基于高光谱成像技术的柑橘褐斑病早期检测方法研究

这是一篇关于柑橘褐斑病,早期检测,高光谱成像,光谱分析,深度学习的论文, 主要内容为柑橘易受交链格孢菌(Alternaria alternata)侵染引起褐斑病(Citrus Brown Spot,CBS),防治不及时可能导致病害的大面积蔓延,而CBS病害的早期检测有利于提高施药处方决策的准确性和综合防治的针对性。传统的分子技术等理化方法虽然能准确地检测CBS病害,但检测过程专业性较高、需对测试样品进行破坏性处理,且检测成本较高。高光谱成像技术能通过非接触方式准确感知柑橘内部品质信息,因此,本文结合高光谱成像技术,以未成熟柑橘果实(Tribute Citru)为研究对象,研究基于机器学习的CBS病害程度检测方法,以实现CBS病害的早期诊断,主要贡献如下:(1)采集了健康(Sound)和接种交链格孢菌的感病未成熟皇帝柑样品感兴趣区域(Region Of Interesting,ROI)的高光谱数据(387-1025 nm),并根据致病菌侵染时间将感病样品划分成CBS致病菌侵染早期阶段(CBS-E)和CBS病害发病期阶段(CBS-L);其中,Sound、CBS-E和CBS-L类样本的高光谱数据量分别为330、676和668例;进一步,评估了多元散射校正(Multiple Scattering Correction,MSC)、标准正态变量变换(Standard Normal Variate,SNV)和标准化(Standardize,SL)方法的高光谱数据预处理性能,结果表明,与其它预处理算法相比,MSC能显著提高不同类别果实局部高光谱响应曲线的类间差异性,更有利于描述健康和不同感病程度或阶段下柑橘果实的高光谱响应特征。(2)基于统计机器学习的两阶段CBS病害早期检测方法。为降低病害检测模型训练时的拟合难度,通过两阶段决策思想将三类模式分类的学习问题分解成两个串接的二元分类学习任务,先对Sound类柑橘果实样本和感病柑橘果实样本(包含CBS-E和CBS-L类)进行第一阶段二元模式判别建模,以滤除健康果实样本;随后对CBS-E和CBS-L两类感病样本进行第二阶段二元模式判别建模,实现CBS致病菌侵染早期阶段的柑橘果实判别。以两阶段决策思想为基础,采用竞争性自适应重加权采样(competitive adapative reweighted sampling,CARS)从MSC预处理后的高光谱数据中提取特征光谱波段,并结合支持向量机(support vector machine,SVM)建立两个决策阶段下的CBS病害判别模型;实验结果表明,本文方法能获得更准确的CBS病害检测结果,总体平均准确率达到了86.16%,比常规三类分类决策模型的准确率提高了1.59%;此外,本文方法对CBS病害的早期检测准确率达到了79.82%,比常规三类分类决策模型的准确率提高了5.73%。(3)基于深度学习的CBS病害早期检测方法。为减少高光谱图像中的冗余信息以及深度卷积神经网络的模型参数量,首先利用主成分分析(Principle Component Analysis,PCA)对高光谱数据进行降维,提取了累计贡献率最高的前三个主分量图像作为深度卷积神经网络模型的输入;进一步,评估了Le Net、Alex Net、Micro Net、G-Ghost Net和Mobile Net五种深度学习算法对CBS病害的早期检测性能。实验结果表明,结合维数约简后的高光谱图像有助于深度学习模型聚焦于感染面积较小、程度较轻的局部区域,更有利于实现CBS早期病害的准确检测,;得益于Dropout层降低了对模型训练时的过拟合程度,Alex Net获得了最优的CBS病害早期检测效果,其对CBS病害的总体平均准确率达到了95.6%,比基于统计机器学习的检测方法提高了9.44%;此外,Alex Net对CBS-E类的病害检测准确率达到了94.17%,比基于统计机器学习的检测方法提高了14.35%。

基于短波近红外高光谱图像的籽棉地膜智能识别算法研究

这是一篇关于高光谱成像,籽棉地膜识别,深度学习,卷积神经网络,数据降维的论文, 主要内容为新疆是我国最大的棉花主产区,其特殊的自然环境造就了世界一流的棉花。但由于雨水少、光照强,只能采用膜下滴灌种植工艺,在机械采摘过程中极易混入大量地膜等杂质,严重影响了我国棉花品级的提升,给国内纺织、种植业造成巨大损失。现有籽棉中杂质及异性纤维的剔除工艺主要包括机械分选、光学色选、静电分离三种:机械分选主要针对较大、较长类杂质及异性纤维;光学色选技术则主要针对有色及荧光类异性纤维;静电分离主要针对籽棉中的地膜类异纤,但其环境条件要求高,实际应用较为困难。为解决籽棉中地膜难以进行分选的问题,本文提出了一种基于高光谱图像和卷积神经网络的籽棉地膜识别与分类方法,主要研究内容与研究成果如下:(1)针对我国现有籽棉分选工艺地膜剔除难的问题,设计了主要应用于籽棉地膜智能识别领域的高光谱分选系统。系统采用抑制反射光干扰的黑色橡胶材质输送带作为高光谱成像的背景,选用“Image-λ-N25E-SWIR”短波红外相机搭配卤素灯光源进行高光谱数据采集,可获取分辨率为384像素×600像素,光谱范围为1000～2500nm的288个高光谱数据波段。(2)针对高光谱数据纬度高、数据量大、信息冗余的问题,采用了高光谱数据降维算法对高光谱数据进行处理。分别采用线性判别法(LDA)、主成分分析法(PCA)、独立成分分析法(ICA)来完成对高光谱图像数据的降维。高光谱数据降维实验结果表明:LDA、PCA降维算法的泛化性较ICA降维算法更强;在降维维度同为3时,采用LDA降维算法效果最佳;在计算机性能满足时,采用PCA降维更有优势。(3)完成了适用于高光谱图像识别领域的算法搭建。基于Le Net、Alex Net、VGGNet卷积神经网络结构,构建了应用于高光谱图像识别的网络模型,提出了基于短波近红外高光谱图像的籽棉智能识别算法。(4)完成了高光谱数据降维算法与卷积神经网络模型的组合测试,对比测试了构建的Le Net、Alex Net、VGGNet神经网络模型,搭配LDA、PCA、ICA算法降维时的识别效果。实验结果表明:在降维维度同为3时,Alex Net-LDA算法识别效果最佳,可达到92.45%;在计算机性能满足时,Alex Net-PCA-12取得的识别和降维性价比最高,算法识别准确率可达到98.07%。

基于深度学习小麦赤霉病籽粒识别方法及在线检测系统研究

这是一篇关于高光谱成像,赤霉病,深度学习,YOLOv3,U-Net的论文, 主要内容为小麦赤霉病是由禾谷镰刀菌引起的真菌病害,是小麦生长过程中的主要病害之一,该病主要爆发在温暖潮湿和半潮湿地区,在扬花期前后,温度和气候变化会加速赤霉病的发生。赤霉病会导致小麦产量严重下降,同时,当人体摄入过量感染赤霉病的食物后,会出现晕眩、呕吐等症状,严重者会出现肠胃和神经系统的障碍,甚至诱发癌变,因此对于小麦赤霉病的防治刻不容缓。现阶段对于小麦赤霉病的检测方法主要是化学检测和人工检测,人工检测费时费力,具有主观性,并且长时间人眼观察会导致眼肌劳损,出现将健康和患病籽粒混淆的情况,降低了人工检测效率和判断准确率;化学检测主要为气相色谱法(Gas Chromatography,GC)、高效液相色谱法(High Performance Liquid Chromatography,HPLC)和酶联免疫法(Enzyme-Linked Immuno Sorbent Assay,ELISA)等,虽然检测精确,但是存在破坏样本、操作步骤复杂、检测时间过长和污染环境等问题,所以为了保障食品安全,需要开发一种快速无损检测小麦赤霉病的方法和在线快检设备。本文研究针对小麦感染赤霉病籽粒的快速无损检测方法及在线快速检测设备,以感染赤霉病的小麦籽粒和健康小麦籽粒为研究对象,采用SEM电镜观察健康样本和患病样本的微观结构变化,通过理化分析实验采集健康籽粒和患病籽粒的水分、蛋白质含量和硬度值,采集健康籽粒和患病籽粒400-4000 cm-1范围的红外光谱数据,分析微观结构和内部成分含量变化对光谱的影响;采集小麦籽粒400-1000 nm的高光谱图像数据并进行特征波段的提取,基于特征波段使用不同机器学习算法建立小麦赤霉病籽粒识别模型,比较识别准确度选出最优机器学习模型;基于特征波段融合图像和深度学习算法建立小麦赤霉病籽粒识别模型,通过比较识别准确度选出最优深度学习模型;搭建嵌入式深度学习实时检测系统,实现对于小麦赤霉病籽粒的在线实时检测。论文主要研究内容及结论如下:(1)研究健康小麦籽粒和患病小麦籽粒微观结构和内部成分变化对光谱的影响。在500和1000的放大倍数下用SEM扫描电子显微镜观察麦粉样品,发现健康麦粉内部淀粉颗粒结合紧密,随着脱氧雪腐镰刀菌烯醇(Deoxynivalenol,DON)含量增加,淀粉颗粒的结合越松散,在30、40、200和500倍的放大倍数下用SEM扫描电子显微镜观察籽粒样品,发现健康小麦籽粒表面饱满圆润并且质地紧密,感染赤霉病的小麦籽粒表面出现了凹坑和孔状结构,同时质地松软易损坏,患病籽粒表面呈现灰白干瘪状态,内部糊粉层遭到破坏,出现大量菌丝,多处细胞壁消失,存在了大量的空腔,空腔中布满菌丝,蛋白质和淀粉等大分子表面破损,呈现蜂窝状结构,有大量细碎小淀粉颗粒。随着感染程度加深,小麦籽粒表面布满菌丝,菌落基质呈现红色,部分菌落基质呈现深红色,导致感病小麦籽粒表面出现红头;参照GB/T 21305-2007、SN/T 2115-2008和GB/T 21304-2007分别检测小麦籽粒水分、蛋白质含量和硬度值,对检测数据进行显著性分析,T校验结果表明小麦感染赤霉病籽粒与健康籽粒的水分、蛋白质和硬度均存在显著性差异(P<0.05);对比健康小麦和感染小麦麦粉样品400-4000 cm-1的傅里叶变换红外光谱数据可知,蛋白质特征谱带2168-2180 cm-1的波峰有一定的下降,以及和蛋白质特征谱带的N-H伸缩振动有关的973-1020cm-1、1500-1530 cm-1和2050-2060 cm-1范围内的波峰均有下降现象,因此小麦籽粒感染赤霉病后,导致粗淀粉和粗蛋白含量下降,蛋白质含量的变化会引起傅里叶光谱的变化。小麦感染赤霉病籽粒在微观结构及内部成分上变化会影响高光谱图像的信息响应,为后续基于高光谱图像技术识别赤霉病籽粒提供理论支持。(2)研究基于光谱信息的小麦赤霉病籽粒机器学习识别方法。对于采集的小麦籽粒高光谱图像数据,采用ENVI软件提取对应的反射率文件,采用多元散射校正(Multiplicative scatter correction,MSC)和标准正态变量变换(Standard normal variate transformation,SNV)对数据进行预处理,用连续投影算法(Successive Projections Algorithm,SPA)和载荷系数法(X-Loading Weights,X-LW)对预处理操作过的数据进行特征波段的选择,最后基于筛选出的特征波段采用支持向量机(Support Vector Machine,SVM)和偏最小二乘判别分析(Partical least squares discriminant analysis,PLS-DA)进行建模,由结果可知样本总体的训练集准确率在80%以上,测试集的准确率也在80%以上,在同样的预处理方法和特征波段选择方式下,SVM算法建立的模型的识别准确率普遍高于PLS-DA算法建立的模型,其中SNV+SPA+SVM的性能最佳,训练准确率达到了97.31%、测试准确率达到了96.42%。(3)研究基于特征波段融合图像的小麦赤霉病籽粒深度学习识别方法。将特征波段算法筛选出的733、540、668 nm波段进行组合制作特征波段数据集,通过顺序裁剪的方式对图像的大小进行调整,将特征波段图像数据集分别制作成416×416 pix和1024×1024 pix大小的图像数据集,YOLO v3算法的数据集图像大小为416×416 pix,U-Net算法的数据集图像大小为1024×1024 pix,对两个深度学习网络的学习率和批次数量进行优化,结果表明U-Net效果最优,当学习率设置为0.001,批次数量设置为8,在迭代到3000次时准确率最高,达到了96.1%。(4)研究基于嵌入式深度学习实时检测系统。为了实现对于小麦赤霉病籽粒的在线实时检测,设计一条流水线,包含分隔模块、传送带、采集模块和控制模块,完成对小麦籽粒的逐粒传输和快速识别并输出检测结果,两块分隔板的槽宽分别设置为6 mm和5 mm,可以分隔开堆积的麦粒,根据工业相机采集的RGB图像数据建立深度学习U-Net模型,对网络参数进行优化,当学习率设置为0.001,batchsize设置为2,迭代次数设置为3000时,识别准确度度最高,达到了95.78%,将训练好的模型和硬件系统结合,实现对于小麦赤霉病麦粒的在线实时检测。

基于深度学习小麦赤霉病籽粒识别方法及在线检测系统研究

这是一篇关于高光谱成像,赤霉病,深度学习,YOLOv3,U-Net的论文, 主要内容为小麦赤霉病是由禾谷镰刀菌引起的真菌病害,是小麦生长过程中的主要病害之一,该病主要爆发在温暖潮湿和半潮湿地区,在扬花期前后,温度和气候变化会加速赤霉病的发生。赤霉病会导致小麦产量严重下降,同时,当人体摄入过量感染赤霉病的食物后,会出现晕眩、呕吐等症状,严重者会出现肠胃和神经系统的障碍,甚至诱发癌变,因此对于小麦赤霉病的防治刻不容缓。现阶段对于小麦赤霉病的检测方法主要是化学检测和人工检测,人工检测费时费力,具有主观性,并且长时间人眼观察会导致眼肌劳损,出现将健康和患病籽粒混淆的情况,降低了人工检测效率和判断准确率;化学检测主要为气相色谱法(Gas Chromatography,GC)、高效液相色谱法(High Performance Liquid Chromatography,HPLC)和酶联免疫法(Enzyme-Linked Immuno Sorbent Assay,ELISA)等,虽然检测精确,但是存在破坏样本、操作步骤复杂、检测时间过长和污染环境等问题,所以为了保障食品安全,需要开发一种快速无损检测小麦赤霉病的方法和在线快检设备。本文研究针对小麦感染赤霉病籽粒的快速无损检测方法及在线快速检测设备,以感染赤霉病的小麦籽粒和健康小麦籽粒为研究对象,采用SEM电镜观察健康样本和患病样本的微观结构变化,通过理化分析实验采集健康籽粒和患病籽粒的水分、蛋白质含量和硬度值,采集健康籽粒和患病籽粒400-4000 cm-1范围的红外光谱数据,分析微观结构和内部成分含量变化对光谱的影响;采集小麦籽粒400-1000 nm的高光谱图像数据并进行特征波段的提取,基于特征波段使用不同机器学习算法建立小麦赤霉病籽粒识别模型,比较识别准确度选出最优机器学习模型;基于特征波段融合图像和深度学习算法建立小麦赤霉病籽粒识别模型,通过比较识别准确度选出最优深度学习模型;搭建嵌入式深度学习实时检测系统,实现对于小麦赤霉病籽粒的在线实时检测。论文主要研究内容及结论如下:(1)研究健康小麦籽粒和患病小麦籽粒微观结构和内部成分变化对光谱的影响。在500和1000的放大倍数下用SEM扫描电子显微镜观察麦粉样品,发现健康麦粉内部淀粉颗粒结合紧密,随着脱氧雪腐镰刀菌烯醇(Deoxynivalenol,DON)含量增加,淀粉颗粒的结合越松散,在30、40、200和500倍的放大倍数下用SEM扫描电子显微镜观察籽粒样品,发现健康小麦籽粒表面饱满圆润并且质地紧密,感染赤霉病的小麦籽粒表面出现了凹坑和孔状结构,同时质地松软易损坏,患病籽粒表面呈现灰白干瘪状态,内部糊粉层遭到破坏,出现大量菌丝,多处细胞壁消失,存在了大量的空腔,空腔中布满菌丝,蛋白质和淀粉等大分子表面破损,呈现蜂窝状结构,有大量细碎小淀粉颗粒。随着感染程度加深,小麦籽粒表面布满菌丝,菌落基质呈现红色,部分菌落基质呈现深红色,导致感病小麦籽粒表面出现红头;参照GB/T 21305-2007、SN/T 2115-2008和GB/T 21304-2007分别检测小麦籽粒水分、蛋白质含量和硬度值,对检测数据进行显著性分析,T校验结果表明小麦感染赤霉病籽粒与健康籽粒的水分、蛋白质和硬度均存在显著性差异(P<0.05);对比健康小麦和感染小麦麦粉样品400-4000 cm-1的傅里叶变换红外光谱数据可知,蛋白质特征谱带2168-2180 cm-1的波峰有一定的下降,以及和蛋白质特征谱带的N-H伸缩振动有关的973-1020cm-1、1500-1530 cm-1和2050-2060 cm-1范围内的波峰均有下降现象,因此小麦籽粒感染赤霉病后,导致粗淀粉和粗蛋白含量下降,蛋白质含量的变化会引起傅里叶光谱的变化。小麦感染赤霉病籽粒在微观结构及内部成分上变化会影响高光谱图像的信息响应,为后续基于高光谱图像技术识别赤霉病籽粒提供理论支持。(2)研究基于光谱信息的小麦赤霉病籽粒机器学习识别方法。对于采集的小麦籽粒高光谱图像数据,采用ENVI软件提取对应的反射率文件,采用多元散射校正(Multiplicative scatter correction,MSC)和标准正态变量变换(Standard normal variate transformation,SNV)对数据进行预处理,用连续投影算法(Successive Projections Algorithm,SPA)和载荷系数法(X-Loading Weights,X-LW)对预处理操作过的数据进行特征波段的选择,最后基于筛选出的特征波段采用支持向量机(Support Vector Machine,SVM)和偏最小二乘判别分析(Partical least squares discriminant analysis,PLS-DA)进行建模,由结果可知样本总体的训练集准确率在80%以上,测试集的准确率也在80%以上,在同样的预处理方法和特征波段选择方式下,SVM算法建立的模型的识别准确率普遍高于PLS-DA算法建立的模型,其中SNV+SPA+SVM的性能最佳,训练准确率达到了97.31%、测试准确率达到了96.42%。(3)研究基于特征波段融合图像的小麦赤霉病籽粒深度学习识别方法。将特征波段算法筛选出的733、540、668 nm波段进行组合制作特征波段数据集,通过顺序裁剪的方式对图像的大小进行调整,将特征波段图像数据集分别制作成416×416 pix和1024×1024 pix大小的图像数据集,YOLO v3算法的数据集图像大小为416×416 pix,U-Net算法的数据集图像大小为1024×1024 pix,对两个深度学习网络的学习率和批次数量进行优化,结果表明U-Net效果最优,当学习率设置为0.001,批次数量设置为8,在迭代到3000次时准确率最高,达到了96.1%。(4)研究基于嵌入式深度学习实时检测系统。为了实现对于小麦赤霉病籽粒的在线实时检测,设计一条流水线,包含分隔模块、传送带、采集模块和控制模块,完成对小麦籽粒的逐粒传输和快速识别并输出检测结果,两块分隔板的槽宽分别设置为6 mm和5 mm,可以分隔开堆积的麦粒,根据工业相机采集的RGB图像数据建立深度学习U-Net模型,对网络参数进行优化,当学习率设置为0.001,batchsize设置为2,迭代次数设置为3000时,识别准确度度最高,达到了95.78%,将训练好的模型和硬件系统结合,实现对于小麦赤霉病麦粒的在线实时检测。

基于混合架构的高光谱图像多应用系统研究与实现

这是一篇关于高光谱成像,多应用系统,图像拼接,标签图像文件格式的论文, 主要内容为近年来,高光谱技术被应用于显微成像中,提供了传统彩色显微图像所不具有的光谱信息,许多研究者也开展了基于显微高光谱图像的病理研究工作,验证了其在医学领域应用中良好的发展前景与有效性。然而,由于高光谱成像设备的成本较高,数据不易获取,且大部分研究还处于探索阶段,所以导致了高光谱图像医学系统(医疗设备与功能软件)生态圈不如彩色图像发展蓬勃,特别是在全玻片扫描仪、数字切片浏览器、病理分析软件、病理图像库等方面。因此,在实验室已有的显微高光谱成像设备基础之上,本论文旨在设计、开发一套显微高光谱图像完整生命周期系统,为高光谱医学研究提供基础工具。为了使得系统具备更强的应用能力与更友好的交互能力,本文在整合C/S、B/S、SOA不同架构优势的基础上,进行了设计方案的优化。系统主要包括1个基础服务组件以及高光谱数据管理应用、高光谱图像处理软件与高光谱大区域影像浏览应用这3个顶层应用。在系统实现过程中,重点研究了针对高光谱图像的大区域影像格式以及显微图像序列拼接算法。对于大区域影像格式,本文调研了市面上不同厂商的全玻片图像格式,针对高光谱图像数据量庞大的问题提出了二维空间索引hyperslide与立方体阵列相结合的图像格式解决方案;对于显微图像序列拼接,本文针对传统基于特征点的图像拼接算法中无法有效利用高光谱信息以及显微图像序列配准复杂化等问题进行了改进,提出了结合先验约束与角点的图像拼接算法CSB,其在图像拼接的各个阶段采用了不同的加速方法与高光谱图像的适应策略,快速且准确地对本系统数据进行拼接,为生成hyperslide提供基础。系统的实际操作与拼接算法实验对比结果表明,本文设计的高光谱图像多应用系统覆盖了高光谱图像自采集后对数据进行发布、下载、大视场漫游、处理分析的完整生命周期,提高了自动化程度。大区域影像格式hyperslide为高光谱全玻片图像提供了一种有效、小数据量的解决方案,并解决了传统JPEG图像格式无法存储超大尺寸图像的问题。hyperslide与浏览应用的搭配也解决了JPEG图像内存占用量高的缺点。此外,相比于传统的基于特征点的图像拼接算法,CSB算法更有效地利用了高光谱图像的信息,且在更快速配准显微图像序列的同时也保证了精度。

基于高光谱成像技术的柑橘褐斑病早期检测方法研究

这是一篇关于柑橘褐斑病,早期检测,高光谱成像,光谱分析,深度学习的论文, 主要内容为柑橘易受交链格孢菌(Alternaria alternata)侵染引起褐斑病(Citrus Brown Spot,CBS),防治不及时可能导致病害的大面积蔓延,而CBS病害的早期检测有利于提高施药处方决策的准确性和综合防治的针对性。传统的分子技术等理化方法虽然能准确地检测CBS病害,但检测过程专业性较高、需对测试样品进行破坏性处理,且检测成本较高。高光谱成像技术能通过非接触方式准确感知柑橘内部品质信息,因此,本文结合高光谱成像技术,以未成熟柑橘果实(Tribute Citru)为研究对象,研究基于机器学习的CBS病害程度检测方法,以实现CBS病害的早期诊断,主要贡献如下:(1)采集了健康(Sound)和接种交链格孢菌的感病未成熟皇帝柑样品感兴趣区域(Region Of Interesting,ROI)的高光谱数据(387-1025 nm),并根据致病菌侵染时间将感病样品划分成CBS致病菌侵染早期阶段(CBS-E)和CBS病害发病期阶段(CBS-L);其中,Sound、CBS-E和CBS-L类样本的高光谱数据量分别为330、676和668例;进一步,评估了多元散射校正(Multiple Scattering Correction,MSC)、标准正态变量变换(Standard Normal Variate,SNV)和标准化(Standardize,SL)方法的高光谱数据预处理性能,结果表明,与其它预处理算法相比,MSC能显著提高不同类别果实局部高光谱响应曲线的类间差异性,更有利于描述健康和不同感病程度或阶段下柑橘果实的高光谱响应特征。(2)基于统计机器学习的两阶段CBS病害早期检测方法。为降低病害检测模型训练时的拟合难度,通过两阶段决策思想将三类模式分类的学习问题分解成两个串接的二元分类学习任务,先对Sound类柑橘果实样本和感病柑橘果实样本(包含CBS-E和CBS-L类)进行第一阶段二元模式判别建模,以滤除健康果实样本;随后对CBS-E和CBS-L两类感病样本进行第二阶段二元模式判别建模,实现CBS致病菌侵染早期阶段的柑橘果实判别。以两阶段决策思想为基础,采用竞争性自适应重加权采样(competitive adapative reweighted sampling,CARS)从MSC预处理后的高光谱数据中提取特征光谱波段,并结合支持向量机(support vector machine,SVM)建立两个决策阶段下的CBS病害判别模型;实验结果表明,本文方法能获得更准确的CBS病害检测结果,总体平均准确率达到了86.16%,比常规三类分类决策模型的准确率提高了1.59%;此外,本文方法对CBS病害的早期检测准确率达到了79.82%,比常规三类分类决策模型的准确率提高了5.73%。(3)基于深度学习的CBS病害早期检测方法。为减少高光谱图像中的冗余信息以及深度卷积神经网络的模型参数量,首先利用主成分分析(Principle Component Analysis,PCA)对高光谱数据进行降维,提取了累计贡献率最高的前三个主分量图像作为深度卷积神经网络模型的输入;进一步,评估了Le Net、Alex Net、Micro Net、G-Ghost Net和Mobile Net五种深度学习算法对CBS病害的早期检测性能。实验结果表明,结合维数约简后的高光谱图像有助于深度学习模型聚焦于感染面积较小、程度较轻的局部区域,更有利于实现CBS早期病害的准确检测,;得益于Dropout层降低了对模型训练时的过拟合程度,Alex Net获得了最优的CBS病害早期检测效果,其对CBS病害的总体平均准确率达到了95.6%,比基于统计机器学习的检测方法提高了9.44%;此外,Alex Net对CBS-E类的病害检测准确率达到了94.17%,比基于统计机器学习的检测方法提高了14.35%。