods | 基于多光谱成像技术整合光谱与纹理信息的CNN模型用于辣椒疫霉病早期检测（Videometer）-河北农业大学

A CNN model for early detection of pepper Phytophthora blight using multispectral imaging, integrating spectral and textural information

Zhijuan Duan1,2†, Haoqian Li2,3†, Chenguang Li1 , Jun Zhang1,2, Dongfang Zhang2,3, Xiaofei Fan1,2* and

Xueping Chen2,

本研究由河北农业大学开展，采用多光谱成像结合光谱-纹理融合特征与CNN 深度学习模型，实现辣椒疫霉病接种后48h无症状早期检测（比显症提前 36h）；结果显示，基于PCA 特征优选的1D-CNN 模型在48h分类准确率达91.3%，显著优于单一光谱特征与 PLS-DA 模型，证明融合特征可大幅提升早期病害识别精度，为辣椒疫病无损预警提供高效方案。

文献摘要

辣椒疫病是辣椒生长期的毁灭性病害，严重影响辣椒产量与品质。实现辣椒疫病准确、快速、无损的早期检测，对辣椒生产管理具有重要意义。本研究探究了利用多光谱成像结合机器学习检测辣椒疫病的可行性。将辣椒分为两组，一组接种疫霉菌，另一组作为健康对照。在接种前 0 小时以及接种后 48、60、72、84 小时分别采集多光谱图像。利用多光谱成像系统配套软件提取 19 个波段的光谱特征，并采用灰度共生矩阵（GLCM）和局部二值模式（LBP）提取纹理特征。通过主成分分析（PCA）、连续投影算法（SPA）和遗传算法（GA）对提取的光谱与纹理特征进行优选。基于单一有效光谱特征与光谱–纹理融合特征分别构建偏最小二乘判别分析（PLS-DA）和一维卷积神经网络（1D-CNN）分类模型；基于 PCA 提取的 5 个主成分系数对 19 通道多光谱图像加权融合生成新的主成分图像，并构建二维卷积神经网络（2D-CNN）模型。结果是采用 PCA 进行特征优选的模型分类性能更稳定。接种后 48 小时，基于单一光谱特征的 PLS-DA 和 1D-CNN 模型准确率分别为 82.6% 和 83.3%；而基于光谱–纹理融合特征的 PLS-DA 和 1D-CNN 模型准确率分别达到 85.9% 和 91.3%。基于 5 幅主成分图像的 2D-CNN 模型准确率为 82%。本研究可在辣椒接种疫霉菌后 48 小时（显症前 36 小时）实现疫病早期检测，为辣椒疫病的早期诊断提供了一种有效方法。

核心试验设计

1. 试验材料：辣椒品种：16–217；病原菌：辣椒疫霉（Phytophthora capsici）菌株 ph3；样本：健康组 76 株，接菌组 73 株

2. 处理与采集

接种方式：灌根法，1×10⁷ 孢子 /mL；采集时间：接种前 0h，接种后48、60、72、84h；设备：Videometer Lab4，19 个波段（365~970nm）

3. 特征提取

光谱特征：19 波段反射率；纹理特征：GLCM（对比度、能量、同质性、相关性）+ LBP（16 个有效特征）

4. 特征筛选方法：PCA（主成分分析）；SPA（连续投影算法）；GA（遗传算法）

5. 分类模型

PLS-DA（偏最小二乘判别）；1D-CNN（一维卷积神经网络）；2D-CNN（二维卷积神经网络，基于 5 个主成分图像）

6. 验证方式：五折交叉验证，以准确率为核心指标。

上图：多光谱图像采集与处理。a：19通道多光谱图像；b：780 nm波长图像；c ：二值化图像；d： b与c的像素级乘法运算结果；e：19通道光谱反射率；f：选定感兴趣区域（ROI）

研究结论

光谱-纹理融合特征能显著提升早期识别精度，可在接种后 48h 检出辣椒疫病，比叶片显症提前36h，PCA+1D-CNN为最优组合，48h 准确率91.3%。

主要原因：接菌后根系受损导致叶片水分、叶绿素、细胞结构发生隐性变化，可被多光谱+纹理特征捕捉，并被 1D-CNN 模型精准识别。

具体表现：光谱反映生理生化变化（可见光470~645nm：健康叶片反射率更高；近红外区780~970nm：感病叶片反射率随病情上升。病菌破坏叶绿素与细胞结构，导致水分与色素变化），纹理反映叶片表面微观结构变化，二者互补，更全面表征病害早期状态。

北京博普特科技有限公司是丹麦Videometer多光谱成像系统的中国区总代理，全面负责其系列产品在中国市场的推广、销售和售后服务。