答辩博士：曹益飞
指导教师：徐焕良教授
论文题目：基于高光谱成像的水稻白叶枯病害AI检测与预测研究
答辩委员会：
主 席：白光伟教授/博导 南京工业大学
委 员：行鸿彦教授/博导 南京信息工程大学
汪小旵 教授/博导 皇冠
沈明霞 教授/博导 皇冠
倪 军教授/博导 皇冠
秘 书：伍学惠讲师 皇冠
答辩时间：2023年5月10日 下午14:30
答辩地点：浦口校区育贤楼C302
学位论文简介：
水稻是人类最重要的粮食作物，病害是制约水稻发展的主要障碍。白叶枯病(Bacterial Leaf Blight, BLB)作为水稻三大病害之一，每年都会发生，对水稻生产和粮食安全构成巨大威胁。为了阻断水稻白叶枯病害的大面积传播，检测和分级水稻病害叶片，尤其是检测与预测早期无症状病害将对白叶枯病害防治起到至关重要的作用。而传统的水稻病害检测和预测方式不仅成本高、效率低，而且时效性差，难以达到现代农业发展的要求。
近年来，随着光谱技术的发展，既可以获得光谱信息又可以获得图像信息的高光谱成像技术越来越多的应用到农作物病害检测方面。高光谱成像可以快速获取到病害引起的水稻叶片外部纹理和内部结构的变化信息，为快速检测和预测水稻叶片病害程度提供了丰富的数据来源。然而，高光谱数据的高维性也给数据的处理带来了巨大挑战，如何从高光谱数据中分析出对病害检测和预测有效的信息也是亟需解决的问题。一方面，由于光谱反射率曲线具有分形特征，利用分形理论对光谱反射率曲线进行分析，并基于此检测水稻病害有待进一步研究。另一方面，机器学习以其出色的数据分析能力越来越引起研究者的注意，结合机器学习和高光谱成像技术来检测和预测作物病害的研究也越来越多，而针对水稻白叶枯病害的检测及预测研究还比较欠缺。
如何使得水稻病害检测与预测从实验室走入实际应用中，本文以白叶枯病害胁迫下水稻叶片为研究对象，采用高光谱成像技术，对水稻叶片进行光谱成像，获取外部纹理和内部组成变化信息，采用机器学习的方法对水稻病害叶片高光谱图像进行分析，检测与分类水稻叶片有症状病害和无症状病害，预测病害的发病率和潜伏期，为水稻白叶枯病害治理及预防的精准化、智慧化提供研究基础。本文具体研究内容包括：
（1）首先，利用分形理论对病害胁迫下水稻叶片的高光谱反射率曲线复杂度进行分析，提出将光谱分形维数指数(Spectral Fractal Dimension Index, SFDI)作为描述水稻叶片是否感染白叶枯病害的植被指数(Vegetation Index, VI)，实现对白叶枯病害的检测。其次，将SFDI作为一个稳健的植被指数构建回归模型反演水稻病害叶片SPAD值，并对白叶枯胁迫下水稻叶片的病害等级进行分类。实验样本为分蘖期接种白叶枯病菌的水稻叶片，采集了373-1033nm波段的高光谱图像。从每一个样本图像中选取一个感兴趣区域（Region of Interest, ROI），截取450-950nm波长计算平均反射率光谱，经过Savitzky-Golay（SG）平滑处理得到平滑曲线。通过分析光谱参数和SFDI，建立光谱参数和SFDI之间的多元线性关系。另一方面，采集了6个病害等级下水稻病害叶片的高光谱图像和SPAD值，计算了6个等级下病害ROI平均光谱反射率曲线的SFDI及常见植被指数和平均SPAD值，分析了病害胁迫下反射率变化的规律及植被指数与SPAD值的相关性，构建了基于不同植被指数的叶绿素含量反演模型，比较了决策树模型(Decision Tree, DT)、偏最小二乘回归模型(Partial Least Squares Regression, PLSR)、支持向量回归模型(Support Vector Regression, SVR)和反向传播神经网络模型(Back Propagation Neural Network, BPNN)反演病害胁迫下水稻叶片SPAD值的性能。同时，构建了病害胁迫下水稻叶片病害等级的分类模型。结果表明：1）针对健康和感病叶片，水稻白叶枯病害在绿峰（510-570nm）和红谷（650-690nm）波谱内的响应较为敏感，SFDI与光谱参数之间存在较好的多元线性关系，说明SFDI与光谱曲线有较强的对应关系，可以作为定量描述叶片健康状况的植被指数。2)病害胁迫下，水稻叶片SPAD值随着病害程度的加深而逐渐下降，可见光波段反射率总体呈现逐渐上升的趋势；SPAD值与可见光谱反射率具有较强的相关性，相关系数达到0.8261，且SFDI较其他植被指数能更精确反演SPAD值。3)与其他回归模型相比，基于SFDI的支持向量回归模型反演效果最好，对SPAD值具有较好的反演能力，建模集的R2为0.8853，RMSE为1.0231，RE为7.25%；4）基于SPAD值构建的SVR模型对病害等级分类准确率最高，测试集准确率为85.93%，比基于SFDI构建的SVR模型识别准确率提升了7.30%。结果说明基于光谱反射曲线的SFDI对判断水稻叶片是否感染白叶枯病害是可行的。解决了当前常用植被指数对病害胁迫下水稻病害叶片SPAD值反演精度低的问题，并实现基于SPAD值对病害等级进行分类。
（2）提出了深度学习结合高光谱成像技术对水稻早期无症状白叶枯病害检测的模型，并利用显著图对敏感波长进行性可解释性分析。利用主成分分析（Principle Component Analysis,PCA）和随机森林（Random Forest, RF）分别从经过平滑处理的450至950nm之间的原始高光谱图像中提取特征主成分（Principle Components,PCs）和特征波长，构建不同的数据集训练深度学习模型，比较了不同输入特征个数的3DCNN模型的检测性能；在最优模型中加入光谱空洞卷积（Spectral Dilated Convolution, SDC）模块来优化模型的性能，并比较了不同光谱空洞率（Spectral Dilated Ratio, SDR）对模型性能的影响。最后，利用显著图对敏感波长进行可解释性分析。结果表明：1）当3DCNN模型的输入特征数为50时，对水稻叶片无症状病害的检测性能最优，且基于RF提取的前50个特征波长的检测性能优于基于PCA提取的前50个PCs的检测性能；2）设定输入为50个敏感特征波长，在最优模型中加入SDC模块，当SDR设置为5时，SDC-3DCNN模型的检测准确度达到最优为95.4427%；3）对病害敏感的波长位于530到570nm之间，基于RF提取的前10个特征波长中有8个与基于显著图分析得到的敏感波长重叠。研究结果说明将高光谱成像与深度学习相结合可以有效识别水稻早期无症状BLB病害，为病害早期预警和病害预防提供技术支持。
（3）提出多任务学习(Multi-Task Learning, MTL)与长短期记忆（Long Short-Term Memory, LSTM）网络融合的预测模型对水稻病害发病率和潜伏期进行预测，并利用鲸鱼优化算法（Whale Optimization Algorithm, WOA）对MTL-LSTM模型进行优化。为了实现水稻白叶枯病害的预测，连续采集了从接种病菌到早期发病，共7天的白叶枯病害胁迫下的叶片高光谱图像。利用SG算法对高光谱图像进行预处理，并利用PCA和RF算法提取光谱特征，构建水稻白叶枯病害MTL-LSTM网络预测模型预测白叶枯病害发病率和潜伏期，并提出利用WOA对MTL-LSTM模型进行优化，提升模型的预测性能。实验结果表明：1）PCA和RF可以有效地从高光谱图像中提取光谱特征，基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能，前者的建模时间比后者降低了约98%；2）基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期结果，基于前10个特征波长构建的MTL-LSTM模型取得了最优的预测性能，对发病率和潜伏期预测测试集的R2分别为0.93和0.85，RMSE分别为0.34和2.12，RE分别为0.33%和1.21%；3）通过WOA算法可以提升MTL-LSTM的预测性能，对发病率和潜伏期预测的R2均提升了0.05。本研究结果说明基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期，为水稻白叶枯病害的预防提供了技术支持。
主要创新点如下：
（1）首次将分形理论运用到水稻病害叶片高光谱图像的分析，提出将光谱分形维数作为一个稳定的植被指数来定量描述水稻叶片是否患病。
（2）将光谱分形维数指数运用到病害胁迫下水稻病害叶片的SPAD值估测，并将SPAD值作为水稻白叶枯病害等级分类的一个指标。
（3）针对高光谱图像的高维属性带来的计算复杂度高的难题，利用随机森林算法提取特征波长来降低数据维度，提出SDC-3DCNN模型来检测早期无症状水稻病害，并比较了不同输入特征数量下的3DCNN模型的性能及不同空洞卷积率下SDC-3DCNN模型的检测性能，同时利用显著图对敏感波长进行可视化。
（4）利用多目标长短时记忆神经网络对水稻白叶枯病害发病率及潜伏期进行预测，并利用鲸鱼优化算法对对模型进行优化，以提高预测模型的精度。
