高光譜成像結合機器學習檢測火炬松幼苗梭形銹病發病率

火炬松是美國南部最重要的森林樹種，它生長迅速、適應性強，可用于建筑木材、膠合板和紙漿等。松梭形銹病是由真菌Cronartium quercuum f.sp. fusiforme（Cqf）引起的一種影響該物種的常見且具有破壞性的病害。這種真菌通常會感染幼樹的莖，導致被稱為“銹癭”的腫瘤樣生長物產生，可能會造成樹木死亡或產生“銹叢”，從而妨礙樹木生長，降低木材使用價值。種植抗病苗是限制該病害的有效的措施。溫室中抗病性測試在人工接種幼苗后的目視估計病害發病率和嚴重程度具有高度主觀性，容易出現人為錯誤，且勞動密集。此外，目視評估只有在病害感染一段時間后，癥狀充分發展時才能進行。而高光譜成像可同時獲取空間和光譜信息，提供了在不同空間尺度上分析光譜信息的機會，已成功應用于多種植物物種的病害和脅迫檢測。

基于此，在本文中，來自北卡羅來納州立大學和密西西比州立大學的研究團隊提出了一種利用高光譜成像技術篩選火炬松幼苗梭形銹病發病率的創新方法，具體目標為（1）開發高光譜圖像處理管道，用于從火炬松幼苗圖像中的特定感興趣區域（ROI）中提取光譜數據；（2）基于來自(1)的特定ROI的光譜數據，評估用于區分患病和未患病幼苗的SVM分類模型。

圖1 火炬松幼苗高光譜圖像采集的成像裝置。

【高光譜圖像獲取】

線性掃描高光譜成像儀（Pika XC2，Resonon Inc.，Bozeman，MT，USA）用于收集400至1000 nm范圍內的高光譜數據，光譜分辨率為1.3 nm。高光譜圖像立方體的尺寸為1600×n×462，其中n為創建一個數據立方體使用的線掃描數，1600為每條線的像素數。

獲取高光譜圖像后，通過閾值化歸一化植被指數（NDVI）圖像從背景中分割出幼苗，并通過使用Faster RCNN模型的目標檢測來實現個體幼苗的描繪。隨后使用DeepLabv3+模型對植物部分進行分割。并使用幾何特征分割冠層像素。從植物片段中提取光譜數據后，訓練支持向量機（SVM）分類模型用于患病和非患病植物的分類。

【結果】

圖2 測試集隨機組圖像的莖像素（紅色）和非莖像素（綠色）。對于每株植物，左圖顯示了地面實況標簽，右圖顯示了DeepLabv3+模型預測結果。

表1 利用DeepLabv3+對莖葉像素進行分割的像素精度和平均交并比(mIoU)值。

表2 不同ROI的分類模型結果。

圖3 左：箱線圖顯示了從不同ROI提取的數據中使用SVM判別模型獲得的平衡精度。ST：莖上半部分；S：全莖；SB：莖下半部分；WP：整株植物；C：冠層。右圖：使用莖上半部分光譜數據的SVM分類模型的接收器操作特征(ROC)曲線與具有完美和不存在判別能力的模型進行比較。

【小結】

作者通過研究發現，本文所提出的方法可有效檢測病害發病率。隨著進一步研究圖像采集和處理方法，以及通過使用自動化表型平臺，火炬松幼苗的高通量表型分析將成為目前在抗性篩選中心所使用方法的一個組成部分。