收稿日期：2023-12-27

基金項目：國家自然科學基金項目（32160421、32201663）；甘肅省教育廳產業(yè)支撐項目（2021CYZC-57）

作者簡介：梁 雪（1999-），女，甘肅金昌人，碩士研究生，主要從事遙感圖像處理研究。（E-mail）liangx@st.gsau.edu.cn

通訊作者：馮 全，（E-mail） fquan@gsau.edu.cn

摘要： 早疫病是影響馬鈴薯產量的主要病害之一，大田病害監(jiān)測對控制早疫病發(fā)展有重要意義。使用配備高光譜成像儀的無人機（UAV）在田間尺度上獲取患不同嚴重程度早疫病的馬鈴薯高光譜影像，分別提取并計算健康、輕度感染、中度感染和重度感染馬鈴薯的冠層光譜數據，通過光譜變換得到包括原始光譜在內的4種光譜，再進行特征波段選取，利用卷積神經網絡（CNN）基于全波段和特征波段對馬鈴薯早疫病不同發(fā)病程度進行識別。結果表明，一階微分光譜隨機蛙跳（RF）降維后的特征波段+CNN模型的效果最好，總體識別準確率為91.18%，比一階微分光譜隨機蛙跳（RF）降維后的特征波段+反向傳播網絡（BP）總體準確率提高了1.96個百分點，平均精準率和平均召回率分別提高了3.00個百分點和2.00個百分點，平均F1得分提高了0.02；對不同感染等級的識別精度分別達到了95.0%、88.0%、83.0%和97.0%。

關鍵詞： 高光譜；卷積神經網絡；馬鈴薯早疫??；嚴重程度分級

中圖分類號： S127；S532"" 文獻標識碼： A"" 文章編號： 1000-4440（2024）10-1854-09

Severity classification of potato early blight in field based on hyperspectral and convolutional neural network

LIANG Xue， FENG Quan， YANG Sen， GUO Faxu

（College of Mechanical and Electrical Engineering， Gansu Agricultural University， Lanzhou 730070， China）

Abstract： Early blight is one of the major diseases affecting potato yield， and field disease detection is important for controlling disease development. The unmanned aerial vehicle （UAV） equipped with a hyperspectral imager was used to acquire hyperspectral images of potatoes with different severity of early blight on the field scale， and the canopy spectral data of healthy， mildly infected， moderately infected， and severely infected potatoes were extracted and calculated， respectively. Four kinds of spectra including the original spectra were obtained by spectral transformation， and then the feature bands were selected. Convolutional neural network （CNN） was used to perform the identification of different degrees of potato early blight based on the full band and feature bands. The results showed that the feature bands after first-order differential spectra random leapfrog （RF） dimension reduction + CNN model had the best effect， and the overall recognition accuracy rate was 91.18%. Compared with the feature bands after first-order differential spectra RF dimension reduction + back propagation network （BP）， the overall accuracy rate was increased by 1.96 percentage points， the average precision rate and the average recall rate were increased by 3.00 percentage points and 2.00 percentage points respectively， and the average F1 score was increased by 0.02. The identification accuracy of potato early blight with different infection levels reached 95.0%， 88.0%， 83.0% and 97.0%， respectively.

Key words： hyperspectral;convolutional neural network;early blight of potato;severity classification

馬鈴薯作為主要糧食作物之一，對保障全球糧食安全有著重要作用。因為其耐寒、耐旱、適應性強，在中國許多地區(qū)廣泛種植，并逐步發(fā)展為中國第4大糧食作物^[1]。然而，隨著馬鈴薯種植規(guī)模的持續(xù)擴大，病害的發(fā)生以及危害程度日益嚴峻，對中國馬鈴薯產業(yè)的健康發(fā)展造成很大影響^[2]。早疫病作為馬鈴薯易發(fā)性病害，主要危害其葉片，嚴重時可能會使馬鈴薯塊莖焦枯，影響產量和品質。精準、快速、高效地掌握馬鈴薯早疫病病情，并及時采取有效的防治措施才能最大限度減少損失^[3]。目前，馬鈴薯早疫病的識別主要依賴人工，這種方法不僅效率低，而且對病害嚴重程度的評估容易受到調查者的主觀影響。

大型馬鈴薯種植區(qū)需要快速、規(guī)?；谋O(jiān)測方法。與傳統病害監(jiān)測手段相比，遙感技術可以在大尺度區(qū)域展開，實現對病害的精準、高效監(jiān)測。隨著農業(yè)遙感技術的發(fā)展，各國研究者不斷將高光譜成像技術運用到作物病害的識別和診斷中^[4-5]。黃雙萍等^[6]提出光譜詞袋模型分析法，并基于此方法構建了水稻穗瘟病病害程度分級模型。Barbedo等^[7]利用高光譜成像技術設計了一種自動監(jiān)測小麥赤霉病的算法，該算法分類準確率達到了91%以上。Siedliska等^[8]獲取了草莓果實真菌感染的高光譜圖像，基于原始光譜的二階導數選擇了19個波長用于構建模型，鑒別準確率達97%以上。Jin等^[9]收集野外健康和患枯萎病小麥的高光譜圖像并進行分類，實現了對健康和患病小麥快速、無損的分類。雷雨等^[10]收集了受條銹病病菌侵染后不同發(fā)病程度的小麥葉片高光譜圖像，根據病斑面積占葉片面積的比例對小麥條銹病病害程度進行分級，結果顯示分級正確率可達98.15%。

無人機作為主要搭載光譜相機的工具，在農業(yè)遙感中具有重要作用。它能夠實現大范圍和高空間分辨率的監(jiān)測，迅速獲取目標信息^[11]。Bohnenkamp等^[12]使用無人機采集了不同病害發(fā)展階段和不同嚴重程度的小麥黃銹病高光譜圖像，通過3種算法進行數據分析，實現了對田間作物病害的監(jiān)測。蘭玉彬等^[13]通過無人機獲取低空柑橘果園高光譜影像，對植株的平均光譜數據進行預處理和降維，使用支持向量機進行分類，識別精度達到了94.7%。郭偉等^[14]利用無人機獲取冬小麥高光譜影像，篩選出最優(yōu)光譜指數，并構建線性回歸模型和偏最小二乘回歸預測模型，完成了對冬小麥全蝕病的監(jiān)測。Ma等^[15]利用無人機獲取小麥灌漿期的高光譜圖像，基于最佳光譜特征組合建立模型，完成了對小麥枯萎病的監(jiān)測。

利用高光譜技術對馬鈴薯早疫病、晚疫病的研究目前主要集中在病害識別方面，大多局限于對馬鈴薯葉片的監(jiān)測，并且多是處于室內環(huán)境下的監(jiān)測^[16-18]。大田條件下利用高光譜技術對馬鈴薯早疫病嚴重程度的監(jiān)測研究還比較少，而大田植保作業(yè)更關注的是一塊地的發(fā)病程度，只有了解發(fā)病程度才能科學合理地配置農藥的用量。本研究以大西洋馬鈴薯為研究對象，利用高光譜技術對大田馬鈴薯早疫病的嚴重程度分級方法進行了研究。首先，利用配備高光譜相機的無人機獲取大田環(huán)境下馬鈴薯早疫病的冠層高光譜圖像。然后對健康植株和感染早疫病程度不同的植株冠層區(qū)域進行平均光譜的提取和計算，并對其進行光譜預處理變換，得到一階導數、二階導數和多元散射校正等3組不同的光譜數據。利用連續(xù)投影算法（SPA）、競爭性自適應加權算法（CARS）、RF算法等對包括原始數據在內的4組光譜數據進行降維處理。最后，設計了CNN網絡，用于構建馬鈴薯早疫病嚴重程度分級模型，本研究流程見圖1。

1 材料與方法

1.1 研究區(qū)概況

如圖2所示，本研究區(qū)位于甘肅省張掖市民樂縣的馬鈴薯種植區(qū)（38°28′50″N，100°51′54″E），海拔2 166 m，年降水量為256.4 mm，研究區(qū)面積為2 000 m2，地勢平坦。研究區(qū)種植的馬鈴薯品種為大西洋，種植37行，行距0.4 m，株距0.3 m。

1.2 田間病害調查

配合無人機高光譜圖像的采集，2022年8月17-30日研究團隊對馬鈴薯早疫病發(fā)病情況進行調查，調查時間共計14 d。每個樣點面積為1.0 m×1.0 m，共30個采樣點，一共采集420個樣點的數據，根據植株受早疫病感染表現將馬鈴薯早疫病嚴重程度分為健康（S1）、輕度感染（S2）、中度感染（S3）和重度感染（S4）4個等級，具體病害嚴重程度評估方法見表1^[19]。在整個研究期間，通過比較每個樣本的光譜曲線與所有樣本的平均光譜曲線之間的差異度，剔除10個異常光譜樣本，得到最終研究所用的數據集，包含S1等級樣本81個，S2等級樣本101個，S3等級樣本95個，S4等級樣本133個，共計410個樣本。按照3∶1的比例將每個類別分為訓練集和測試集。

1.3 高光譜數據采集

本試驗使用大疆經緯M600 PRO飛行平臺搭載GaiaSky-mini 2機載高光譜儀來獲取大田馬鈴薯冠層高光譜影像。大疆經緯M600 PRO為6旋翼飛行平臺，具有負載量大、飛行性能優(yōu)等特點，載重量可達6.0 kg。GaiaSky-mini 2機載高光譜成像儀光譜范圍為400～1 000 nm，光譜分辨率為3.5 nm，光譜通道數為176個，相機及內置控制器總重為1.5 kg。GaiaSky-mini 2機載高光譜成像儀可以實現畫幅式圖像實時回傳，監(jiān)控拍攝效果，且數據格式兼容Spec View、ENVI等第三方數據分析軟件。

高光譜影像的采集時間在2022年8月17-30日11：00-13：00，無人機飛行高度為20.0 m。進行數據采集時，在研究區(qū)旁平坦位置處放置尺寸為1.0 m×1.0 m、反射率為80%和40%的漫反射布（保證漫反射布表面無雜物和陰影），每次拍攝高光譜圖像時保證所獲取的影像數據中含有漫反射布。

1.4 圖像預處理與數據降維

將高光譜圖像輸入計算機，使用Spec View進行預處理，對研究區(qū)圖像數據進行反射率校準、鏡頭校正和大氣校正。使用ENVI 5.3軟件對圖像進一步處理，根據地面采樣點位置，確定感興趣區(qū)域（ROI）。計算ROI的平均光譜反射率，最終得到各樣點的原始光譜數據。除了純光譜，原始光譜數據還包含由基線漂移、噪聲以及環(huán)境因素所導致的譜線偏移所產生的光譜數據，所以對原始光譜進行光譜變換可以增強數據特征，消除干擾，更有利于進行數據分析^[20]。本研究采用3種數據預處理方式：一階微分（First-order Derivative，FDR）可有效消除基線漂移，降低背景干擾，提高數據的分辨率和靈敏度；二階微分（Second-order Derivative， SDR）可提高譜圖中峰的分辨率、強調信號，減弱干擾影響；多元散射校正（Multiplicative Scatter Correction，MSC）可消除由于散射水平變化而產生的光譜差異，從而提高光譜與數據之間的相關性。

本研究從全波段和特征波段2個方面對馬鈴薯早疫病高光譜數據進行分類，然后對高光譜數據進行降維，從而提取重要特征和簡化數據復雜性，提高處理效率和準確性^[21]。另外本研究采用SPA、CARS和RF 3種數據降維方法。為了公平比較，用上述方法將全波段的176維向量統一降至9維向量。

1.5 病害程度分級模型

本研究設計了一種CNN結構作為馬鈴薯早疫病嚴重程度分級模型，針對全波段176維向量和特征波段9維向量分別構造了預測早疫病嚴重程度分級網絡。為了簡單起見，只給出特征波段作為輸入的CNN網絡，其結構如圖3所示，包含2個卷積層、2個池化層和1個輸出大小為4的全連接層，其中每個卷積層包含1個大小為2×1的卷積核，1個批歸一化（BN）層，1個激活函數層。卷積層提取光譜特性信息，池化層降低光譜特征圖的維度，全連接層將提取的高維光譜特征映射到輸出，實現非線性分類任務。本研究通過交叉熵損失函數計算模型的分類損失，從而實現對模型的監(jiān)督，損失函數計算見公式（1）。

Lθ=-1N∑Ni=1∑4j=1yijlg（Pij）（1）

其中，N是樣本數量，yij是第i個樣本的第j個類別的標簽，Pij為第i個樣本的第j個類別的預測概率。同時本研究使用Adam（Adaptive Moment Estimation）優(yōu)化器以最小化該損失函數，初始學習率設置為0.001，并以分段衰減法逐步降低學習率，每經過100輪訓練學習率下降為原來的1/2，從而避免因學習率較大而出現次優(yōu)解。

為了和CNN分類器進行比較，本研究還利用BP反向傳播網絡作為分類器。BP反向傳播網絡由輸入層、隱藏層和輸出層組成，BP算法通過鏈式法則計算網絡參數對損失函數的梯度，然后沿著梯度的反方向更新權重。這樣的迭代過程使得網絡能夠逐漸調整權重，從而提高對輸入數據的預測能力。為簡單起見，本研究給出了使用9維特征波段輸入的BP網絡，其結構如圖4所示，包括1個輸入層（包含9個神經元）、1個隱藏層（包含6個神經元）、1個輸出層（包含4個神經元）。輸入層接收外部輸入數據，隱藏層執(zhí)行數據處理和特征提取，輸出層產生網絡的最終輸出。

1.6 評價指標

本研究中分類模型的評價指標主要有以下幾種：

準確率是指被正確分類的樣本數占全部樣本數的比例。

Accuracy=TP+TNTP+FN+FP+TN（2）

公式（2）中Accuracy表示準確率，TP表示實際為正例且被預測為正例的樣本數，TN表示實際為負例且被預測為負例的樣本數，FP表示實際為負例但被預測為正例的樣本數，FN表示實際為正例但被預測為負例的樣本數。準確率越高，表示模型在所有樣本中預測正確的比例越高，分類性能越好。準確率越接近1，模型的性能越好。

精確率是指預測為正例的樣本中真正為正例的比例。

Precision=TPTP+FP（3）

公式（3）中Precision表示準確率，FP指實際為負例但被預測為正例的樣本數。精確率越高，表示模型在預測為正例時，真正為正例的比例越高，即模型的預測結果更可靠。精確率越接近1，模型的預測結果越可靠。

召回率，是指預測為正例的真實正例占所有真實正例的比例。

Recall=TPTP+FN（4）

公式（4）中Recall表示召回率，FN指實際為正例但被預測為負例的樣本數。召回率越高，表示模型能夠盡可能多地找出真正的正例，即模型的召回能力越強。召回率越接近1，模型的召回能力越強。

F1得分為精確率和召回率的調和平均數，用于綜合考慮精確率和召回率的表現。

F1=2×Precision×RecallPrecision+Recall（5）

公式（5）中F1值越高說明模型在精確率和召回率上的表現都較好。F1值越接近1，說明該模型的綜合性能越好。

2 結果與分析

2.1 無人機高光譜數據分析

對健康樣本和不同患病程度樣本高光譜反射率求平均，并計算其標準差。圖5給出了健康樣本和不同患病程度樣本的光譜分布，可以發(fā)現馬鈴薯在感染早疫病的不同階段，光譜反射率呈現出的趨勢基本一致。在550 nm和850 nm處存在1個峰值，而在660 nm處出現1個谷值。從700 nm開始，S1～S4反射率變化較為明顯，隨著染病程度的加重，光譜反射率逐漸下降。在可見光光譜區(qū)，健康馬鈴薯冠層的反射率較高，因為健康葉片通常呈綠色，富含葉綠素，對綠光（550 nm左右）有很高的反射率。當感染了早疫病后，葉片產生褐色病斑，會吸收更多的光，導致反射率降低。近紅外光譜區(qū)與可見光光譜區(qū)類似，當馬鈴薯感染早疫病時反射率也會降低。此外，本研究發(fā)現健康樣本和輕度感染樣本的標準差區(qū)域重合度非常高。這可能是因為在感染早期，馬鈴薯葉片的內部結構和化學成分與健康時相比變化不大，這也可能會導致模型進行分類時效果不佳。

將原始光譜進行一階微分變換，得到一階微分光譜曲線（圖6B）。從圖6B可見，在藍波段和近紅外光譜區(qū)S1、S2、S3、S4反射率出現了明顯的差異。一階微分變換可以突出光譜的邊緣特征和細節(jié)信息，從而更好地識別感染早疫病樣本與健康樣本之間的反射率變化趨勢。進行一階微分變換后這些變化趨勢可能會更加明顯，從而提高識別和診斷的準確性。將原始光譜進行二階微分變換，得到二階微分光譜曲線（圖6C）。二階微分變換可進一步增強光譜的邊緣特征和細節(jié)信息，反射率的變化趨勢會更加明顯。將原始光譜進行多元散射校正后（圖6D），在可見光光譜區(qū)，葉片的反射率可能會呈現出綠色波峰和紅色波谷的現象。這是由于葉綠素的吸收和反射特性所致，其中綠色波峰是葉綠素對綠色光的反射所致，紅色波谷則是由于葉綠素對紅色光的吸收所致。在近紅外光譜區(qū)，馬鈴薯冠層葉片的反射率可能會表現出更為平緩的趨勢。這一現象可能與光散射的影響進一步減小有關，該區(qū)域的反射率數據更加穩(wěn)定。

2.2 數據降維

本研究采用SPA、CARS和RF 3種方法將176維的全波段數據降到9維，結果如表2所示。降維后的數據保留了原始數據的主要特征，同時大大簡化了數據的復雜性，使得后續(xù)分析和處理變得更加簡單高效。

2.3 基于CNN的早疫病嚴重程度分級模型

本研究將原始光譜數據、預處理光譜數據、全波段光譜數據、特征波段光譜數據在CNN模型、BP模型中共進行了32組對比試驗，旨在篩選出最佳馬鈴薯早疫病嚴重程度分級模型，試驗結果如表3所示。

從表3可以看出，2種模型基于全波段的光譜分級效果均表現出較好的性能，準確率均高于84.00%。然而，全波段光譜數據量較大，處理效率較低。在BP模型中，基于一階微分光譜數據并進行CARS降維后的分類準確率可達85.29%，而RF降維后的準確率達到了89.22%。在CNN模型中，一階微分光譜和二階微分光譜CARS降維后也展現出較高的精度，分類準確率分別為88.23%和85.29%。但分類效果最好的還是一階微分光譜RF降維后，準確率高達91.18%。值得注意的是，原始光譜數據RF降維后在2種模型中也有著較好的分類效果。綜合比較發(fā)現，相同類型的光譜數據在CNN模型中的分類總體效果要優(yōu)于BP模型。此外，2種模型對于一階微分光譜的分類效果更加出色，準確率可以保持在81.00%以上。這表明原始光譜經過一階微分變換后，光譜特征被進一步放大，更有助于提升模型的分類能力。一階微分光譜數據經RF算法降維后在模型中的分類準確度較全波段光譜均有所提高。這證實了RF算法在處理高維度數據方面的有效性，通過選擇最重要的變量降維算法，從而減少信息冗余，提高數據處理效率。同時，也說明特征波段對馬鈴薯早疫病具有更好的分級識別效果。

為了進一步量化CNN網絡比BP網絡的性能更好，本研究將經一階微分處理和RF降維后的特征波段使用BP分類器的模型稱為FDR-RF-BP模型，將經一階微分處理和RF降維后的特征波段使用CNN分類器的模型稱為FDR-RF-CNN模型。并計算了其在測試集的精確率、召回率和F1得分，結果如表4所示。相較于BP模型，CNN模型將健康樣本（S1）冠層的精確率提高了10.00個百分點，輕度感染樣本（S2）冠層的召回率提高了9.00個百分點，同時將健康樣本冠層和輕度感染樣本冠層的F1得分分別提升了0.06和0.05。平均精確率、平均召回率和平均F1得分分別提升3.00個百分點、2.00個百分點和0.02。由此可見CNN模型比BP模型效果更好，且主要體現在對馬鈴薯健康樣本和輕度感染樣本的分類識別上。這是由于CNN卷積核的參數共享特性，使得模型能夠更好地捕捉到數據集中的特征，從而提高了分類的準確性和穩(wěn)定性。此外，CNN模型還具有更好的泛化能力，能夠更好地適應不同的數據集和任務。

由圖5可以看出輕度感染樣本和健康樣本、中度感染樣本之間的錯分比較多，可能是這3類之間的光譜特征較為相似導致的?；煜仃囎鳛樵u估分類模型分類效果的重要手段，對于比較不同分類模型在特定數據集上的性能具有重要作用。為了比較BP模型和CNN模型在一階微分光譜數據RF降維后的測試集上的分類性能，本研究制作2種模型的混淆矩陣（圖7），如圖7所示，FDR-RF-BP模型將3個健康樣本識別為輕度感染樣本，3個中度感染樣本識別為輕度感染樣本（圖7A）。FDR-RF-CNN模型則改善了4個標簽之間互相混淆的情況，將健康樣本識別為輕度感染樣本的數量為1個，將中度感染樣本識別為輕度感染樣本的數量為2個（圖7B）。

綜上所述，通過對比BP反向傳播網絡模型和CNN卷積神經網絡模型在馬鈴薯早疫病光譜數據測試集上的分類效果，發(fā)現CNN模型在分類準確率高的同時具有更強的魯棒性，尤其在對健康馬鈴薯和輕度感染早疫病馬鈴薯的分類識別上表現更為突出。

3 結論

本研究利用地面病情數據和無人機高光譜數據，分析了感染不同程度早疫病馬鈴薯的光譜數據信息，系統探討了光譜預處理和特征波段篩選的策略，并比較了特征波段與全波段在馬鈴薯早疫病嚴重程度診斷中的差異，最終實現了對馬鈴薯早疫病的分級監(jiān)測。研究結果表明，對原始高光譜數據進行一階微分變換可以更好地揭示馬鈴薯葉片在早疫病感染過程中的光譜特征，為后續(xù)診斷建立模型提供更準確的數據。相較于全波段，RF算法所提取的特征波段在馬鈴薯早疫病嚴重程度的識別精度上表現更佳，驗證了所選的光譜波段降維方法的有效性。使用CNN模型對馬鈴薯早疫病嚴重程度進行分級時，利用一階微分光譜RF降維后的特征波段為輸入參量，分級精度最高，為91.18%，比原始光譜RF降維后的特征波段作為輸入量時總體精度提高了6.87個百分點，比全波段一階微分光譜作為輸入量時的識別準確率提高了5.89個百分點。與BP模型相比較，CNN模型的分類效果總體來說更好，且對于一階微分光譜數據特征波段RF算法降維后的特征波段，CNN模型將健康樣本的識別精確率提高了10.00個百分點，輕度感染樣本的召回率提高了9.00個百分點。同時，健康樣本和輕度感染樣本的F1得分達到了0.95和0.88，總體準確率較BP網絡提升了1.96%。試驗結果表明，FDR-RF-CNN模型可以用于大田環(huán)境下馬鈴薯早疫病嚴重程度的分級監(jiān)測，且監(jiān)測結果較優(yōu)。本研究結果也證明了利用無人機高光譜技術監(jiān)測大田環(huán)境下的馬鈴薯早疫病病情是可行的。

參考文獻：

[1] 徐 進，朱杰華，楊艷麗，等. 中國馬鈴薯病蟲害發(fā)生情況與農藥使用現狀[J]. 中國農業(yè)科學，2019，52（16）：2800-2808.

[2] 高玉林，徐 進，劉 寧，等. 我國馬鈴薯病蟲害發(fā)生現狀與防控策略[J]. 植物保護，2019，45（5）：106-111.

[3] GOLD K M， TOWNSEND P A， CHLUS A， et al. Hyperspectral measurements enable pre-symptomatic detection and differentiation of contrasting physiological effects of late blight and early blight in potato[J]. Remote Sensing，2020，12（2）：286.

[4] ZHANG J C， HUANG Y B， PU R L， et al. Monitoring plant diseases and pests through remote sensing technology： a review[J]. Computers and Electronics in Agriculture，2019，165：104943.

[5] 張 凝，楊貴軍，趙春江，等. 作物病蟲害高光譜遙感進展與展望[J]. 遙感學報，2021，25（1）：403-422.

[6] 黃雙萍，齊 龍，馬 旭，等． 基于高光譜成像的水稻穗瘟病害程度分級方法[J]. 農業(yè)工程學報，2015，31（1）：212-219.

[7] BARBEDO J G A， TIBOLA C S， FERNANDES J M C. Detecting Fusarium head blight in wheat kernels using hyperspectral imaging[J]. Biosystems Engineering，2015，131：65-76.

[8] SIEDLISKA A， BARANOWSKI P， ZUBIK M， et al. Detection of fungal infections in strawberry fruit by VNIR/SWIR hyperspectral imaging[J]. Postharvest Biology and Technology，2018，139：115-126.

[9] JIN X， JIE L， WANG S， et al. Classifying wheat hyperspectral pixels of healthy heads and Fusarium head blight disease using a deep neural network in the wild field[J]. Remote Sensing，2018，10（3）：395.

[10]雷 雨，韓德俊，曾慶東，等. 基于高光譜成像技術的小麥條銹病病害程度分級方法[J]. 農業(yè)機械學報，2018，49（5）：226-232.

[11]宋 勇，陳 兵，王 瓊，等. 無人機遙感監(jiān)測作物病蟲害研究進展[J]. 棉花學報，2021，33（3）：291-306.

[12]BOHNENKAMP D， BEHMANN J， MAHLEIN A K. In-field detection of yellow rust in wheat on the ground canopy and UAV scale[J]. Remote Sensing，2019，11（21）：2495.

[13]蘭玉彬，朱梓豪，鄧小玲，等. 基于無人機高光譜遙感的柑橘黃龍病植株的監(jiān)測與分類[J]. 農業(yè)工程學報，2019，35（3）：92-100.

[14]郭 偉，朱耀輝，王慧芳，等. 基于無人機高光譜影像的冬小麥全蝕病監(jiān)測模型研究[J]. 農業(yè)機械學報，2019，50（9）：162-169.

[15]MA H Q， HUANG W J， DONG Y Y， et al. Using UAV-based hyperspectral imagery to detect winter wheat Fusarium head blight[J]. Remote Sensing，2021，13（15）：3024.

[16]于 涵. 基于圖像和光譜技術的馬鈴薯早疫病智能診斷方法研究[D]. 大慶：黑龍江八一農墾大學，2023.

[17]唐 翊. 基于光譜技術的便攜式馬鈴薯晚疫病檢測儀研制[D]. 咸陽：西北農林科技大學，2019.

[18]徐明珠，李 梅，白志鵬，等. 馬鈴薯葉片早疫病的高光譜識別研究[J]. 農機化研究，2016，38（6）：205-209.

[19]MENO L， ESCUREDO O， RODRGUEZ-FLORES M S， et al. Looking for a sustainable potato crop.Field assessment of early blight management[J]. Agricultural and Forest Meteorology，2021，308/309：108617.

[20]朱夢遠，楊紅兵，李志偉. 高光譜圖像和葉綠素含量的水稻紋枯病早期檢測識別[J]. 光譜學與光譜分析，2019，39（6）：1898-1904.

[21]張婷婷，向瑩瑩，楊麗明，等. 高光譜技術無損檢測單粒小麥種子生活力的特征波段篩選方法研究[J]. 光譜學與光譜分析，2019，39（5）：1556-1562.

（責任編輯：黃克玲）