近日,石河子大學高攀教授在《Computers and Electronics in Agriculture》期刊上發表題為“Early detection of cotton Verticillium wilt using hyperspectral and chlorophyll fluorescence imaging fusion”的研究成果,在棉花黃萎病早期智能檢測方面取得重要進展。石河子大學信息科學與技術學院計算機科學與技術系講師譚菲是論文第一作者,團隊2020級電子信息專業碩士研究生鄢天滎(目前博士就讀上海交通大學電子信息與電氣工程學院)是共同第一作者。
該研究通過提取不同黃萎病染病等級棉花葉片的高光譜數據與葉綠素熒光誘導動力學曲線,系統分析了不同發病程度下棉花的表型特征變化規律。利用像素級、特征級、決策級三種特征融合策略,對高光譜成像與葉綠素熒光成像數據進行信息融合,提取棉花表型特征信息,并構建基于上述融合策略的多輸入單輸出深度學習模型。該模型能夠放大棉花黃萎病染病早期的表型變化,提升棉花黃萎病檢測與預警的時效性與準確性。
結果表明:相較于單一成像建模,融合策略下的傳統機器學習與深度學習方法在檢測精度與穩定性上均得到全面提升。其中,以一維殘差網絡(Resnet?1D)為主干網絡的多源數據特征級融合深度學習模型性能提升最為顯著。該模型對棉花不同黃萎病發病等級的檢測準確率在訓練集上達99.57%,測試集上達97.88%;棉花黃萎病早期檢測準確率超過99%。該研究可為棉花黃萎病綠色防控提供技術支撐,既能有效降低棉花產量損失,又能減少殺菌劑過度使用,為區域精準施藥防控提供理論與技術依據。
![]()
試驗田分布圖及黃萎病分級
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.