對(duì)植物病害和植物脅迫的可靠檢測(cè)和識(shí)別是目前農(nóng)業(yè)領(lǐng)域的一大挑戰(zhàn)?，F(xiàn)有的標(biāo)準(zhǔn)檢測(cè)方法通常依賴于農(nóng)作物學(xué)家手動(dòng)檢查作物上可見的癥狀，還要受限于作物的類型和作物面積的大?。▽?duì)于許多商業(yè)作物來說，面積往往很大），這種監(jiān)測(cè)植物健康的方法既費(fèi)時(shí)又費(fèi)力。人工檢測(cè)還依賴于病害或壓力表現(xiàn)出明顯的癥狀，而這些癥狀經(jīng)常在病害的中后期才表現(xiàn)出來，再通過人工檢測(cè)或診斷性測(cè)試來確定病原體。疾病通常從葉片上的一個(gè)小區(qū)域開始（例如，由真菌病原體Mycosphaerellagraminicola引起的小麥Septoria tritici blotch(STB)；由Venturiainaequalis引起的蘋果瘡痂），如果作物很大，目視檢查可能很難發(fā)現(xiàn)，而能夠在這個(gè)早期階段識(shí)別疾病將會(huì)提供一個(gè)早期干預(yù)的機(jī)會(huì)，在整個(gè)作物被感染或損害之前，控制、預(yù)防感染的擴(kuò)散，或改變作物管理方法。識(shí)別受疾病影響的作物區(qū)域還有助于針對(duì)性地應(yīng)用化學(xué)品。這種精確的方法將可以減少農(nóng)藥和除草劑用量，從而對(duì)環(huán)境、生態(tài)系統(tǒng)服務(wù)、種植者的成本和最終消費(fèi)者產(chǎn)生有利影響。因此，農(nóng)業(yè)和園藝部門對(duì)用更自動(dòng)化的、有針對(duì)性的和精確的方法來取代這種人工觀察的過程有著濃厚的興趣。Mahlein發(fā)表了關(guān)于通過成像傳感器檢測(cè)植物病害的文獻(xiàn)，其中包括RGB、多光譜、高光譜、熱能、葉綠素?zé)晒夂腿S傳感器。最終觀點(diǎn)是，RGB和高光譜成像對(duì)于識(shí)別特定疾病的效果來說是比較好的。

       為了改善作物管理和植物健康，一些研究集中在如何在開始階段識(shí)別到病害，要在出現(xiàn)明顯跡象之前。圖像分析技術(shù)在這方面顯示出很大的潛力，它們代表了檢測(cè)植物中生物和非生物壓力的非侵入性和潛在的自主方法。Singh等人在最近的一篇論文中說明了這一點(diǎn)，該論文研究了用于脅迫表型的機(jī)器學(xué)習(xí)，探討了使用不同傳感器進(jìn)行脅迫識(shí)別、分類、量化和預(yù)測(cè)的高通量表型。

       作為一個(gè)研究領(lǐng)域，圖像分析代表了大量的計(jì)算技術(shù)，能夠從數(shù)字圖像中提取信息。從實(shí)用的角度來看，這意味著對(duì)精心捕捉的圖像進(jìn)行自動(dòng)處理，從圖像中產(chǎn)生所需測(cè)量的數(shù)據(jù)集。圖像本身可以來自各種來源，從彩色數(shù)碼相機(jī)或智能手機(jī)，到更專業(yè)的相機(jī)，旨在捕捉圖像中的各種不同信息。這里的一個(gè)技術(shù)進(jìn)步是高光譜圖像，相機(jī)捕捉到的不僅僅是傳統(tǒng)數(shù)字圖像中常見的三個(gè)彩色光帶。本論文將特別關(guān)注隨后的分析方法，即高光譜圖像分析。由于技術(shù)成本的下降，這種方法最近在經(jīng)濟(jì)上已經(jīng)可以被廣大用戶所接受。正在開發(fā)的分析方法使高光譜成像技術(shù)能夠被用于更廣泛的應(yīng)用。高光譜成像在很大的光譜范圍內(nèi)使用高保真顏色反射信息（超出人類視覺范圍），因此有可能識(shí)別植物生長和發(fā)展中的微小變化。

       在這篇評(píng)論中，我們概述了高光譜成像技術(shù)，以及如何在實(shí)驗(yàn)室和田間應(yīng)用中利用它來分類和識(shí)別植物葉子疾病和壓力的早期階段。從背景理論和高光譜成像技術(shù)的概述開始，我們考慮了該方法在植物和作物科學(xué)中的一些應(yīng)用范圍。最后，我們討論了這些方法的一些實(shí)際問題；這是一個(gè)重要的方面，因?yàn)檫@種相機(jī)通常還不能作為作物監(jiān)測(cè)的交鑰匙解決方案，所以在這些技術(shù)的部署可以在商業(yè)環(huán)境中實(shí)施之前，必須注意收集令人滿意的數(shù)據(jù)，并提供有意義的分析和解釋。

1. 彩色數(shù)字成像

       為了理解高光譜技術(shù)本身，首先考慮一下一個(gè)標(biāo)準(zhǔn)的、非高光譜的彩色數(shù)字圖像包括哪些內(nèi)容，這將是很有幫助的。光的波長對(duì)應(yīng)于顏色，藍(lán)光的中心波長約為475納米，綠光為520納米，紅光為650納米。一幅彩色圖像代表了三個(gè)寬波段的組成，紅、綠、藍(lán)。我們的眼睛包含三種類型的錐體，對(duì)光譜中的藍(lán)色、綠色和紅色部分敏感，每一種錐體都有一個(gè)顏色范圍，它們受到的刺激或強(qiáng)或弱，取決于發(fā)射光的波長。結(jié)合來自三種不同錐體的信息，我們?cè)诖竽X中重建了一個(gè)彩色圖像。數(shù)字圖像試圖模擬錐體的敏感性，一個(gè)像素存儲(chǔ)了光譜中藍(lán)色、綠色或紅色部分的綜合強(qiáng)度，這取決于放置在該像素前端的過濾器類型。高光譜系統(tǒng)中捕獲的光線范圍也會(huì)有所不同。人眼可見的顏色是電磁波譜上的一個(gè)小范圍，從400到700納米（圖1）。通常用于植物高光譜成像的光譜部分從紫外線（UV）（始于約250納米）到短波紅外（SWIR，約2500納米）。照相機(jī)通常捕捉某個(gè)子范圍，如可見光和近紅外范圍（VIS-NIR，400-1300納米）或短波紅外（1300-2500納米）或紫外線（250-400納米），這些范圍在一些傳感器中被結(jié)合起來以增加光譜的覆蓋范圍。

       那么，彩色圖像就是一個(gè)三波段多光譜圖像的例子，其中每個(gè)波段記錄了三種顏色中的一種，即紅、綠和藍(lán)。在真正的多光譜圖像中，通常會(huì)有更多的波段，也許還會(huì)對(duì)光譜中的紅外區(qū)域的光進(jìn)行采樣，即波長超過700納米的光。另一方面，高光譜圖像通常包含光譜范圍內(nèi)數(shù)百個(gè)連續(xù)的窄波段。這種方法產(chǎn)生了密集的、信息豐富的彩色數(shù)據(jù)集，具有足夠的空間分辨率，每片葉子有數(shù)百個(gè)數(shù)據(jù)點(diǎn)（像素）。

       對(duì)于植物和植被，非常有用的分析波長范圍是可見光范圍和近紅外范圍。這個(gè)波長范圍可以捕捉到葉子色素（400-700納米）和間葉細(xì)胞結(jié)構(gòu)（700-1300納米）的變化，但是要看到植物的含水量的變化，需要擴(kuò)展范圍（1300-2500納米）。例如，嚴(yán)重脫水會(huì)影響葉子的中葉結(jié)構(gòu)，這與近紅外反射率的變化有關(guān)，然而，輕微的干旱壓力通常不會(huì)有足夠的影響，無法被檢測(cè)到。

2.  高光譜成像技術(shù)

       高光譜成像光譜儀背后有各種硬件方法，這意味著有不同的方式來捕獲圖像。成像的設(shè)備包括推掃器、濾波輪、液晶可調(diào)諧過濾器等等。在一個(gè)使用推掃的案例中，入射光線通過一個(gè)凸面光柵（或棱鏡），將光線分離成狹窄的波長。這種分離后面會(huì)被記錄在一個(gè)光敏芯片上（類似于標(biāo)準(zhǔn)的數(shù)碼相機(jī)）。一個(gè)推掃器，有三個(gè)組成部分；照相機(jī)、光譜儀和鏡頭。這個(gè)系統(tǒng)同時(shí)捕捉圖像的單一空間線，以及整個(gè)彩色光譜范圍。然后相機(jī)或物體被移動(dòng)，下一條線被捕獲（掃帚被"推"向前方，因此而得名），有效地使相機(jī)成為線掃描器，最終的圖像是在全部掃描完成后建立的。替代推掃的另一種方法是快照方法，即一次性采集整個(gè)圖像。迄今為止，推掃技術(shù)得到了很多的使用，但最近快照技術(shù)的進(jìn)步正在增加與表型和分析有關(guān)的接受度和可能性。

       在本綜述的其余部分，我們考慮了高光譜成像技術(shù)和分析的應(yīng)用，并將綜述分為以下四個(gè)部分：（1）現(xiàn)有的植被和病害指數(shù)；（2）健康和有病植物的檢測(cè)和分類與病害分類的應(yīng)用；（3）量化病害的嚴(yán)重程度；以及（4）早期階段檢測(cè)壓力癥狀。

       在這些章節(jié)中，我們將考慮基于實(shí)驗(yàn)室的成像方法，以及基于現(xiàn)場(chǎng)的遙感。除了明顯的生物差異外，值得考慮這些環(huán)境對(duì)高光譜圖像數(shù)據(jù)本身的影響?；趯?shí)驗(yàn)室的成像方法是在一個(gè)受控的環(huán)境中進(jìn)行的，其中包括人工光源。室外遙感數(shù)據(jù)通常取決于環(huán)境光照，盡管有一些系統(tǒng)使用受控照明進(jìn)行室外高光譜成像的例子。使用自然光照，即太陽，意味著認(rèn)識(shí)到存在著大氣效應(yīng)，如光的吸收和散射。其他可能導(dǎo)致光譜特征變化的環(huán)境因素有：云影和物體表面之間的相互作用、一天中的時(shí)間、鏡面反射和其他物體的存在，它們可以將二次照明反射到感興趣的區(qū)域。由于這些影響中的許多都與時(shí)間有關(guān)，成功使用校準(zhǔn)參考意味著每當(dāng)環(huán)境照明發(fā)生變化時(shí)都要更新參考，這在自然照明情況下可能非常短的時(shí)間。在受控的照明下，仍然存在問題：存在著光強(qiáng)度的問題：反平方定律指出，照度會(huì)根據(jù)與光源的距離成反比下降。這意味著會(huì)出現(xiàn)不均勻的照明，選擇的光源類型需要仔細(xì)考慮，它不應(yīng)該有橫跨光譜或圖像平面的高強(qiáng)度峰值。

       實(shí)驗(yàn)室和現(xiàn)場(chǎng)成像之間的另一個(gè)潛在差異是分辨率。對(duì)于航空遙感數(shù)據(jù)，空間分辨率通常在每像素米的范圍內(nèi)，這意味著像素通常包含一種以上材料的特征。分析這種數(shù)據(jù)的第一步是考慮這種多金屬問題，即必須考慮像素包含混合材料（稱為"混合像素"），并且必須應(yīng)用光譜解混過程。換句話說，一個(gè)像素可能包含植物和土壤，必須使用算法來確定適當(dāng)?shù)幕旌稀Ｔ趯?shí)驗(yàn)室中，圖像通?？梢栽谥参锏膸桌迕追秶鷥?nèi)拍攝，甚至可能有許多像素代表一片葉子或疾病區(qū)域。在這些情況下，一般沒有必要進(jìn)行解混。

       對(duì)這些基于位置的挑戰(zhàn)的進(jìn)一步考慮將在本評(píng)論的后面充分探討，但在我們繼續(xù)之前，讓我們考慮一下為什么我們希望首先捕獲這種高光譜信息。

3. 應(yīng)用于健康和患病植物的檢測(cè)和分類

       在本節(jié)中，我們將討論專門用于檢測(cè)植物中生物壓力的各種技術(shù)。分類技術(shù)，也就是把數(shù)據(jù)分成健康和病害兩類的技術(shù)，可以分為兩種類型：一種是專注于光譜中一些關(guān)鍵波長的技術(shù)，另一種是使用整個(gè)光譜反應(yīng)的技術(shù)。更進(jìn)一步說，疾病分類的討論涉及到多種疾病的識(shí)別和特定疾病的檢測(cè)。

       3.1現(xiàn)有的植被和疾病指數(shù)

       在高光譜成像設(shè)備出現(xiàn)之前，希望根據(jù)顏色信息對(duì)效果進(jìn)行量化的研究人員已經(jīng)使用多光譜成像或高光譜、點(diǎn)源設(shè)備（如不產(chǎn)生空間圖像的光譜儀）來獲取顏色數(shù)據(jù)。高光譜設(shè)備一般不提供點(diǎn)對(duì)點(diǎn)的測(cè)量。相反，用戶有很大的責(zé)任來開發(fā)捕獲過程。一旦獲得，必須對(duì)產(chǎn)生的大量數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分析，以提供有用的信息。進(jìn)入這種大型數(shù)據(jù)集的一個(gè)明智而簡(jiǎn)單的方法是只考慮波長范圍內(nèi)的少數(shù)位置，觀察在光譜中預(yù)定的關(guān)鍵點(diǎn)的不同條件的變化。使用這種方法，我們還可以通過考慮數(shù)據(jù)值的比率來抵消相對(duì)光變化的影響。這涉及到兩個(gè)或多個(gè)波長的組合，通常被稱為"指數(shù)"。

       為了解釋這些數(shù)據(jù)，通過預(yù)先考慮的生物推理（例如知道特定的波長與特定的細(xì)胞結(jié)構(gòu)的特性有關(guān)），或者由于采集設(shè)備所能提供的特定波長的限制（例如從衛(wèi)星多光譜遙感數(shù)據(jù)中得出的指數(shù)可能只有有限的波長可以使用），已經(jīng)開發(fā)了一些此類指數(shù)。當(dāng)應(yīng)用于植物材料時(shí)，這些指數(shù)被稱為"植被指數(shù)"。存在許多不同的植被指數(shù)，每一種指數(shù)都使用不同的波長測(cè)量來描述植被的生理屬性，考察植物的一般屬性或其生長的具體參數(shù)。

       非常流行和廣泛的指標(biāo)之一是歸一化差異植被指數(shù)（NDVI），它被用來測(cè)量作物的一般健康狀況。它是通過近紅外光和可見光的簡(jiǎn)單比率來計(jì)算的（見表1）。NDVI已被用于許多不同的目的，例如，檢測(cè)由Sunnpest谷物害蟲EurygasterintegricepsPut.(Hemiptera:Scutelleridae)在小麥中造成的壓力。大多數(shù)指數(shù)是非常具體的，只對(duì)它們所設(shè)計(jì)的數(shù)據(jù)集有良好的效果。有一些以疾病為中心的研究專注于創(chuàng)建疾病指數(shù)來檢測(cè)和量化特定的疾病，例如，一項(xiàng)研究使用葉銹病嚴(yán)重程度指數(shù)（LRDSI）檢測(cè)小麥的葉銹?。≒ucciniatriticina），準(zhǔn)確率為87-91%，然而，據(jù)我們所知，它還沒有被廣泛測(cè)試。

       另一種常用的方法是檢測(cè)紅色/近紅外邊界處反射率突然增加的變化。這個(gè)"紅邊"位置是電磁波譜中的一個(gè)狹窄部分（690-740納米），可見光譜結(jié)束，近紅外開始（圖2）。這一段在規(guī)格反應(yīng)（導(dǎo)數(shù)）上有很大的變化，對(duì)于綠色植物材料來說，由于葉綠素強(qiáng)烈吸收了700納米左右的波長，因此材料在這個(gè)范圍內(nèi)的反射率很低，但它對(duì)紅外線（從720納米左右）有強(qiáng)烈的反射。Cho描述了一些提取或檢測(cè)紅邊的不同算法。一個(gè)基于紅邊位置的疾病指數(shù)被用來檢測(cè)小麥的白粉病（Blumeriagraminisf.sp.Tritici），然而它沒有部分最小二乘回歸（PLSR）那么準(zhǔn)確，后者是一種使用統(tǒng)計(jì)學(xué)方法的技術(shù)。我們將在本評(píng)論中進(jìn)一步考慮這些統(tǒng)計(jì)學(xué)方法中的一些。

       3.2使用選定波長的子集進(jìn)行分類

       在這一節(jié)中，我們考慮的是依靠全光譜中特定波長的子采樣的分類方法。與真正的多光譜數(shù)據(jù)不同的是，特定的波長可以手動(dòng)或自動(dòng)從采集范圍的任何地方選擇，而多光譜數(shù)據(jù)則受技術(shù)限制。

       來自 "背景 "部分的分析通常使用指數(shù)來計(jì)算代表值，使用光譜中不同位置的離散波長。其中一項(xiàng)涉及小麥田間實(shí)驗(yàn)的研究使用了歸一化差異植被指數(shù)（NDVI）響應(yīng)，從數(shù)據(jù)集中消除了除葉子以外的一切數(shù)據(jù)集，然后用一種叫做"方差分析"的統(tǒng)計(jì)方法方差分析（測(cè)量統(tǒng)計(jì)協(xié)方差），以識(shí)別選定的波段，然后用二次方鑒別分析（QDA）來對(duì)光譜進(jìn)行分類。在健康和病變?nèi)~片（黃銹?。┲g進(jìn)行分類。這代表了超規(guī)格分析的典型工作流程：隔離（或分割）圖像中感興趣的部分，然后使用數(shù)學(xué)技術(shù)來識(shí)別光譜中可能具有預(yù)測(cè)能力的區(qū)域，最后使用這些空間和光譜區(qū)域來學(xué)習(xí)分類方法。使用QDA，4個(gè)波段的總體準(zhǔn)確性達(dá)到92%。

       Moshou描述了一個(gè)多層感知器（MLP）的例子，他的目的是使用范圍為460-900納米、光譜分辨率為20納米的光譜儀來檢測(cè)田間生長的小麥的黃銹病。該分光儀在現(xiàn)場(chǎng)使用一個(gè)手持系統(tǒng)拍攝了圖像。然后選擇了四個(gè)重要的波長。前兩個(gè)波長是使用"變量選擇"選擇的，這涉及到使用逐步判別分析和使用F檢驗(yàn)來比較波長。第二對(duì)波長使用NDVI波長。Moshou使用的神經(jīng)網(wǎng)絡(luò)是一個(gè)簡(jiǎn)單的架構(gòu)，有四個(gè)輸入，一個(gè)由十個(gè)神經(jīng)元組成的隱藏層和兩個(gè)輸出（健康和病態(tài)）。架構(gòu)是由輸入的數(shù)量、選定的隱藏神經(jīng)元的數(shù)量和所需的輸出數(shù)量決定的。試驗(yàn)和錯(cuò)誤可以用來確定一個(gè)合適的結(jié)構(gòu)。Moshou嘗試了不同數(shù)量的神經(jīng)元并選擇了非常有效的。使用這種方法達(dá)到的分類精度對(duì)健康植物來說是98.9%，對(duì)病變植物來說是99.4%。

       MLP方法使用一個(gè)簡(jiǎn)單的架構(gòu)，由輸入、隱藏層和輸出組成。在機(jī)器學(xué)習(xí)中，一種新的、更復(fù)雜的方法，即深度學(xué)習(xí)，正在變得流行。深度學(xué)習(xí)指的是人工神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)包含很多層，在每一層中，神經(jīng)元能夠隱含地代表數(shù)據(jù)的特征，通過這樣做，可以在后面的層中獲得更復(fù)雜的信息，圖像特征由網(wǎng)絡(luò)自動(dòng)確定。深度學(xué)習(xí)方法的一個(gè)具體例子是卷積神經(jīng)網(wǎng)絡(luò)（CNN）。而人工神經(jīng)網(wǎng)絡(luò)（ANN）使用神經(jīng)元激活網(wǎng)絡(luò)作為其類似的模型。CNN則是基于視覺系統(tǒng)中的視網(wǎng)膜場(chǎng)。無論哪種方法，深度學(xué)習(xí)需要更長的時(shí)間來然而，深度學(xué)習(xí)需要更長的時(shí)間來訓(xùn)練，其架構(gòu)也更加復(fù)雜。然而，隨著復(fù)雜性的增加，非常令人印象深刻的分類和識(shí)別率是可以實(shí)現(xiàn)的。

       深度學(xué)習(xí)已經(jīng)被應(yīng)用于植物病害檢測(cè)問題。Mohanty使用CNN檢測(cè)了14種作物的26種疾病。使用了由54,306張彩色圖像組成的數(shù)據(jù)集，80%用于訓(xùn)練，20%用于測(cè)試AlexNet和GoogLeNet（兩種流行的預(yù)訓(xùn)練CNN版本）。AlexNet的準(zhǔn)確率為97.82%，GoogLeNet的準(zhǔn)確率為98.36%，使用彩色圖像從頭開始訓(xùn)練（轉(zhuǎn)移學(xué)習(xí)的數(shù)值更高，分別為99.27和99.34%）。他們選擇了具有同質(zhì)背景的單個(gè)葉片。如果在與訓(xùn)練圖像不同的條件下對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試，準(zhǔn)確率為31.4%。Sladojevic也使用CNN檢測(cè)各種作物植物的13種疾病，包括蘋果（白粉病、銹?。?、梨（葉斑病）、葡萄（枯萎病、螨蟲、白粉病、霜霉病），使用CaffeNet，準(zhǔn)確率為96.3%。

       目前很少有完整的研究將深度學(xué)習(xí)應(yīng)用于高光譜數(shù)據(jù)，盡管這是一個(gè)活躍的研究領(lǐng)域。為了將高光譜數(shù)據(jù)用于深度學(xué)習(xí)，有幾個(gè)挑戰(zhàn)需要解決。高光譜數(shù)據(jù)的大小，包括波長的數(shù)量，需要大量的處理時(shí)間和功率，最好是需要一個(gè)圖形處理單元。超光譜波長的數(shù)量很可能包括來自特定波長的噪聲。另外，在訓(xùn)練/測(cè)試過程中，需要有足夠的數(shù)據(jù)量和標(biāo)記的數(shù)據(jù)。還有一種可能性是，誤差會(huì)比其他方法高。

       其他非深度學(xué)習(xí)方法包括Yuan，使用FishersLinearDiscriminantAnalysis與遙感數(shù)據(jù)檢測(cè)小麥作物的黃銹病和白粉病，總體準(zhǔn)確率為93%，選擇的波長范圍（531,570-654,685-717nm）對(duì)檢測(cè)白粉病和黃銹病在這些規(guī)格反射范圍內(nèi)的差異有意義，結(jié)果是獨(dú)立t檢驗(yàn)。

       有時(shí)，數(shù)據(jù)分析方法與簡(jiǎn)單的圖像處理步驟相結(jié)合，以增加特征識(shí)別。一系列被稱為形態(tài)學(xué)運(yùn)算符的圖像處理技術(shù)可以用來清理二元（黑白）圖像。其中一種技術(shù)叫做侵蝕，通過將邊界像素變成背景像素來縮減物體的前景。相反的技術(shù)被稱為"擴(kuò)張"，其效果是擴(kuò)大前景物體的邊界。它們可以一起用于填補(bǔ)孔洞，或去除二進(jìn)制標(biāo)記數(shù)據(jù)中的斑點(diǎn)噪聲（取決于使用的順序）。使用這種方法的一種方法是對(duì)黃瓜葉子數(shù)據(jù)的研究，在這個(gè)例子中，這種技術(shù)被用來分析不同類型的霉菌；霜霉?。≒seudoperonosporacubensis）。首先應(yīng)用原則成分分析（PCA）來減少數(shù)據(jù)的大小，并產(chǎn)生一個(gè)二進(jìn)制圖像，然后在第二步中使用侵蝕和擴(kuò)張來增強(qiáng)疾病特征。準(zhǔn)確率為90%，但是只使用了20個(gè)樣本（10個(gè)健康的和10個(gè)感染的）。這種方法不太可能在其他高光譜圖像上有很好的效果來檢測(cè)疾病，除非葉片數(shù)據(jù)相似，即使如此，結(jié)果也是不確定的。

       高光譜成像也可以與顯微鏡相結(jié)合，以更高的分辨率捕捉圖像。對(duì)具有不同基因型的大麥進(jìn)行了微觀層面的研究，以了解是否可以確定基因型之間的光譜差異。還分析了健康和患病植物的大麥葉片，這些植物被接種了白粉?。˙.graminis）。結(jié)果表明，除了那些含有霜霉病基因座o（mlo）的品種外，健康和接種的葉片之間存在著時(shí)間上的差異，該基因座提供了植物對(duì)B.graminis的抗性。在這項(xiàng)研究中，由于噪聲的影響，光譜范圍被縮小到420-830納米，然后用Savitzky-Golay濾波器進(jìn)行歸一化和平滑處理，然后用SiVM來尋找極端光譜，接著用Dirichlet聚集回歸來尋找葉痕。

       3.3使用全光譜數(shù)據(jù)進(jìn)行分類

       分類方法的目的是將數(shù)據(jù)分為若干不同的類別。它們?cè)从谝幌盗械慕y(tǒng)計(jì)或機(jī)器學(xué)習(xí)技術(shù)。其中一種方法是二次判別分析（QDA），它通過使用協(xié)方差矩陣來進(jìn)行分類，該矩陣將各個(gè)類別進(jìn)行比較。QDA方法被用于牛油果植物的研究，以檢查真菌疾病月桂樹枯萎?。≧affaelealauricola），使用位于田間和玻璃溫室的植物。QDA的分類準(zhǔn)確率為94%。當(dāng)然，在分析管道的每個(gè)階段都有可能使用替代方法。例如，不使用QDA，而是使用決策樹方法（一種機(jī)器學(xué)習(xí)技術(shù)），其準(zhǔn)確率達(dá)到95%。為數(shù)據(jù)選擇正確的方法，以及確保足夠的數(shù)據(jù)集大小和質(zhì)量，是關(guān)鍵。這種機(jī)器學(xué)習(xí)方法代表了一套越來越常見的分類和預(yù)測(cè)算法。機(jī)器學(xué)習(xí)方法使用訓(xùn)練數(shù)據(jù)集來訓(xùn)練算法，目的是分析和預(yù)測(cè)新的、未見過的數(shù)據(jù)的結(jié)果。多層網(wǎng)絡(luò)（MultilayerLowe）是這種技術(shù)的一個(gè)例子。MLP是簡(jiǎn)單的網(wǎng)絡(luò)（稱為人工神經(jīng)網(wǎng)絡(luò)），將輸入數(shù)據(jù)映射到輸出。這個(gè)過程是基于對(duì)神經(jīng)元激活網(wǎng)絡(luò)的生物學(xué)理解，其中信息在神經(jīng)元之間被發(fā)射。輸入節(jié)點(diǎn)連接到輸出，使用激活函數(shù)和權(quán)重進(jìn)行更新，可以優(yōu)化產(chǎn)生正確的輸出（使用訓(xùn)練數(shù)據(jù)）。這種算法需要先驗(yàn)知識(shí)（訓(xùn)練數(shù)據(jù)），因此，如果"疾病光譜"是未知的，那么這種技術(shù)將是不適合的。

       第三種分類方法是通過使用導(dǎo)數(shù)來觀察規(guī)格特征；這時(shí)要分析數(shù)據(jù)的基本模式或變化。二階（及以上）導(dǎo)數(shù)通常對(duì)光照的變化不敏感；但是它們對(duì)高光譜數(shù)據(jù)通常遭受的噪聲敏感，因此在使用導(dǎo)數(shù)之前需要應(yīng)用"平滑"。平滑化是一個(gè)過程，利用平均化的形式減少單個(gè)像素強(qiáng)度和相鄰像素之間的差異，以創(chuàng)造一個(gè)更平滑的信號(hào)。兩個(gè)平滑的例子是Savitsky-Golay和高斯過濾。Savitszky-Golay提出了一種通過對(duì)輸入數(shù)據(jù)的子集擬合局部多項(xiàng)式來平滑噪聲數(shù)據(jù)的方法，然后在單點(diǎn)評(píng)估多項(xiàng)式來平滑信號(hào)。高斯濾波通過使用高斯加權(quán)核對(duì)中心信息進(jìn)行平均化，從而減少噪聲。

       Huang試圖通過使用帶有一階和二階導(dǎo)數(shù)的偏最小二乘回歸（PLSR）來檢測(cè)芹菜作物的硬霉菌腐爛病。部分最小二乘法回歸選擇一組小的成分。這種技術(shù)在預(yù)測(cè)因子是串聯(lián)的/高度相關(guān)的情況下是有用的，它將減少對(duì)數(shù)據(jù)的過度擬合的風(fēng)險(xiǎn)。使用原始光譜的偏最小二乘回歸的分類精度為88.92%，使用Savitzky-Golay一階導(dǎo)數(shù)的PLSR為88.18%，使用二階導(dǎo)數(shù)的PLRS為86.38%。準(zhǔn)確率相似，二階導(dǎo)數(shù)的表現(xiàn)稍差。Yuan在Fisher的線性判別分析（FLDA）上使用PLSR來檢測(cè)小麥的病蟲害。它對(duì)蚜蟲危害的準(zhǔn)確率為60%，對(duì)黃銹病的準(zhǔn)確率為92%。在另一項(xiàng)研究中，Zhang使用FLDA檢測(cè)小麥的白粉病（使用嚴(yán)重受損的葉片），準(zhǔn)確率超過90%。

       3.4疾病識(shí)別

       除了檢測(cè)疾病的存在，研究的另一個(gè)方向是區(qū)分不同的疾病，以確定特定的病原體。其中一種方法是光譜信息分歧分類。該方法比較了觀察到的光譜和參考光譜（光譜庫，或數(shù)據(jù)中感興趣的平均光譜）之間的分歧，分歧值越小，光譜就越相似，如果它們大于設(shè)定的閾值，則不被歸類為參考光譜。光譜信息分歧被用來檢測(cè)柑橘類水果（葡萄柚）上的柑橘軍團(tuán)，數(shù)據(jù)的光譜范圍是450-930納米，有92個(gè)波段，其中有1個(gè)波段的數(shù)據(jù)。5.2納米的光譜分辨率。在分析數(shù)據(jù)之前，通過合并相鄰的像素來減少一半的尺寸，進(jìn)行了預(yù)處理步驟。腐爛的葡萄果實(shí)與正常的葡萄果實(shí)以及出現(xiàn)其他疾病或損害癥狀的葡萄果實(shí)進(jìn)行了比較，包括：油漬、昆蟲損害、黑色素、結(jié)痂和風(fēng)疤；這種方法的分類準(zhǔn)確率為95.2%。

       4. 量化疾病的嚴(yán)重程度

       在檢測(cè)和分類疾病的同時(shí)，我們可能希望記錄疾病的有效數(shù)量，或其嚴(yán)重程度。這種方法確實(shí)遇到了一些特殊的挑戰(zhàn)。病害對(duì)葉片的損害和覆蓋程度會(huì)影響葉片被歸類為健康或病害的準(zhǔn)確性。極端的病害會(huì)影響葉片的外觀，以至于它們可能根本就不能被算作植物材料。盡管如此，仍有許多方法可以估計(jì)嚴(yán)重程度，下面我們介紹一些方法。

       光譜角度映射器（SAM）方法將像素光譜與參考光譜相匹配，通過計(jì)算光譜之間的角度對(duì)像素進(jìn)行分類，這些光譜被視為空間中的n維向量。這種技術(shù)已被廣泛用于高光譜數(shù)據(jù)的分類，包括植物病害，并取得了一定的成功。Yuhas研究了收獲前小麥鐮刀菌頭孢病的嚴(yán)重程度。高光譜數(shù)據(jù)的波長范圍為400-1000納米，光譜分辨率為2.5納米。SAM用于檢測(cè)病害的數(shù)量，分類準(zhǔn)確率為87%。對(duì)小麥植物進(jìn)行了兩個(gè)實(shí)驗(yàn)，一個(gè)在玻璃溫室，一個(gè)在田間。對(duì)植物從接種到建立感染的整個(gè)發(fā)展階段進(jìn)行了成像。Yuhas確定，在感染后，健康和受感染的植物是無法區(qū)分的，因?yàn)楦腥具€沒有建立。然而，當(dāng)高光譜數(shù)據(jù)在成熟階段被檢查時(shí)，小麥的色素組成發(fā)生了變化，健康的植株就會(huì)顯示為患病的植株。

       Mahlein使用同樣的技術(shù)來分析甜菜病害，特別是Cerospora葉斑病、白粉病和葉銹病。范圍是400-1000納米，2.8納米的光譜分辨率和0.19毫米的空間分辨率。在一段時(shí)期內(nèi)（>20天）對(duì)植物進(jìn)行分析，以監(jiān)測(cè)每種病害的不同階段，并將葉片分類為健康或病害。Cerospora葉斑病的分類精度取決于疾病的嚴(yán)重程度（89.01-98.90%），白粉病的精度在90.18-97.23%之間，甜菜銹病達(dá)到61.70%，在第20天之前沒有使用SAM進(jìn)行分類。

       Rumpf等人使用了與Mahlein相同的數(shù)據(jù)集，但采用了不同的分析方法；決策樹（DT）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）。所有的方法都需要先驗(yàn)知識(shí)，但是一旦經(jīng)過訓(xùn)練就被證明是有效的。例如，對(duì)于Cerospora葉斑病，SVM的準(zhǔn)確率為97%（DT為95%，ANN為96%）；對(duì)于甜菜銹病，準(zhǔn)確率為93%（DT為92%，ANN為95%）；而對(duì)于白粉病，準(zhǔn)確率為93%（DT為86%，ANN為91%）。在病害覆蓋了1-2%的葉片后，用葉片面積覆蓋率測(cè)量嚴(yán)重程度，準(zhǔn)確率為62-68%，對(duì)于超過10%的葉片覆蓋率，準(zhǔn)確率幾乎為100%。這表明，在同一組高光譜數(shù)據(jù)上使用各種分析方法來闡明不同的見解并達(dá)到不同的準(zhǔn)確度--選擇技術(shù)很重要。表2列出了用于識(shí)別特定疾病的常用技術(shù)以及與之相關(guān)的準(zhǔn)確性。

       5.檢測(cè)早期的壓力癥狀

       這種檢測(cè)系統(tǒng)的最終目標(biāo)是在對(duì)植物進(jìn)行最少的物理改變的情況下識(shí)別疾病。盡可能早地識(shí)別疾病或非生物問題有明顯的好處。通過使用高光譜技術(shù)與適當(dāng)?shù)姆治龇椒ㄏ嘟Y(jié)合，我們可以現(xiàn)實(shí)地希望在人工觀察之前識(shí)別壓力癥狀。

       干旱對(duì)許多作物來說是一個(gè)重大問題，特別是一些植物種類或品種在一段時(shí)間內(nèi)不會(huì)明顯顯示出這種壓力，到這時(shí)，作物的潛在產(chǎn)量或質(zhì)量可能已經(jīng)下降，因?yàn)橹参锏恼０l(fā)育過程已經(jīng)通過壓力反應(yīng)受到影響。干旱的定義也可以從少量缺水到完全缺水不等。本節(jié)所討論的研究在植被指數(shù)檢測(cè)到干旱之前就已經(jīng)檢測(cè)到了干旱的發(fā)生，而且是在明顯跡象出現(xiàn)之前幾天。

       特別是在干旱脅迫的早期檢測(cè)中，有一項(xiàng)技術(shù)已經(jīng)成為流行的技術(shù)，那就是單純體積最大化（SiVM），它是一種數(shù)據(jù)聚類技術(shù)。這種技術(shù)選擇健康和受壓植物的光譜特征，然后用這些類別對(duì)數(shù)據(jù)進(jìn)行聚類。當(dāng)簽名變得與預(yù)先學(xué)習(xí)的樣本簽名相似時(shí)，它就被歸類為此類。

       Romer研究了包含在防雨棚中的大麥試驗(yàn)和在田間種植的玉米試驗(yàn)中的干旱壓力。用來檢測(cè)壓力的技術(shù)是單純的體積最大化，這是一種無監(jiān)督的技術(shù)。光譜范圍為400-900納米，光譜分辨率為4納米。在預(yù)處理過程中，一些波長由于噪聲而被去除（<470和>750納米）。這是高光譜數(shù)據(jù)常見的情況，因?yàn)楣庾V范圍末端的光線不足，特別是基于實(shí)驗(yàn)室的光源，可能在光譜的這些區(qū)域沒有產(chǎn)生很多光線。為了減少數(shù)據(jù)的大小并去除背景，采用了K-means聚類方法，用平均顏色將數(shù)據(jù)分成選定的若干組。然后將SiVM與四種眾所周知的植被指數(shù)--NDVI、光化學(xué)反射指數(shù)（PRI）、紅邊滲透點(diǎn)（REIP）和類胡蘿卜素反射指數(shù)（CRI）進(jìn)行比較。對(duì)于大麥的數(shù)據(jù)，使用SiVM（第9天）比Vegeta-tionIndices（第13天）更早發(fā)現(xiàn)部分水脅迫的減少。對(duì)于無水/完全干旱條件下的植物，植被指數(shù)在第8天檢測(cè)到脅迫，比SiVM快一天，但它們未能在第9天和第10天檢測(cè)到脅迫；然而SiVM確實(shí)從第9天開始可靠地檢測(cè)到脅迫植物。

       Behmann還使用支持向量機(jī)（SVM）分析了大麥的干旱壓力。這種算法是超視距的，需要標(biāo)記的訓(xùn)練數(shù)據(jù)，在這種情況下，它被標(biāo)記為干旱或健康。在用SVM分析之前，數(shù)據(jù)經(jīng)過K-means預(yù)處理，以減少數(shù)據(jù)集的大小。光譜范圍為430-890納米，光譜分辨率為4納米。使用這種方法，Behmann在第6天檢測(cè)到干旱壓力，在第16天檢測(cè)到NDVI差異。

       小麥的干旱脅迫已經(jīng)通過兩種組合技術(shù)進(jìn)行了分析，試圖提高檢測(cè)率。Moshou使用最小二乘支持向量機(jī)（LSSVM）來嘗試檢測(cè)干旱脅迫。在溫室中研究了小麥植物，并對(duì)光譜反射和熒光進(jìn)行了分析。熒光包括使用高強(qiáng)度的光來激發(fā)植物組織，使其發(fā)出不同波長的光，這可以用來獲得額外的生物洞察力。LSSVM需要進(jìn)行訓(xùn)練，846個(gè)數(shù)據(jù)樣本被用于訓(xùn)練，而302個(gè)數(shù)據(jù)樣本被用于測(cè)試階段。對(duì)于一些技術(shù)來說，由于計(jì)算時(shí)間的原因，數(shù)據(jù)集的大小和/或波長的數(shù)量將決定分析數(shù)據(jù)的時(shí)間。因此，Moshou使用了六個(gè)波長-503、545、566、608、860和881納米。LSSVM對(duì)脅迫葉片的準(zhǔn)確率達(dá)到76.3%，對(duì)健康葉片的準(zhǔn)確率達(dá)到86.6%。然而，該研究指出，通過使用融合光譜和熒光特征的LSSVM模型，總體準(zhǔn)確率大于99%。熒光是對(duì)葉子中葉綠素?zé)晒獾臏y(cè)量，以確定生理變化。

       根據(jù)Kersting，許多這些技術(shù)很難用于非機(jī)器學(xué)習(xí)或數(shù)據(jù)挖掘?qū)＜?，因?yàn)楦吖庾V數(shù)據(jù)需要預(yù)先處理或適應(yīng)（即尋找葉片或使用選定的波長）。此外，除了之外，其他技術(shù)都沒有對(duì)大量植物進(jìn)行幾天的分析。當(dāng)有大量的數(shù)據(jù)需要分析時(shí)，這是植物表型分析需要考慮的一個(gè)重要因素。Ker-Sting聲稱擁有第一個(gè)使用高光譜數(shù)據(jù)進(jìn)行干旱壓力預(yù)測(cè)的人工智能技術(shù)。開發(fā)了一種新的方法，其中包括一種不調(diào)整數(shù)據(jù)或縮小尺寸的干旱預(yù)測(cè)技術(shù)。Kersting在一個(gè)大麥干旱實(shí)驗(yàn)中展示了該方法，其數(shù)據(jù)是在五周內(nèi)收集的。使用的技術(shù)被稱為Dirichlet聚集回歸（DAR），它是基于矩陣因子化的。首先，SimplexVol-umeMaximisation被用來從數(shù)據(jù)中找到50個(gè)光譜特征并對(duì)它們進(jìn)行分類。然后，在對(duì)這些值使用高斯過程之前，對(duì)潛在的迪里切特聚集值進(jìn)行估計(jì)，以找到每個(gè)植物和每個(gè)時(shí)間點(diǎn)的干旱程度。最后，在出現(xiàn)明顯跡象之前，該過程預(yù)先預(yù)測(cè)受干旱影響的植物。根據(jù)一個(gè)為期五周的大麥實(shí)驗(yàn)，干旱的預(yù)測(cè)發(fā)生在可見跡象出現(xiàn)之前的1.5周。對(duì)SiVM和DAR的運(yùn)行時(shí)間進(jìn)行了評(píng)估，結(jié)果是并行的SiVM的運(yùn)行時(shí)間為30分鐘，而使用DAR模型只需幾分鐘。這表明，開發(fā)定制的分析技術(shù)可以超越現(xiàn)有方法的直接應(yīng)用（無論是在計(jì)算時(shí)間、所需假設(shè)、易用性還是最終的準(zhǔn)確性方面）。

       6.高光譜數(shù)據(jù)采集和軟件

       高光譜數(shù)據(jù)的尺寸很大，尤其是對(duì)多種植物進(jìn)行連續(xù)幾天的成像時(shí)。對(duì)一種植物的掃描可以很容易地達(dá)到大約一千兆字節(jié)的大小。如果對(duì)整個(gè)光譜范圍進(jìn)行分析，那么這個(gè)過程將比選擇幾個(gè)波段進(jìn)行分析要長得多。然而，有大量的信息數(shù)據(jù)中包含的信息可能是有價(jià)值的。研究人員必須決定使用多少光譜分辨率，以及放棄多少。如果你的相機(jī)收集了800個(gè)光譜帶，你必須問自己是否需要所有的800個(gè)光譜帶，還是分成400個(gè)或200個(gè)等光譜帶就足夠了。這類似于對(duì)RGB圖像使用類似JPEG的壓縮方式。這種壓縮創(chuàng)造了更小的文件尺寸，但代價(jià)破壞了圖像信息（特別是色彩信息）。儲(chǔ)存較少的光譜帶會(huì)產(chǎn)生較小的文件大小，并降低數(shù)據(jù)分析的復(fù)雜性，但代價(jià)是丟掉潛在的重要顏色屬性。Polder等人探討了使用三個(gè)系統(tǒng)設(shè)置的攝譜儀的校準(zhǔn)和特性。實(shí)驗(yàn)研究了不同類型的噪聲和信噪比。實(shí)驗(yàn)還確定，通過計(jì)算分辨率、光譜范圍和像素?cái)?shù)量，在一定程度上可以進(jìn)行分選而不損失信息。

       6.1高光譜相機(jī)的設(shè)置

       在分析之前，需要對(duì)高光譜數(shù)據(jù)進(jìn)行校準(zhǔn)，以確保產(chǎn)生的圖像由于存在的照明顏色而得到調(diào)整；相機(jī)軟件可能有此選項(xiàng)，但如果沒有，則可在捕獲數(shù)據(jù)后進(jìn)行校準(zhǔn)。照明是通過一個(gè)已知的白平衡目標(biāo)進(jìn)行校準(zhǔn)的，它由相機(jī)系統(tǒng)成像。這個(gè)目標(biāo)將在光譜上反映一個(gè)已知的百分比的光，例如，在相機(jī)的整個(gè)工作光譜上反映99%。照明的非均勻性可以通過將觀察到的數(shù)據(jù)除以捕獲的白平衡數(shù)據(jù)來校正[49]。此外，系統(tǒng)必須對(duì)傳感器在無光情況下出現(xiàn)的電噪聲（稱為暗電流）進(jìn)行校正。這通常是通過在沒有任何光線的情況下用相機(jī)拍攝圖像來進(jìn)行的，并使用由此產(chǎn)生的低水平噪聲讀數(shù)來調(diào)整未來的措施。

       一個(gè)重要的問題是多長時(shí)間進(jìn)行一次白平衡校準(zhǔn)。在實(shí)驗(yàn)室環(huán)境中，每個(gè)月只拍攝一個(gè)白平衡目標(biāo)可能是合適的。實(shí)驗(yàn)中，假設(shè)照明已經(jīng)達(dá)到一個(gè)平衡點(diǎn)（即燈泡已經(jīng)完全預(yù)熱）。然而，在實(shí)驗(yàn)室外，照明受到的變化要大得多。云層、陰影和一天中的時(shí)間都會(huì)非常影響外面的光線顏色，因此必須定期進(jìn)行白平衡讀數(shù)，以確保準(zhǔn)確的校準(zhǔn)。還必須仔細(xì)選擇一天中拍攝圖像的時(shí)間，以及是否在陰天和陽光直射的情況下進(jìn)行拍攝（這可能導(dǎo)致陰影和鏡面反射的問題--植物上的亮斑直接反射照明源（即太陽））。還應(yīng)考慮照明的均勻性--傳感器是否在其空間范圍內(nèi)記錄了均勻的亮度水平？一種被稱為漸暈的效果會(huì)導(dǎo)致鏡頭邊緣的像素看起來比中心的像素更暗。

       7.結(jié)論

       近年來，專注于利用高光譜圖像分析檢測(cè)植物壓力的科學(xué)文獻(xiàn)顯著增加。植物病害檢測(cè)是農(nóng)業(yè)和園藝作物管理中的一項(xiàng)重要活動(dòng)。特別是，檢測(cè)早期的壓力和疾病將對(duì)農(nóng)民和種植者有利，因?yàn)樗鼘⑹乖缙诟深A(yù)有助于減輕作物損失和降低作物質(zhì)量。高光譜成像是一個(gè)非侵入性的過程，通過掃描植物來收集高分辨的數(shù)據(jù)。該技術(shù)正變得越來越流行，因?yàn)橄鄼C(jī)生產(chǎn)成本的下降使研究人員和開發(fā)人員能夠更多地使用這種技術(shù)。有各種技術(shù)可用于分析數(shù)據(jù)，以檢測(cè)植物的生物和非生物脅迫，本評(píng)論中討論了其中的例子，重點(diǎn)是健康和患病植物的分類、疾病的嚴(yán)重程度和脅迫癥狀的早期檢測(cè)。

       植被和疾病指數(shù)的數(shù)量每年都在增加。顯著的波長組合在一起可以表明特定物種的健康或疾病狀況。然而，指數(shù)對(duì)于檢測(cè)植被的具體標(biāo)準(zhǔn)是很有價(jià)值的；指數(shù)是根據(jù)當(dāng)時(shí)的數(shù)據(jù)集、物種和對(duì)實(shí)驗(yàn)有利的條件選擇的。有些指數(shù)更具有普遍性；NDVI、PRI和其他幾個(gè)植被指數(shù)將致力于發(fā)現(xiàn)植物的一般健康狀況。但一般來說，要把為植物X設(shè)計(jì)的指數(shù)應(yīng)用于植物Y的數(shù)據(jù)集是比較困難的。這就是考慮在光譜上采用更大范圍的波長的動(dòng)機(jī)，這有可能產(chǎn)生更好的結(jié)果。

摘自：Hyperspectralimageanalysistechniquesforthedetectionandclassificationoftheearlyonsetofplantdiseaseandstress：AmyLowe,NicolaHarrisonandAndrewPFrench