高光譜圖像在農(nóng)作物病害檢測識別中的研究進展

胡政 張艷 尚靜 張楷文

摘要：農(nóng)作物病害無損檢測是保證作物產(chǎn)量和質(zhì)量的關(guān)鍵環(huán)節(jié)，起到及時發(fā)現(xiàn)病害、指導(dǎo)農(nóng)藥的使用、減少經(jīng)濟損失等作用。本文介紹了高光譜成像技術(shù)用于農(nóng)作物病害檢測的原理;從支持向量機、偏最小二乘回歸、深度學(xué)習(xí)識別算法方面綜述了2017—2021年高光譜成像技術(shù)在農(nóng)作物病害檢測中的國內(nèi)外研究進展;分析了作物病害高光譜圖像識別算法的原理和分類流程，對3種深度學(xué)習(xí)算法：[深度置信網(wǎng)絡(luò)（DBN）、基于自編碼網(wǎng)絡(luò)（AE）的棧式自編碼網(wǎng)絡(luò)（SAE）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）]在農(nóng)作物病蟲害高光譜圖像識別方面的應(yīng)用進行優(yōu)缺點對比;對常見深度學(xué)習(xí)分類指標(biāo)計算過程和原理進行說明;指出高光譜檢測識別農(nóng)作物病害中面臨的問題：異物同譜、數(shù)據(jù)預(yù)處理特征提取過程繁雜、數(shù)據(jù)量小且訓(xùn)練數(shù)據(jù)不平衡，并針對這些問題給出未來的研究方向。

關(guān)鍵詞：高光譜成像;病害無損檢測;深度學(xué)習(xí);圖像識別

中圖分類號：S127;TP391.41? 文獻標(biāo)志碼： A

文章編號：1002-1302（2022）08-0049-06

近年來，由于我國農(nóng)作物病害嚴(yán)重、受害面積廣、糧食損失比重大，且防治挽回損失效果不理想[1]，因此對農(nóng)作物進行病害檢測在農(nóng)作物病害防治過程中顯得極為重要。傳統(tǒng)的農(nóng)作物病害診斷方法有2種：一是病害癥狀觀察法，結(jié)合病原菌形態(tài)特征及過往經(jīng)驗進行識別，但主觀性強，對農(nóng)作物病害專家依賴性較大;二是酶聯(lián)免疫法，可靈敏地檢測農(nóng)作物中病毒蛋白含量，但價格高，在農(nóng)作物細菌和真菌病害檢測方面應(yīng)用較少。隨著精細化農(nóng)業(yè)的興起，成像技術(shù)為農(nóng)作物病害識別提供了新的思路，并成為替代傳統(tǒng)檢測方法的重要技術(shù)手段[2]。高光譜成像技術(shù)[3]在農(nóng)作物病害識別過程中相對于傳統(tǒng)識別技術(shù)具有無損性、及時性、高準(zhǔn)確性、環(huán)保等優(yōu)勢，能檢測出農(nóng)作物感染病害早期時的內(nèi)在生理信息的變化，包括蛋白質(zhì)、酶類抗氧化指標(biāo)、氨基酸類等，與其他成像技術(shù)如機器視覺技術(shù)[4]、紅外熱成像技術(shù)[5]等相比，對早期農(nóng)作物病害識別具有更高的靈敏性。本文主要介紹高光譜成像技術(shù)為代表的檢測技術(shù)和以深度學(xué)習(xí)為代表的高光譜圖像識別算法在農(nóng)作物病害無損檢測中的研究進展。

1 高光譜成像技術(shù)用于農(nóng)作物病害檢測的原理

農(nóng)作物受到病害脅迫時，內(nèi)部的生理活動與外部物理結(jié)構(gòu)會發(fā)生變化，同時其光譜特征也發(fā)生相應(yīng)的改變，這種改變間接反映出農(nóng)作物在病害脅迫下的生理特性，因此可根據(jù)光譜的變化來監(jiān)測作物的早期病害情況（圖1）[6]。

光的波長跨越范圍很廣，人的肉眼只能看到400～700 nm波長，該波段可反映出作物的表型特征，如枯黃、損傷等;低于400 nm的是紫外光，高于700 nm的叫紅外光，這些都是人眼無法直接觀測到的波段，這些波段往往能夠反映出作物更深層次的內(nèi)在生理特征，如作物的蛋白、水分含量、葉肉細胞變化等。高光譜成像技術(shù)通常將可見光到近紅外光波段（400～1 000 nm）分為幾十甚至上百個相鄰窄波段，并在每個窄波段分別進行成像。圖像信息反映出農(nóng)作物的外部特征，光譜曲線反映出農(nóng)作物內(nèi)部生理結(jié)構(gòu)與化學(xué)成分信息，因此高光譜圖像的信息量十分豐富，近年來，該技術(shù)在糧食作物、經(jīng)濟作物、蔬菜作物及果類等方面得到廣泛應(yīng)用[7-10]。

2 農(nóng)作物早期病害高光譜圖像識別的研究

圖像的識別，是指提取圖像特征作為目標(biāo)，建立分類器，達到識別目標(biāo)的過程[11]。穩(wěn)定、快速、高準(zhǔn)確率的識別算法一直都是研究者的追求目標(biāo)。識別有基于形狀、紋理、統(tǒng)計等，根據(jù)識別數(shù)量的不同，有二分類器和多分類器，其中多分類器是二分類器的組合。對國內(nèi)外文獻分析，發(fā)現(xiàn)在農(nóng)作物病害的高光譜圖像識別中常用的分類方法有支持向量機[12]、偏最小二乘法回歸[13]、深度學(xué)習(xí)[14]。

2.1 支持向量機

支持向量機（SVM）是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進行二分類的廣義線性分類器，通過將輸入空間樣本映射到另一高維特征空間解決線性不可分問題，被廣泛用于作物病害高光譜數(shù)據(jù)的識別中。褚璇利用高光譜成像技術(shù)對單種霉菌和混合菌以單點或傾注接種方式在不同類型培養(yǎng)基中和玉米粒上生長1～6 d，并拍攝其高光譜圖像，以連續(xù)投影（SPA）挑選特征波長結(jié)合SVM建模，判別準(zhǔn)確率達99.5%以上[15]。Baek等利用高光譜成像對細菌性穗枯?。˙G）感染的變色病態(tài)水稻種子進行檢測，建立了支持向量機（SVM）、線性和二次判別分析（LDA和QDA）模型，結(jié)果表明，當(dāng)僅使用2個或3個特征波長時，所有分類方法對樣本測試集和驗證集都達到了90%以上的分類準(zhǔn)確率[16]。Bohnenkamp等利用地面車輛和無人機2個測量平臺，采用支持向量機（SVM）判別模型對小麥黃銹病的高光譜圖像進行識別，基于地面車輛和無人機測量平臺所得高光譜圖片的識別準(zhǔn)確率最高分別可達92.3%和83.0%[17]。蔣錦琳以不同感病程度辣椒作為檢測樣本，基于高光譜成像技術(shù)采用SVM分別基于全譜、特征波長和特征植被指數(shù)來建立穩(wěn)健的辣椒疫病三級感病程度分級模型，其中，特征波長與特征植被指數(shù)所建立的三級感病程度分級模型準(zhǔn)確率達到99.75%[18]。劉爽以小麥赤霉病籽粒高光譜信息提取技術(shù)及識別模型的研究為切入點，利用SVM模型和SVM散射校正模型二次分類的方法將測試集在SPA特征空間中的分類精度提升至88.98%，研究結(jié)果表明利用高光譜成像技術(shù)結(jié)合數(shù)據(jù)處理算法可實現(xiàn)小麥赤霉病籽粒的原位快速可視化識別，有助于提高小麥赤霉病的檢測效率、數(shù)量及降低漏檢率[19]。在農(nóng)作物病害高光譜圖片識別中，SVM有堅實的理論基礎(chǔ)和較強的推廣能力，針對非線性、小樣本和高維模式等問題具有獨特的優(yōu)勢，并結(jié)合相應(yīng)的預(yù)處理和特征提取方法能達到一個較高的識別率。

2.2 偏最小二乘回歸

偏最小二乘回歸（PLSR）是一種統(tǒng)計學(xué)方法，通過將預(yù)測變量和觀測變量投影到一個新空間，來尋找一個線性回歸模型，能夠建立光譜信息與成分之間的對應(yīng)關(guān)系，是目前植物病害近紅外高光譜圖像識別應(yīng)用最多的建模方法[20]，程帆等應(yīng)用可見/近紅外高光譜對細菌性角斑病早期脅迫下的黃瓜葉片中所含過氧化物酶（POD）活性進行檢測，并建立過氧化物酶活性值的偏最小二乘回歸（PLSR）預(yù)測模型，最終得到預(yù)測集相關(guān)系數(shù)為0.816，預(yù)測均方根誤差為11.235，研究結(jié)果表明，高光譜結(jié)合化學(xué)計量學(xué)方法可以實現(xiàn)細菌性角斑病早期脅迫下黃瓜葉片中過氧化物酶活性的測定[21]。偏最小二乘判別分析（PLS-DA）是基于偏最小二乘回歸分析的判別分析方法，判別分析是一種通過觀察或測量得到的變量值，去判別研究對象怎樣分類的統(tǒng)計分析方法。Gold等利用高光譜成像技術(shù)對馬鈴薯晚疫病和早疫病的癥前特征進行檢測識別，采用偏最小二乘判別分析（PLS-DA）建立分類模型，試驗結(jié)果表明，在出現(xiàn)明顯病癥前的2～4 d，高光譜測量可以檢測并區(qū)分馬鈴薯的晚疫病和早疫病，準(zhǔn)確率均在80%以上[22]。Pérez-Roncal等采用高光譜成像技術(shù)（900～1 700 nm光譜范圍）對黑葡萄白粉病進行檢測，建立平滑（SM）、標(biāo)準(zhǔn)正態(tài)變量（SNV）和均值居中（MC）預(yù)處理組合的偏最小二乘判別分析（PLS-DA）模型獲得了最佳的識別率，交叉驗證模型準(zhǔn)確率為85.33%，結(jié)果表明高光譜成像技術(shù)結(jié)合化學(xué)計量學(xué)可用于黑葡萄白粉病的檢測[23]。

2.3 基于深度學(xué)習(xí)的農(nóng)作物病害高光譜圖像識別方法

深度學(xué)習(xí)起源于神經(jīng)網(wǎng)絡(luò)，是人工智能的一個分支，對比傳統(tǒng)深層神經(jīng)網(wǎng)絡(luò)，它具有更多隱藏層，將特征提取與分類放到一個結(jié)構(gòu)中，利用深層次非線性學(xué)習(xí)模型對復(fù)雜函數(shù)逼近，自動從樣本集中進行特征逐層提取，學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征，得到最優(yōu)識別模型[24]。利用深度學(xué)習(xí)強大的圖像分類能力能從高維、信息量巨大的農(nóng)作物高光譜圖像中自動提取出有利于提高分類準(zhǔn)確度的特征，極大地提高了識別的精確性與魯棒性，識別流程見圖2。

目前，在高光譜農(nóng)作物病害圖像識別領(lǐng)域的深度學(xué)習(xí)主要有3種模型：深度置信網(wǎng)絡(luò)（DBN）、基于自編碼網(wǎng)絡(luò)（AE）的棧式自編碼網(wǎng)絡(luò)（SAE）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）[25]。3種深度學(xué)習(xí)模型在農(nóng)作物高光譜圖像識別中的優(yōu)缺點見表1。

CNN在圖像分類、場景分割、目標(biāo)檢測等方面有著非常多的應(yīng)用，并取得非常顯著的成果，與SAE及DBN相比，CNN是目前在高光譜圖像分類領(lǐng)域里應(yīng)用最多的深度學(xué)習(xí)模型，具體有visual geometry group network（VGGNet）、residual neural network（ResNet）、Google neural network（GoogleNet）、LeCun neural network （LeNet）等結(jié)構(gòu)模型[26-29]，處理流程見圖3。

CNN網(wǎng)絡(luò)的處理目的是找到損失函數(shù)值最小參數(shù)，其中隨機梯度下降法是處理的核心操作，運算時沿梯度的方向更新參數(shù)，并重復(fù)這個步驟，直到找出損失函數(shù)值最小參數(shù)[30]。基于CNN的高光譜作物病害的圖像分類方法主要可以分為2類[31]：基于譜特征的分類方法、基于圖像特征的分類方法。

2.3.1 基于譜特征的分類方法

高光譜圖像的光譜信息十分豐富，能夠從每一個像素提取出1條由譜信息組成的一維向量，利用該一維向量進行圖像的分類即為基于譜特征的分類。王建濤等以柑橘正常葉片、煤煙病葉片、潰瘍病葉片、紅蜘蛛葉片、草甘膦病葉片為研究樣本，采集400～1 000 nm的128個波段的高光譜圖像，并進行灰板校正的預(yù)處理;提取感興趣區(qū)域的光譜信息，輸入由輸入層、卷積層、池化層、全連接層和輸出層組成的VGG16 卷積神經(jīng)網(wǎng)絡(luò)，每個卷積層加入激活函數(shù) ReLU以增強網(wǎng)絡(luò)的非線性，模型中的池化層采用的是最大池化，能夠?qū)崿F(xiàn)特征降維、光滑數(shù)據(jù);全連接層擁有512個神經(jīng)元，輸出層個數(shù)是5個，用以識別柑橘正常葉片和其他4種柑橘病葉片，試驗結(jié)果表明，在學(xué)習(xí)率為0.001和迭代次數(shù)為1 000次時，算法平均準(zhǔn)確率為98.75%[26]。

從高光譜圖像提取到的光譜由于譜間相關(guān)性強、冗余大等特點，直接輸入卷積神經(jīng)網(wǎng)絡(luò)得到的識別速度和效果不理想，通常會對原始光譜做一些平滑、去噪處理，以及特征波段的提取，具體算法有多元散射校正、正態(tài)變換、微分平滑等，基于譜特征分類的深度學(xué)習(xí)網(wǎng)絡(luò)模型具有網(wǎng)絡(luò)簡單、計算量小等優(yōu)點，但容易發(fā)生過擬合，需要根據(jù)實際的需要對模型作出調(diào)整。

2.3.2 基于圖像特征的分類方法

光譜的每一個波段都對應(yīng)著1張灰度圖，反映出農(nóng)作物病害在不同波段的空間信息。利用這些二維灰度圖像的分類為基于圖像特征的分類。黃雙萍等以1 467株田間采集的水稻穗株為試驗對象，采用Gaia Field-F-V10便攜式戶外高光譜成像儀在自然光照條件下拍攝水稻穗株高光譜圖像，利用GoogLeNet建立的深度卷積模型，采用隨機梯度下降算法（SGD）優(yōu)化GoogLeNet模型[28]，具體流程見圖4。

GoogLeNet是一個深度卷積神經(jīng)網(wǎng)絡(luò)模型，需要大量數(shù)據(jù)和標(biāo)定監(jiān)督機制進行模型訓(xùn)練。由于原始穗株高光譜數(shù)據(jù)采集過程耗時，耗力且高成本，原始數(shù)據(jù)采集不足，訓(xùn)練數(shù)據(jù)不平衡（正負訓(xùn)練樣本比約為8）。黃雙萍等提出了2種數(shù)據(jù)增強策略：第1種是依據(jù)高光譜成像儀具有超高光譜維度上的分辨率特性，隨機扔棄波段圖像和隨機平移平均高光譜圖像亮度[28]。隨機扔棄波段的數(shù)據(jù)增強策略是從高光譜圖像260個波段中隨機扔棄1個波段信息，再計算平均譜圖像;第2種是隨機平移平均光譜圖像亮度，便攜戶外高光譜儀采集水稻穗株高光譜圖像在動態(tài)變化的自然光條件下進行，使平均譜圖像呈現(xiàn)明顯亮度差異，為增強GoogLeNet模型對光照變化的適應(yīng)性，隨機平移光譜圖像亮度增強數(shù)據(jù)，增加數(shù)據(jù)在光照亮度維方面的多樣性，可以增加成倍訓(xùn)練數(shù)據(jù)量，增加樣本多樣性，提升模型泛化能力。結(jié)果表明，利用GoogLeNet建立的深度卷積模型，可以很好地實現(xiàn)水稻穗瘟病害的精準(zhǔn)檢測，克服室外自然光條件下利用光譜圖像進行病害預(yù)測面臨的困難，將該類研究往實際生產(chǎn)應(yīng)用推進一大步。

由于譜間相關(guān)性強、冗余大等特點，對應(yīng)得到的灰度圖同樣也有著這些特點，直接輸入卷積神經(jīng)網(wǎng)絡(luò)會使得識別速度和效果不理想，通常會對圖片做一些降噪、壓縮、減少相關(guān)性等處理，具體處理有主成分分析、最小噪聲分離、波段比計算等，深度學(xué)習(xí)模型擅長處理二維圖片，具有較強的魯棒性，能提取圖片的深層、穩(wěn)定、內(nèi)在的特征，現(xiàn)實生活中也有著大量的成熟算法和經(jīng)驗可以借鑒，基于圖片特征分類的深度學(xué)習(xí)網(wǎng)絡(luò)模型能夠得到一個相對較高的識別率，但由于高光譜圖像的數(shù)據(jù)有限往往容易發(fā)生過擬合。

2.4 模型的評估與性能度量

通常通過試驗測試來評估識別模型的性能，因此將數(shù)據(jù)集化分為測試集和訓(xùn)練集，常見的劃分方法有留出法[32]、交叉驗證法[33]。留出法和交叉驗證法都是保留一部分樣本用于測試，因此會導(dǎo)致訓(xùn)練樣本不足，雖然交叉驗證法影響訓(xùn)練樣本較少，但計算的復(fù)雜度太高。

深度學(xué)習(xí)在農(nóng)作物病害圖像識別與分類中均表現(xiàn)出良好的性能、識別快、魯棒性好、泛化能力強[34]。為評價深度學(xué)習(xí)模型在高光譜圖像上的識別效果通常會采用評價指標(biāo)：準(zhǔn)確率（Acc）、召回率（R）、平均正確率（MAP）、均方誤差（RMSE）? 、平均絕對誤差（MAE）、F1值等[35-40]，具體見表2。

準(zhǔn)確率和召回率是相對矛盾的性能度量，通常準(zhǔn)確率高那召回率就低;而召回率高則準(zhǔn)確率就低，但在一些簡單的任務(wù)中召回率和準(zhǔn)確率都能達到一個較高的值。在一些任務(wù)中，對準(zhǔn)確率和召回率的重視程度不同，通過F1值能夠表現(xiàn)出針對準(zhǔn)確率或召回率不一樣偏重。

3 存在的問題與展望

通過總結(jié)分析當(dāng)前的作物病害高光譜檢測技術(shù)及發(fā)展現(xiàn)狀，可以發(fā)現(xiàn)，雖然在作物的病害種類識別、作物病害的程度分級、作物病害的早期檢測已經(jīng)取得了很好的效果[41]，但仍然面臨著問題，主要有異物同譜現(xiàn)象（不同的作物病害在光譜上的表征相同）;高光譜數(shù)據(jù)量大、相關(guān)性強等，要結(jié)合繁雜的數(shù)據(jù)預(yù)處理和特征提取才能有個較高的識別;高光譜數(shù)據(jù)采集過程耗時耗力且成本高導(dǎo)致原始數(shù)據(jù)采集不足，訓(xùn)練數(shù)據(jù)不平衡。

結(jié)合以上問題未來在農(nóng)作物病害無損檢測和識別可以從以下幾點繼續(xù)深入研究：

（1）針對異物同譜的問題，未來可以從提高高光譜檢測技術(shù)的光譜維度上的分辨率，以期在更高的精度下找出光譜數(shù)據(jù)間的差異。

（2）深度學(xué)習(xí)算法結(jié)構(gòu)簡單，能夠自動提取所需要的特征進行并行運算實現(xiàn)高效的分類，未來可以深入研究適合作物病害高光譜識別的深度學(xué)習(xí)算法，尋找合適的超參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)和層次、優(yōu)化算法等。

（3）深度學(xué)習(xí)算法需要大量的學(xué)習(xí)樣本，一方面可以結(jié)合高光譜圖像的數(shù)據(jù)量大、波段多的特點隨機波段圖片組合形成大量樣本;另一方面可以改進算法，多種算法結(jié)合以少量學(xué)習(xí)樣本得到一個較高的識別準(zhǔn)確率，如結(jié)合遷移學(xué)習(xí)的應(yīng)用。

參考文獻：

[1]劉萬才，劉振東，黃 沖，等. 近10年農(nóng)作物主要病蟲害發(fā)生危害情況的統(tǒng)計和分析[J]. 植物保護，2016，42（5）：1-9.

[2]Khan S，Tufail M，Khan M T，et al. Deep learning-based identification system of weeds and crops in strawberry and pea fields for a precision agriculture sprayer[J]. Precision Agriculture，2021，22（6）：1711-1727.

[3]張德榮，方 慧，何 勇.可見/近紅外光譜圖像在作物病害檢測中的應(yīng)用[J]. 光譜學(xué)與光譜分析，2019，39（6）：1748-1756.

[4]黨滿意，孟慶魁，谷 芳，等. 基于機器視覺的馬鈴薯晚疫病快速識別[J]. 農(nóng)業(yè)工程學(xué)報，2020，36（2）：193-200.

[5]楊成婭，張 艷，趙明珠，等. 基于紅外熱像的農(nóng)作物早期病害檢測識別技術(shù)的研究進展[J]. 激光雜志，2020，41（6）：1-4.

[6]張 初.基于光譜與光譜成像技術(shù)的油菜病害檢測機理與方法研究[D]. 杭州：浙江大學(xué)，2016.

[7]韓 雨，劉煥軍，張新樂，等. 基于冠層光譜的水稻穗頸瘟病害程度預(yù)測模型[J]. 光譜學(xué)與光譜分析，2021，41（4）：1220-1226.

[8]Riefolo C，Antelmi I，Castrignanò A，et al. Assessment of the hyperspectral data analysis as a tool to diagnose Xylella fastidiosa in the asymptomatic leaves of olive plants[J]. Plants，2021，10（4）：683.

[9]Manganiello G，Nicastro N，Caputo M，et al. Functional hyperspectral imaging by high-related vegetation indices to track the wide-spectrum Trichoderma biocontrol activity against soil-borne diseases of baby-leaf vegetables[J]. Frontiers in Plant Science，2021，12：630059.

[10]Bendel N，Backhaus A，Kicherer A，et al. Detection of two different grapevine yellows in Vitis vinifera using hyperspectral imaging[J]. Remote Sensing，2020，12（24）：4151.

[11]宮 銘. 計算機圖像識別技術(shù)的應(yīng)用及細節(jié)問題闡述與分析[J]. 信息與電腦（理論版），2019（1）：7-8.

[12]Zhao J L，F(xiàn)ang Y，Chu G M，et al. Identification of leaf-scale wheat powdery mildew （Blumeria graminis f. sp. tritici） combining hyperspectral imaging and an SVM classifier[J]. Plants，2020，9（8）：936.

[13]Garriga M，Romero-Bravo S，Estrada F，et al. Estimating carbon isotope discrimination and grain yield of bread wheat grown under water-limited and full irrigation conditions by hyperspectral canopy reflectance and multilinear regression analysis[J]. International Journal of Remote Sensing，2021，42（8）：2848-2871.

[14]Yang W，Nigon T，Hao Z Y，et al. Estimation of corn yield based on hyperspectral imagery and convolutional neural network[J]. Computers and Electronics in Agriculture，2021，184：106092.

[15]褚 璇. 谷物霉菌的高光譜成像辨識方法和霉變玉米籽粒檢測方法研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2018.

[16]Baek I，Kim M，Cho B K，et al. Selection of optimal hyperspectral wavebands for detection of discolored，diseased rice seeds[J]. Applied Sciences，2019，9（5）：1027.

[17]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.

[18]蔣錦琳. 基于高光譜成像技術(shù)的辣椒疫病和品質(zhì)分析研究[D]. 杭州：浙江大學(xué)，2019.

[19]劉 爽. 小麥赤霉病高光譜信息多循環(huán)提取及組合式識別研究[D]. 北京：中國科學(xué)院大學(xué)，2019.

[20]Zeng W Z，Zhang D Y，F(xiàn)ang Y H，et al. Comparison of partial least square regression，support vector machine，and deep-learning techniques for estimating soil salinity from hyperspectral data[J]. Journal of Applied Remote Sensing，2018，12：022204.

[21]程 帆，趙艷茹，余克強，等. 基于高光譜技術(shù)的病害早期脅迫下黃瓜葉片中過氧化物酶活性的研究[J]. 光譜學(xué)與光譜分析，2017，37（6）：1861-1865.

[22]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.

[23]Pérez-Roncal C，López-Maestresalas A，Lopez-Molina C，et al. Hyperspectral imaging to assess the presence of powdery mildew （Erysiphe necator） in cv. carignan noir grapevine bunches[J]. Agronomy，2020，10（1）：88.

[24]段艷杰，呂宜生，張 杰，等. 深度學(xué)習(xí)在控制領(lǐng)域的研究現(xiàn)狀與展望[J]. 自動化學(xué)報，2016，42（5）：643-654.

[25]周 峰. 基于深度學(xué)習(xí)的光譜圖像分類方法研究[D]. 南京：南京信息工程大學(xué)，2021.

[26]王建濤，吳葉蘭，廖 禺，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的柑橘病葉高光譜分類[J]. 信息技術(shù)與信息化，2020（3）：84-87.

[27]桂江生，吳子嫻，李 凱. 基于卷積神經(jīng)網(wǎng)絡(luò)模型的大豆花葉病初期高光譜檢測[J]. 浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2019，45（2）：256-262.

[28]黃雙萍，孫 超，齊 龍，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（20）：169-176.

[29]金 秀，盧 杰，傅運之，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的小麥赤霉病高光譜病癥點分類方法[J]. 浙江農(nóng)業(yè)學(xué)報，2019，31（2）：315-325.

[30]Kutluk S，Kayabol K，Akan A. A new CNN training approach with application to hyperspectral image classification[J]. Digital Signal Processing，2021，113：103016.

[31]Nguyen C，Sagan V，Maimaitiyiming M，et al. Early detection of plant viral disease using hyperspectral imaging and deep learning[J]. Sensors，2021，21（3）：742.

[32]王國偉，劉嘉欣. 基于卷積神經(jīng)網(wǎng)絡(luò)的玉米病害識別方法研究[J]. 中國農(nóng)機化學(xué)報，2021，42（2）：139-145.

[33]樊湘鵬，周建平，許 燕，等. 數(shù)據(jù)集對基于深度學(xué)習(xí)的作物病害識別有效性影響[J]. 中國農(nóng)機化學(xué)報，2021，42（1）：192-200.

[34]李建華，郝 炘，牛明雷，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害識別[J]. 中國農(nóng)業(yè)信息，2019，31（3）：39-47.

[35]孫 俊，譚文軍，毛罕平，等. 基于改進卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（19）：209-215.

[36]鄭二功，田迎芳，陳 濤. 基于深度學(xué)習(xí)的無人機影像玉米倒伏區(qū)域提取[J]. 河南農(nóng)業(yè)科學(xué)，2018，47（8）：155-160.

[37]張善文，張傳雷，丁 軍. 基于改進深度置信網(wǎng)絡(luò)的大棚冬棗病蟲害預(yù)測模型[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（19）：202-208.

[38]周翔宇，程 勇，王 軍. 基于改進深度信念網(wǎng)絡(luò)的農(nóng)業(yè)溫室溫度預(yù)測方法[J]. 計算機應(yīng)用，2019，39（4）：1053-1058.

[39]譚建燦，毛克彪，左志遠，等. 基于卷積神經(jīng)網(wǎng)絡(luò)和AMSR2微波遙感的土壤水分反演研究[J]. 高技術(shù)通訊，2018，28（5）：399-408.

[40]戴澤翰，鄭 正，黃莉舒，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的柑橘黃龍病癥狀識別[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報，2020，41（4）：111-119.

[41]Lowe A，Harrison N，F(xiàn)rench A P.Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress[J]. Plant Methods，2017，13：80.