* Для переписки: hanxiongzhe@kangwon.ac.kr; тел.: +82-33-250-6492

Цитирование: Kuswidiyanto, L.W.; Noh, H.H.; Han, X. Plant Disease Diagnosis Using Deep Learning Based on Aerial Hyperspectral Images: A Review. Remote Sens. 2022, 14, 6031. https://doi.org/10.3390/rs14236031

Научный редактор: Xanthoula Eirini Pantazi. Получено: 13 октября 2022 г.; принято: 24 ноября 2022 г.; опубликовано: 28 ноября 2022 г.

Болезни растений вызывают значительные экономические потери в мировой сельскохозяйственной отрасли. Одной из актуальных задач сельского хозяйства является разработка надёжных методов выявления болезней растений и растительного стресса. Существующие методы обнаружения заболеваний преимущественно основаны на ручной визуальной оценке сельскохозяйственных культур по видимым признакам болезни. Быстрое развитие беспилотных летательных аппаратов (БПЛА) и технологии гиперспектральной визуализации создало широкие возможности для выявления болезней растений. Бортовые системы гиперспектрального дистанционного зондирования (HRS) на базе БПЛА, обладающие высоким спектральным, пространственным и временным разрешением, заменяют традиционные методы ручного обследования, поскольку позволяют точнее и экономичнее анализировать сельскохозяйственные культуры и характеристики растительности. Цель настоящей статьи — представить обзор литературы по применению HRS для выявления заболеваний на основе алгоритмов глубокого обучения. Предшествующие публикации отбирались по ключевым словам «гиперспектральный», «глубокое обучение», «БПЛА» и «болезнь растений». В статье изложены базовые сведения о гиперспектральной визуализации, применении БПЛА для аэросъёмки и классификаторах на основе глубокого обучения. На основе существующих исследований обобщены рабочие процессы и методы, чтобы оценить осуществимость подобных исследований. Результаты опубликованных работ показывают, что модели глубокого обучения точнее традиционных алгоритмов машинного обучения. В заключение рассмотрены дальнейшие проблемы и ограничения данного направления.

Болезни растений приводят к значительным экономическим потерям в мировой сельскохозяйственной отрасли [1]. Актуальной задачей сельского хозяйства является разработка надёжных методов выявления болезней растений и растительного стресса [2]. Существующие методы обнаружения заболеваний преимущественно предусматривают ручную и визуальную оценку культур по видимым признакам болезни. В зависимости от площади поля такие методы требуют значительных затрат времени и труда. Ручное выявление опирается на явные симптомы болезни или стресса, которые чаще всего проявляются на средней или поздней стадии инфекции [2,3]. Визуальная оценка зависит от навыков и надёжности специалиста и подвержена человеческим ошибкам и субъективности. Для снижения потерь урожая и совершенствования защиты культур необходимы улучшенные технологии выявления болезней и идентификации стресса, выходящие за рамки визуальных признаков [4]. В общем случае болезнь развивается, когда растение продолжительно подвергается воздействию определённых причинных агентов, вызывающих аномальные физиологические процессы и нарушающих нормальную структуру, рост, функции или иную жизнедеятельность растения. Болезни вызываются микроорганизмами — определёнными вирусами, бактериями, грибами, нематодами или простейшими. Патогены проникают в растение через повреждения или естественные отверстия либо переносятся и внедряются переносчиками, например насекомыми [5].

В ответ на стресс растения испытывают биофизические и биохимические изменения, например снижение количества хлорофилла в листьях или изменение структуры клеток листа [1]. Показано, что уменьшение содержания хлорофилловых пигментов резко ухудшает способность листа поглощать свет [6]. Различия в характере поглощения света листьями указывают на растительный стресс или заражение. Например, коричневато-жёлтые пятна на верхней стороне листа являются признаком ложной мучнистой росы, поражающей многие растения [7].

Состояние растений можно контролировать, наблюдая за отражением света листьями. Гиперспектральная визуализация (HSI) применяется для выявления тонких изменений спектрального отражения растений [1]. Она позволяет собирать спектральные и пространственные данные на длинах волн за пределами человеческого зрения и даёт более ценную информацию для диагностики болезней, чем визуальная оценка, использующая только видимый диапазон. Кроме того, HSI потенциально решает проблемы масштабируемости и повторяемости традиционных полевых обследований [4]. HSI регистрирует спектральные данные в каждом пикселе двумерной матрицы детектора и формирует трёхмерный набор пространственных и спектральных данных — гиперкуб. Гиперспектральные изображения обычно охватывают непрерывный участок спектра света и состоят из сотен спектральных каналов одной сцены; их спектральное разрешение выше, чем у мультиспектральных или стандартных RGB-изображений [8,9]. Разные аппаратные конфигурации гиперспектральных камер обусловливают разные способы получения изображений: поточечное сканирование whiskbroom, построчное сканирование pushbroom, кадровая или покадровая съёмка [2,10].

HSI объединяли с различными алгоритмами машинного обучения (ML) для автоматической классификации болезней растений [1]. Средства выявления заболеваний должны работать быстро, быть специфичными к определённой болезни и достаточно чувствительными для обнаружения симптомов сразу после их появления [11]. Предыдущие исследования продемонстрировали применение HSI для выявления и идентификации болезней пшеницы и ячменя [12–14]. Последние достижения в области лёгких HSI-датчиков и БПЛА привели к появлению гиперспектрального дистанционного зондирования на малых БПЛА. Разработанные системы HRS показали высокую ценность и прикладной потенциал [15]. Интеграция БПЛА с передовыми технологиями, вычислительными системами и бортовыми датчиками обеспечивает широкий диапазон возможных применений [16]. Системы HRS на базе БПЛА с высоким спектральным, пространственным и временным разрешением заменяют традиционные ручные обследования, поскольку позволяют экономичнее и точнее анализировать культуры и характеристики растительности [3]. Получаемые гиперспектральные изображения обычно содержат большой объём спектральных и пространственных данных, отражающих характерные физические свойства наблюдаемых объектов [17,18]. Для извлечения полезной информации необходима дополнительная обработка; обычно выполняются задачи регрессии и классификации.

Для обработки данных HSI применялись многочисленные методы ML, включая классификатор спектрального угла, метод опорных векторов и метод k ближайших соседей (KNN) [19]. Однако машинное обучение постоянно развивается, и для решения более сложных задач непрерывно появляются новые методы. В последние годы глубокое обучение — новое направление ML — показало превосходные результаты в разных областях одновременно с ростом доступности вычислительных ресурсов [20]. Глубокие свёрточные нейронные сети (CNN) успешно решают сложные задачи классификации в разнообразных приложениях [4]. Богатая спектральная информация HSIустойчива и широко используется в сельском хозяйстве, науках об окружающей среде, мониторинге природных пожаров и обнаружении биологических угроз [21]. Преимущество глубокого обучения перед традиционным ML состоит в возможности учитывать отражённые длины волн (спектральные признаки), а также форму и текстуру объекта (пространственные признаки). Показано, что извлечение пространственных и спектральных признаков HSI значительно улучшает качество модели [22].

Свёрточные операции, лежащие в основе CNN, способны одновременно извлекать пространственные и спектральные признаки. Изначально CNN создавались для извлечения пространственных признаков из одноканальных изображений (LeNet) или трёхканальных RGB-изображений. Однако гиперспектральное изображение можно представить как стек изображений с корреляциями в пространственном и спектральном направлениях [4,23]. Признаки HSI извлекаются трёхмерным свёрточным фильтром, перемещающимся и в пространственном, и в спектральном направлениях. Такой подход называют 3D CNN; показано, что он повышает точность классификации [24].

В настоящем обзоре рассматривается обработка гиперспектральных данных с БПЛА моделями глубокого обучения для идентификации болезней растений. Подробно описаны приборы, методы, преимущества, проблемы и сходные исследования. Конечная цель таких систем — выявлять заболевания при минимальных физических изменениях растения. Очевидны преимущества максимально раннего выявления болезней или абиотических нарушений. Сочетание гиперспектральных технологий с подходящими методами анализа позволяет реалистично выявлять симптомы стресса раньше человека-наблюдателя [2].

Гиперспектральные камеры широко применяются для регистрации спектральной информации за пределами видимого диапазона. В отличие от обычных RGB-камер они используют иные принципы съёмки сцены. Камерные системы на базе БПЛА, называемые также системами HRS, позволяют собирать спектральную информацию на обширных территориях. Для эффективной эксплуатации необходимы подготовительные мероприятия: планирование полёта и учёт факторов окружающей среды, включая погоду и солнечное освещение. После сбора данных требуются предварительная обработка и подготовка информации для создания модели глубокого обучения. В этом разделе изложены основы HSI, методы проведения аэросъёмки и разработки модели глубокого обучения.

HSI — технология получения спектра для каждого пикселя изображения [25]. Она формирует трёхмерный гиперспектральный куб с двумя пространственными измерениями и одним измерением длины волны [26]. Системы HSI классифицируют по режиму регистрации или способу получения спектральной и пространственной информации [27]. К методам регистрации относятся поточечное сканирование whiskbroom, построчное сканирование pushbroom, кадровые и моментальные (snapshot) камеры (рисунок 1).

Рисунок 1. Четыре метода построения гиперспектрального изображения: (a) поточечная камера whiskbroom; (b) построчная камера pushbroom; (c) кадровая камера; (d) моментальная камера snapshot.

При поточечном методе whiskbroom образец или детектор перемещается для сканирования отдельной точки в двух пространственных измерениях [28,29]. Метод обеспечивает высокое спектральное разрешение и значительную гибкость по размеру образца, ширине растра, спектральным диапазонам и оптическим схемам [28]. Спектральное сканирование, также называемое кадровой или площадной съёмкой, использует двумерные матрицы детекторов для регистрации сцены за одну экспозицию и последовательно переключает спектральные диапазоны до завершения куба данных. Главное преимущество — высокое пространственное разрешение при низком спектральном разрешении, зависящем от оптики и разрешения камеры. Камера pushbroom представляет собой построчную систему, регистрирующую полный спектр каждого пикселя одной строки [28]. Она одновременно получает спектральную информацию и узкую полосу пространственной информации для каждой точки линейного поля зрения (FOV). Объект перемещается только по одному пространственному направлению y, а спектральная и пространственная информация собирается вдоль координаты x камеры. Технология обеспечивает хороший баланс пространственного и спектрального разрешения и широко используется в дистанционном зондировании [30]. Несканирующая моментальная камера формирует гиперспектральный куб за одно время интегрирования [31]. Она использует матричный детектор для одновременной записи пространственной и спектральной информации без сканирования [32], сокращает время съёмки и упрощает работу [33], но имеет ограниченные пространственное и спектральное разрешения [32].

Отражённый растением свет характеризует биологические соединения и физические свойства листьев [34]. HSI позволяет измерять и контролировать отражательную способность листа [35]. Различные вещества обладают разными спектральными свойствами, поэтому спектральные профили больных и здоровых растений могут различаться. Изменение фотосинтетической активности под действием патогена меняет отражение в видимом диапазоне; клеточные изменения существенно влияют на ближний ИК-диапазон; некроз тканей повышает отражение в коротковолновом ИК-диапазоне [36]. В задачах фитопатологии HSI даёт непрерывные спектральные каналы от видимого до ближнего ИК- или SWIR-диапазона. Измерение полного спектра сигнатур богаче описывает объект и точнее различает категории, чем три канала RGB. Хлорофилл отражает зелёный свет и поглощает синий и красный для фотосинтеза. Он поглощает 70–90% видимого излучения, особенно при 450 и 670 нм, и отражает большую часть зелёного света при 533 нм, поэтому листья кажутся зелёными. Излучение NIR 700–1400 нм преимущественно отражается и пропускается клеточной структурой листа — мезофиллом. Поскольку NIR-отражение тесно связано со структурой клеток, оно пригодно для мониторинга здоровья растений. Стресс сопровождается разрушением и потерей хлорофилла, проявляющимися пожелтением, неспособностью поглощать синий и красный свет и снижением отражения в NIR [37].

Berdugo et al. (2014) [38] показали спектральные различия между больными и здоровыми листьями огурца при выявлении и дифференциации заболеваний (рисунок 2). На первой дате оценки различия были небольшими. По мере развития симптомов они усиливались в видимом диапазоне, достигая пика около 650 нм, и в положении красного края при 700 нм.

Рисунок 2. Спектральное отражение (a) здоровых листьев огурца и (b) листьев, инокулированных Sphaerotheca fuliginea — возбудителем мучнистой росы [38].

HSI является эффективным средством мониторинга сельскохозяйственных культур. Однако для полной реализации потенциала полевого применения необходимо учитывать изменение интенсивности света, фоновые шумы и ориентацию листьев [39,40]. Предпочтительным результатом дистанционного зондирования часто является коэффициент отражения, поскольку это физически определённое свойство объекта [41]. Но HSI регистрирует спектральную информацию в единицах цифровых отсчётов (DN) [42], поэтому необходима радиометрическая калибровка для преобразования DN в фактическую интенсивность излучения или отражение [43,44]. Радиометрически калиброванные изображения обеспечивают долговременные сопоставимые данные [40], пригодные для расчёта вегетационных индексов, например NDVI, и оценки содержания азота и хлорофилла, а также биомассы зелёных листьев [45].

Основной этап радиометрической калибровки включает получение изображений ламбертовских эталонов с различным коэффициентом отражения и расчёт среднего DN для формирования параметров калибровки каждого канала [44,46]. При наличии на земле двух или более эталонов отражения применяются эмпирические линейные подходы при условии сходства освещения эталонов и исследуемого объекта [43,47,48]. Формула (1) задаёт базовый расчёт калиброванного фактического коэффициента отражения [43,49].

Коэффициент отражения = 100 × (измерение − темновой ток) / (эталон − темновой ток) (1)

Здесь «измерение» — измеренное изображение, «темновой ток» и «эталон» — соответственно тёмный и стандартный белый эталоны. Тёмный эталон получают, полностью закрывая объектив и исключая попадание света на датчик; белый — регистрируя стандартный белый материал с известным коэффициентом отражения.

БПЛА — летательный аппарат, управляемый наземным полётным контроллером и не имеющий пилота на борту [50]. Он может выполнять съёмочную миссию для создания тепловых карт, моделей высот и географически точных двумерных или трёхмерных ортотрансформированных карт [51]. Перед любой съёмкой необходимо подготовить полётное задание, сформировать набор выполнимых точек маршрута и оптимизировать моменты получения изображений [52]. После определения области интереса, требуемого наземного разрешения (GSD) или размера отпечатка и параметров бортовой цифровой камеры для планирования полёта и сбора данных обычно применяют UgCS [53], PIX4Dcapture [54], DroneDeploy [55] или DJI Pilot [56]. Для определения высоты полёта рассчитывают также требуемый масштаб изображения и фокусное расстояние камеры [57].

GSD описывает фактический размер одного пикселя изображения и выражается в миллиметрах или сантиметрах. Например, GSD 5 мм означает, что одному пикселю изображения соответствует 5 мм объекта [58]. Значение зависит от разрешения датчика, свойств объектива и высоты полёта. На рисунке 3 показано влияние высоты полёта на GSD. Дополнительным способом точного картографирования является размещение наземных опорных точек (GCP). Они задают точные широту и долготу точки карты [52], должны иметь отчётливую форму, быть видимыми издалека, легко отличаться от окружения и иметь выраженный центр (рисунок 4b). GCP должны присутствовать на фотографиях БПЛА, чтобы при постобработке правильно совместить и масштабировать объект цифровой реконструкции [58]. В предыдущем исследовании [59] обработка с 3, 4 и вплоть до 40 GCP дала почти одинаковую точность. Тем не менее для практической аэросъёмки полей рекомендуется не менее пяти GCP [60], равномерно распределённых по участку (рисунок 4a).

Рисунок 3. Влияние различных высот полёта на наземное разрешение GSD.

Рисунок 4. Примеры: (a) распределение GCP при аэросъёмке грушевого сада [61]; (b) стандартная GCP размером 60 × 60 см [62].

Изображения БПЛА главным образом используются для получения двумерных карт. Простейший способ создания мозаики — объединить перекрывающиеся аэроснимки программой сшивки, например Image Composite Editor (ICE) [63]. Однако без геометрической коррекции, устраняющей перспективные искажения, сложно точно оценивать расстояния. Простая сшивка даёт непрерывность на границах, но не исправляет перспективу. Ортомозаика представляет собой серию перекрывающихся аэроснимков, геометрически исправленных (ортотрансформированных) до единого масштаба. В результате получается свободная от перспективных искажений мозаика двумерных изображений. Карты, совместимые с геоинформационными системами (ГИС), могут применяться в кадастровой съёмке, строительстве и других областях [52].

Глубокое обучение — раздел ML, основанный на принципах нейронных сетей. Оно объединяет низкоуровневые признаки в абстрактные высокоуровневые и выявляет распределённые признаки и атрибуты выборки [64]. Система автоматически извлекает признаки и определяет, какие из них служат маркерами для точного присвоения меток образцам [65]. Основные типы сетей — многослойные перцептроны, CNN и рекуррентные нейронные сети (RNN) [64]. CNN широко применяются в распознавании, анализе медицинских изображений, сегментации, обработке естественного языка и других задачах, поскольку специально предназначены для различных двумерных форм [66].

Как показано на рисунке 5, CNN включает свёрточные слои — экстракторы признаков — и полносвязные (FC) слои, выполняющие классификацию на выходе сети [67]. Вход проходит через свёрточные слои с фильтрами, или ядрами, выявляющими границы и контуры, а также иные признаки объектов. Каждый фильтр создаёт карту признаков, передаваемую от слоя к слою [68]. Извлечённые признаки отображаются подмножеством FC-слоёв на конечные выходы сети, формируя вероятности для каждого класса [69]. Итоговый выход CNN — вероятность или уверенность принадлежности входа классу [67]. В зависимости от характера прогнозирования задачи CNNделятся на классификацию изображений, обнаружение объектов и сегментацию (рисунок 6).

Рисунок 5. Общая архитектура свёрточной нейронной сети.

Рисунок 6. Методы распознавания объектов: (a) классификация изображения; (b) обнаружение объектов; (c) сегментация.

Классификация изображений распределяет изображения по заранее заданным категориям или классам [70], но затруднена при наличии на одном изображении нескольких классов или объектов. Обнаружение объектов — следующий этап развития CNN — классифицирует и локализует каждый объект ограничивающей рамкой [68]. Для этого изображение предварительно делится на области или сетку [71], после чего для каждой рамки определяется категория объекта и его положение. Каждая рамка имеет оценку уверенности модели в наличии объекта [68]. Ещё сложнее разделить и категоризировать все пиксели объекта; такая операция называется сегментацией. Она даёт попиксельное описание, формирует границу по форме объекта вместо прямоугольной рамки и присваивает смысл каждой категории пикселей. Метод подходит для сложных сцен: разделения дороги и окружающей области в системах автопилота, ГИС, медицинского анализа и др. [72,73].

Для высокоэффективной модели глубокого обучения требуется значительный объём данных, поэтому ожидается улучшение качества по мере его роста [67]. Модель должна обобщать данные, то есть обучаться как на обучающей выборке, так и на ранее не виденных данных [74]. Для обобщаемости часто необходимы большие обучающие наборы. Относительно малых наборов в несколько сотен случаев может быть достаточно для конкретных целевых применений или популяций. При высокой неоднородности популяции либо малых различиях между визуализируемыми фенотипами нужны большие выборки [75,76].

Оценка моделей глубокого обучения — важнейшая часть проекта. Матрица ошибок широко применяется для измерения качества классификации и отображает количество прогнозируемых и фактических значений (рисунок 7). Истинно отрицательные TN — правильно классифицированные отрицательные примеры; истинно положительные TP — правильно классифицированные положительные; ложноположительные FP — отрицательные образцы, отнесённые к положительным; ложноотрицательные FN — положительные образцы, отнесённые к отрицательным [77]. На их основе рассчитывают правильность ACC, точность P, чувствительность Sn, специфичность Sp и F-меру по формулам (2)–(6) [78,79].

ACC = (TP + TN) / (TP + TN + FP + FN) (2)

P = TP / (TP + FP) (3)

Sn = TP / (TP + FN) (4)

Sp = TN / (TN + FP) (5)

Sp = TN / (TN + FP) (6)

Рисунок 7. Базовая схема матрицы ошибок для интерпретации результатов классификации модели.

Пересечение над объединением (IOU) обычно применяется для оценки моделей обнаружения объектов или сегментации изображений (формула 7). Площадь пересечения прогнозируемой и эталонной рамок делится на площадь их объединения.

J(Bₚ, Bgt) = IOU = area(Bₚ ∩ Bgt) / area(Bₚ ∪ Bgt) (7)

Bₚ и Bgt обозначают соответственно прогнозируемую и эталонную рамки. IOU рассчитывают делением площади перекрытия на площадь объединения. Прогноз сравнивают с заданным порогом: если IOU выше порога, прогноз считается правильным; если ниже — неправильным [80].

HRS широко применяется во многих областях. Для поиска публикаций в настоящем обзоре использованы четыре ключевых слова: БПЛА, гиперспектральный, болезнь растений и глубокое обучение. Основное внимание уделено целевому заболеванию, эксплуатации системы, рабочему процессу, алгоритму глубокого обучения и результатам.

Yu et al. (2021) [81] исследовали раннюю стадию сосновой стволовой нематодной болезни (PWD) в районе Дунчжоу города Фушунь, провинция Ляонин, Китай. Наземное обследование выявляло симптомы по морфологии, а молекулярный анализ образцов подтверждал болезнь. Координаты деревьев как эталонные данные регистрировали ручной дифференциальной системой глобального позиционирования (DGPS). Образцы классифицировали по ранней, средней и поздней стадиям инфекции.

Данные получали БПЛА DJI Matrice 600 с гиперспектральной камерой Pika L и лидаром LR1601-IRIS. Высота составляла 120 м, перекрытие — 60%, скорость — 3 м/с. Радиометрическую калибровку выполняли по отражающему тенту, геометрическую — по шести GCP. Предложена модель 3D-Res CNN на попиксельных признаках; входом служили наборы соседних пространственно-спектральных кубов вокруг пикселей. Блоки извлекались ядром 3 × 3 × 3 и окном 11 × 11. Методом главных компонент (PCA) отобрали 11 длин волн для ускорения и облегчения модели. 3D-Res CNN состояла из четырёх свёрточных слоёв, двух слоёв пулинга и двух остаточных блоков. Трёхмерная свёртка сохраняла пространственные и спектральные данные.

Для оценки 3D-Res CNN её сравнили с 3D-CNN, 2D-CNN и 2D-Res CNN. Предложенная модель превзошла остальные: общая правильность OA составила 88,11%, а точность выявления раннеинфицированных сосен — 72,86%. Остаточный блок решил проблему исчезающего градиента и повысил точность классификации.

Zhang et al. (2019) [82] исследовали озимую пшеницу, заражённую жёлтой ржавчиной, на научно-экспериментальной станции Китайской академии сельскохозяйственных наук в Ланфане, провинция Хэбэй. Подготовили четыре делянки: две заражённые и две незаражённые. Использовали DJI S1000 с моментальной гиперспектральной камерой UHD 185 firefly (Cubert). Изображения объединяли в мозаику, затем вырезали 15 000 кубов размером 64 × 64 × 125. Для предотвращения переобучения выполняли небольшие случайные преобразования — поворот, переворот и зеркальное отражение.

Предложенная модель включала блоки Inception и ResNet, слой усредняющего пулинга и FC-слой и классифицировала образцы как ржавчину, здоровые растения и прочие объекты. ResNet позволял получить относительно тонкую модель при сохранении либо улучшении качества. He et al. (2016) [83] показали, что остаточное обучение преодолевает исчезающие и взрывающиеся градиенты глубоких сетей. Поскольку качество также зависит от ширины фильтра и размера ядра, структура Inception–ResNet [84] использовала ядра разных размеров. В сравнении со случайным лесом (RF) CNN Inception–ResNet обеспечила 85% против 77%. Преимущество объясняется совместным учётом спектральной и пространственной информации, тогда как RF учитывал только спектральную; её одной было недостаточно из-за высокой дисперсии в классах.

Shi et al. (2022) [85] исследовали картофель, поражённый фитофторозом, в уезде Гуюань провинции Хэбэй, Китай. Для сбора данных использовали DJI S1000 с UHD-185 (Cubert). Рассматривались четыре класса эталонных данных: здоровый картофель, фитофтороз, почва и фон — крыши, дороги и другие сооружения. Гиперспектральные данные получали с высоты 30 м. Предложенная модель CropdocNet состояла из нескольких капсульных слоёв, моделирующих эффективную иерархическую структуру спектральных и пространственных признаков классов. Применялось скользящее окно 13 × 13; обучение выполняли на 3200 кубах. CropdocNetзначительно превзошла SVM, RF и 3D-CNN и достигла максимальной точности 98,08%.

HRS на базе БПЛА — новое и непрерывно развивающееся направление. Разрабатываются новые приборы и методы. В обзоре подробно рассмотрены три статьи, соответствующие ключевым словам «БПЛА», «гиперспектральный», «болезнь растений» и «глубокое обучение». Для проведения исследований необходимо преодолеть ряд трудностей. Во-первых, это междисциплинарная область, требующая эффективного сотрудничества специалистов разных направлений. Во-вторых, для обучения модели нужен огромный объём данных, тогда как эксперимент не способен создать массовое число случаев заболевания, а их встречаемость в реальном поле обычно невелика. Поэтому доступные обучающие наборы ограничены. Тем не менее на основе найденных и смежных работ можно обобщить рабочий процесс.

Первый шаг разработки модели — создание экспериментального участка с достаточным количеством здоровых и больных образцов. Обычно применяются два подхода. В ряде работ создавали отдельные делянки и инокулировали болезнь на одной или нескольких из них [82,85,86]. Guo et al. (2021) [87] при выявлении жёлтой ржавчины пшеницы создали три делянки площадью по 220 м²: две инокулированные и одну здоровую. Суспензию спор возбудителя распыляли ручным опрыскивателем, а здоровую делянку обрабатывали пестицидами. Однако инокуляция пригодна лишь для малых выборок и неприменима в реальных крупномасштабных задачах [81]; успех также не гарантирован. Кроме того, поскольку разные болезни, например PWD, первоначально переносятся насекомыми разными путями, искусственное заражение может вызывать иные симптомы [88]. Поэтому другие исследователи выбирали участки с естественно заражёнными растениями [81,86,89,90].

После выбора участка необходимо наземное обследование. Больные растения на изображениях должны быть подтверждены и сопоставлены с растениями на площадке [81,85], а их точное положение — найдено на снимках. Классы различают по визуальным признакам либо отмечают координатами GPS [91]. Стадию инфекции определяют по морфологии. Например, Yu et al. (2021) [92] при исследовании PWD сформировали эталонный набор и разделили инфекцию на стадии с учётом выделения смолы, силы роста и окраски хвои. Затем заражение дополнительно подтверждали молекулярной идентификацией методом полимеразной цепной реакции (ПЦР) [93].

Тяжесть болезни характеризует её распространение по растению и влияние на рост и урожай и чаще всего выражается процентом или долей. Большинство исследований определяет тяжесть как отношение площади поражений или симптомов к площади листа. Поэтому для решения задачи применяют классификацию изображений на основе глубокого обучения по доле листовой поверхности, покрытой поражениями [94].

Сбор данных включает конфигурирование гиперспектральной системы БПЛА и планирование полёта. Платформа должна безопасно и устойчиво нести полезную нагрузку, поскольку большинству гиперспектральных камер требуется микрокомпьютер. На рисунке 8 показана типичная конфигурация.

Рисунок 8. Типичная гиперспектральная система на базе БПЛА: платформа беспилотника, гиперспектральная камера и стандартные отражающие тенты.

До съёмки необходимо определить GSD, или наземное разрешение. Его выводят из свойств камеры — разрешения датчика, фокусного расстояния или FOV — с учётом размера образца и применения. Разрешение большинства гиперспектральных камер ниже, чем цифровых RGB-камер, поэтому наземное разрешение следует рассчитывать особенно тщательно.

В лесном хозяйстве для выявления заболеваний полёты проводят на высоте 70 [88], 100 [95] и 120 м [81,96] при наземном разрешении 0,4–0,56 м. В полевом земледелии объекты меньше, а поверхность ровнее. Полёты на высоте 20 [97]–30 м [82,85,87,98–100] позволяют получать более детальные данные с наземным покрытием 1–3,5 см. Необходимо учитывать погоду. Съёмку проводят в солнечный день для хороших DN и равномерного освещения участка [101]. Желательно безветрие, уменьшающее вибрацию БПЛА. Ветер перемещает растения между кадрами и вызывает размытость [102].

Аэроснимки с БПЛА необходимо обрабатывать для уменьшения ошибок и получения качественных гиперспектральных изображений. Предварительная обработка включает мозаицирование, географическую привязку, радиометрическую калибровку, а иногда деление на небольшие фрагменты для входа модели. Мозаицирование объединяет перекрывающиеся изображения поля. Важно использовать ортомозаику, поскольку она исправляет перспективу и обеспечивает истинные измерения расстояний. Для её создания обычно применяют Agisoft Metashape [103], PIX4Dmapper [104] или DJI Terra [105]. Геопривязка назначает каждому пикселю реальное положение с использованием полевых GCP, даёт точную геоинформацию и исправляет общую форму изображения. Она выполняется в ArcGIS [106], Agisoft Metashape [103], PIX4Dmapper [104] или ENVI [107]. Затем проводится радиометрическая калибровка. Необработанные данные камеры — произвольные цифровые отсчёты DN, которые нужно преобразовать в излучение. Поскольку наблюдения выполняются в разные дни, а малые различия освещённости между полётами неизбежны, излучение преобразуют в коэффициент отражения для получения сопоставимых значений. Для этого его калибруют по известному коэффициенту отражения тента, установленного в поле во время съёмки.

Выявление болезни начинается с извлечения признаков. Болезнь может проявляться изменением цвета, а гиперспектральные изображения показывают дополнительные различия за пределами видимого диапазона. Классификатор можно строить с использованием спектральных данных как входных переменных; характерная спектральная сигнатура позволяет различать здоровые и больные образцы. Однако только спектральные данные могут быть недостаточно устойчивы: солнечный свет и тени влияют на спектр при полевом применении. Точность повышается при учёте формы поражения и пространственных признаков. Извлечение признаков формирует новые векторы для диагностики, объединяя и оптимизируя спектральные, пространственные и текстурные признаки и передавая их классификаторам или алгоритмам ML [36].

Большое число спектральных точек — преимущество гиперспектральной камеры. Различная интенсивность отдельных каналов позволяет выявлять симптомы. Полный спектр применяют, когда необходимо сохранить краткосрочные зависимости между соседними длинами волн [1]. Классификатор строится по этим различиям с назначением каждого канала переменной и классификацией по одному пикселю.

Стек каналов гиперспектрального изображения рассматривается как набор переменных. Соседние длины волн часто очень похожи, что создаёт избыточность и ухудшает классификацию [108]. Поэтому важно выбрать характерные каналы, представляющие всю спектральную информацию. Методы снижения размерности — PCA, преобразование минимальной доли шума (MNF), линейный дискриминантный анализ (LDA), пошаговый дискриминантный анализ (SDA), дискриминантный анализ методом частичных наименьших квадратов (PLS-DA) и алгоритм последовательных проекций (SPA) — уменьшают коллинеарность и повышают качество модели [36].

PCA — один из наиболее распространённых методов отбора признаков, линейно преобразующий исходные данные. Он создаёт статистически некоррелированные компоненты, сохраняющие максимум информации [108]. В отличие от исходного спектра, компоненты PCA дают меньше переменных при сохранении достаточной информации. SPA также отбирает переменные, минимизируя коллинеарность и извлекая полезную спектральную информацию [109]. Xuan et al. (2022) [12] применили SPA для раннего выявления мучнистой росы пшеницы. При минимальном RMSE 0,31 из полного спектра получили 12 эффективных длин волн; процесс показан на рисунке 9.

Рисунок 9. Отбор эффективных длин волн для раннего выявления мучнистой росы пшеницы методом SPA: (a) число эффективных длин волн по графику RMSE; (b) распределение эффективных длин волн, обозначенных квадратными точками [12].

Методы снижения размерности сокращают число входных переменных, сохраняя максимум информации, уменьшают коллинеарность и позволяют сокращённому набору представлять полный спектр. Это уплотняет избыточную информацию, повышает качество классификации и снижает вычислительные затраты.

Вегетационный индекс (VI) — значение, получаемое преобразованием наблюдений двух или более спектральных каналов, чтобы подчеркнуть свойства зелёных растений и отделить их от других компонентов изображения [110]. Спектральные признаки извлекают сравнением VI больных и здоровых образцов и используют как переменные. VI численно выражают связь длин волн, отражённых поверхностью, и характеризуют содержание воды, биохимический состав, обеспеченность питательными веществами, биомассу и поражённые ткани [111].

Marin et al. (2021) [112] рассчитали 63 VI из мультиспектральных изображений для выявления ржавчины кофейного листа несколькими ML-моделями; наибольший вклад внёс MNDRE. Abdulridha et al. (2019) [99] исследовали 31 VI для построения радиально-базисной функции (RBF) и KNN при выявлении рака цитрусовых. Наиболее влиятельным для различения листьев оказался водный индекс WI; ARI и TCARI 1 также точно разделяли здоровые и поражённые деревья. Zhao et al. (2020) [113] применили шесть типичных VI, связанных с биомассой, фотосинтетически активной радиацией PAR, индексом листовой поверхности LAI и хлорофиллом, для оценки болезни хлопчатника. Среди них NDVI, зелёный NDVI, EVI и SAVI (таблица 1); наиболее подходящим оказался EVI. Полный список VI приведён в Index-Data-Base [114].

NDVI широко используется для мониторинга здоровья культур, но непригоден для идентификации возбудителя: он не привязан к специфическим диапазонам, отражающим физиологические изменения под действием патогена. В целом VI — простой эффективный алгоритм оценки состояния по старению листьев, хлорофиллу, водному стрессу и т. д. Однако они неспецифичны к болезни и отражают лишь биофизические свойства. Большинство VI достаточно узкоспециализированы и хорошо работают только на наборах, для которых разработаны [110]. Спектральные индексы болезни (SDI) точнее представляют заражённые растения: это отношения различных специфичных каналов, извлечённых по спектральному ответу больной растительности. SDI уникальны для вида растительности, заболевания и стадии инфекции, поскольку болезнь по-своему влияет на спектр отражения [115]. Можно формировать новые индексы для конкретных заболеваний либо применять существующие. Mahlein et al. (2013) [116] разработали индексы для церкоспороза, ржавчины и мучнистой росы сахарной свёклы. Meng et al. (2020) [117] — индекс для выявления ржавчины кукурузы и классификации её тяжести. Чувствительность к конкретной болезни даёт SDI потенциал различать заболевания.

Пространственные признаки — численные представления одноканального изображения на основе дескриптора. К ним относятся форма, размер, ориентация и текстура. Tetila et al. (2017) [118] применили ML для автоматического выявления болезней листьев сои. Пространственные признаки включали текстуру — повторяющиеся закономерности, связанные с шероховатостью, крупностью и регулярностью; форму — описание контура объектов; градиент — производные изображения в разных направлениях. Hlaing and Zaw(2018) [119] использовали масштабно-инвариантное преобразование признаков SIFT для получения текстурной информации при классификации болезней томата по совокупности текстуры и цвета. SIFT извлекал сведения о форме, положении и масштабе. Поскольку ML принимает только численные входы, гиперспектральные изображения необходимо преобразовать в числа, представляющие пространственные признаки.

Генерация VI и SDI и снижение размерности — осуществимые способы построения признаков для ML. Извлечение включает несколько этапов и сложные процессы; проектирование признаков из необработанных данных трудно, а решения иногда специфичны к случаю или набору. CNN устраняет этот этап, поскольку существенные признаки находятся в ходе обучения [111].

Мозаичные аэроснимки имеют большой размер и содержат огромный объём информации о поле. Для эффективной классификации их делят на меньшие фрагменты или сегменты. Затем фрагменты передают классификатору и вновь объединяют в целое изображение с очерченной поражённой зоной. Способ деления зависит от объекта и оптимизируется совместно с классификатором. В исследованиях использовались фрагменты 11 × 11 [81], 13 × 13 [85], 32 × 32 [86], 64 × 64 [82,120], 128 × 128 [90], 224 × 224 [121], 256 × 256 [90] и 800 × 800 [88], а также сегментация [89,122,123]. Ниже перечислены методы обработки.

1. Фрагменты или скользящие окна и CNN [82,120,124]. Простейший способ выявления и локализации: исходное изображение делят на небольшие квадратные фрагменты и подают в CNN, затем результаты объединяют. Обычно метод непригоден для реального времени из-за высокой вычислительной стоимости.

2. Сегментация и CNN или ML [89,90,122,123]. Вместо квадратных фрагментов изображение делят алгоритмом сегментации на области произвольной формы со сходными признаками. Сегменты могут соответствовать листьям или сходным участкам листа. Их извлекают, классифицируют, а после объединения больные листья оказываются очерченными. Метод выявляет больные растения с высокой точностью.

3. Обнаружение объектов [88,93,125–127]. Используются YOLO, Fast R-CNN и Faster R-CNN. Размер входа — 244–1000 пикселей. Метод создаёт рамки вокруг объектов, выявляет болезнь и её положение. Он пригоден для реального времени благодаря высокой скорости: несколько объектов обнаруживаются одновременно без деления на мелкие фрагменты. Однако сведений о точности на гиперспектральных изображениях пока нет; нужны дополнительные исследования.

4. Сегментация изображений. Применялась для выявления болезней или сорняков [86,90,91,128–131] и относит каждый пиксель к классу. В отличие от обнаружения объектов она формирует область произвольной формы, соответствующую поражению, а не прямоугольную рамку. Цель — точное описание областей с разграничением каждой отличающейся зоны [132].

5. Попиксельные CNN [81,85]. Принцип сходен со скользящим окном, но входом являются соседние пространственно-спектральные кубы вокруг пикселей, а не целое изображение (рисунок 10). Размер фрагмента меньше, чем в классификации уровня изображения. Малые ядра свёртки предотвращают чрезмерную потерю входной информации [81]. Выход — карта областей произвольной формы с классификацией поражения.

6. Тепловая карта и условное случайное поле (CRF) [121]. CNN используется как тепловая карта, которая затем преобразуется для точной сегментации поражений посредством CRF.

Рисунок 10. Деление гиперспектральных изображений на небольшие фрагменты в работе Yu et al. (2021) [81] для уменьшения размера входа и увеличения числа элементов набора данных.

Все перечисленные методы классифицируют и локализуют болезни на аэроснимках. Фрагменты или скользящие окна с CNN и обнаружение объектов создают рамки; остальные методы — сегменты, повторяющие форму поражённой области. Прямоугольные рамки включают дополнительные зоны без симптомов. Сегментация даёт наиболее точный результат при расчёте доли поражённой поверхности листа [94]. В таблице 2 обобщены методы.

Оценка модели — определение её качества посредством оценочных матриц. Матрица ошибок позволяет визуально оценивать одно- или многоклассовую классификацию, сопоставляя общую правильность OA и точность внутри классов (рисунок 11). Она показывает категории, с которыми модель справляется или испытывает трудности; эта информация используется для улучшения модели или анализа набора конкретного класса.

Рисунок 11. Матрица ошибок Yu et al. (2021) [92] для оценки алгоритма классификации на пяти стадиях инфекции PWD.

Иногда правильность недостаточно надёжно описывает модель. Wu et al. (2018) [133] разработали модель выявления северного гельминтоспориоза кукурузы. Несмотря на 97,76% правильности, прогноз содержал много ложноположительных и ложноотрицательных результатов, что указывало на несоответствие обучающей выборки эмпирическому распределению. Добавление большого числа отрицательных образцов снизило ошибки и позволило точнее очертить заболевание.

В отличие от лабораторных испытаний аэрогиперспектральная съёмка ведётся сверху. Выбор высоты критичен: меньшая высота лучше, но из-за времени полёта сокращает покрытие. Размер пикселя дистанционного зондирования, особенно HSI, составляет от сантиметров до метров, поэтому пиксель обычно содержит информацию более чем об одном материале [2]. Целевой материал может не разрешаться в отдельном пикселе [134].

Mahlein et al. (2012) [135] при мелкомасштабном анализе болезней сахарной свёклы установили, что для визуализации симптомов оптимально 0,2 мм/пиксель. Пространственное разрешение датчика критически важно: при 3,1 и 17,1 мм характерные симптомы уже не обнаруживались, а спектральный сигнал смешивал здоровую и больную ткань. При ухудшении разрешения число смешанных пикселей возрастало, а различия отражения уменьшались.

Kumar et al. (2012) [136] исследовали позеленение цитрусовых — хуанлунбин (HLB) — по аэрогиперспектральным изображениям с разрешением 0,7 м. Линейное спектральное разложение выявило больше пикселей, указывающих на HLB, и улучшило совпадение с наземными эталонными данными. Следовательно, спектральное разложение может позволить HSI обнаруживать меньшие и потенциально более ранние поражения.

Гиперспектральные системы БПЛА требуют детальной настройки и обычно дороже RGB-камер. Кроме того, в обмен на высокое спектральное разрешение они имеют более низкое пространственное. В рассмотренных работах заболевания проявлялись морфологическими изменениями, видимыми в оптическом диапазоне. Учитывая экономичность и высокое разрешение RGB [82], перспективны сравнительные исследования RGB- и гиперспектральных камер на одних образцах.

Ahmad et al. (2022) [122] выявляли болезни культур по RGB с DenseNet169. Болезнь была заметна на поверхности листьев; модель достигла минимальной функции потерь 0,0003 и тестовой правильности до 100%. Это подтверждает высокий потенциал RGB для идентификации поражённых областей.

Wu et al. (2021) [93] изучали сосны, заражённые сосновой нематодой PWN. Между здоровыми и больными деревьями обнаружены заметные спектральные различия на 638–744 нм, а здоровые сосны HP, поздно заражённые AI и ранне заражённые PI различались уровнями серого на RGB-изображениях. Авторы заключили, что RGB достаточно для различения PI и HP.

Без достаточного числа обучающих образцов точность CNN может быть неудовлетворительной. Однако собрать достаточно примеров для крупномасштабного применения трудно. Некоторые болезни редки, а получение изображений дорого, поэтому собирают лишь единицы или десятки снимков [137]. Например, сбор образцов больных деревьев в реальном лесном хозяйстве требует значительных трудовых и материальных ресурсов [91]. Поэтому важно обеспечить точность при малом наборе.

Ограничение можно компенсировать рациональной архитектурой, уменьшающей потребность в образцах. Liu et al. (2020) [73] разработали более точную CNN для диагностики болезней виноградных листьев. Вместо обычной свёртки использовали разделяемую по глубине, чтобы предотвратить переобучение и сократить число параметров. Начальная структура усиливала извлечение многомасштабных признаков поражений разных размеров. Модель сходилась быстрее стандартных ResNet и GoogLeNet, сохраняя высокую точность 97,22%.

Выявление болезней растений средствами HRS на основе глубокого обучения — новое и непрерывно растущее направление. Это междисциплинарная область с многочисленными техническими проблемами. Опубликованные исследования показывают перспективные результаты и наличие адекватных методов. Система сбора данных главным образом зависит от точного полёта БПЛА и планирования миссии. Показано, что методы глубокого обучения обеспечивают более высокую точность, чем другие методы ML. В статье представлены общие сквозные методы выявления болезней средствами HRS на основе глубокого обучения и рассмотрены различные подходы по аэрогиперспектральным изображениям. Тем не менее ранняя диагностика и ограниченность наборов остаются проблемами. Дальнейшие исследования будут направлены на перенос метода между площадками и наборами данных и интеграцию с картографической информацией для управления заболеваниями.

Концепция: L.W.K. и X.H.; методология: L.W.K. и X.H.; анализ: L.W.K.; визуализация: L.W.K.; руководство: X.H.; рецензирование рукописи: X.H. и H.H.N. Все авторы прочитали и одобрили опубликованную версию рукописи.

Исследование выполнено при поддержке «Программы совместных исследований по развитию сельскохозяйственной науки и технологий» (проект № PJ017000) Управления развития сельских районов Республики Корея.

Не применимо.

Авторы заявляют об отсутствии конфликта интересов.

1. Moghadam, P.; Ward, D.; Goan, E.; Jayawardena, S.; Sikka, P.; Hernandez, E. Plant Disease Detection Using Hyperspectral Imaging. In Proceedings of the 2017 International Conference on Digital Image Computing: Techniques and Applications (DICTA), Sydney, Australia, 29 November–1 December 2017; IEEE: Sydney, Australia, November 2017; pp. 1–8.

2. Lowe, A.; Harrison, N.; French, A.P. Hyperspectral Image Analysis Techniques for the Detection and Classification of the Early Onset of Plant Disease and Stress. Plant Methods 2017, 13, 80. https://doi.org/10.1186/s13007-017-0233-z.

3. Khan, M.J.; Khan, H.S.; Yousaf, A.; Khurshid, K.; Abbas, A. Modern Trends in Hyperspectral Image Analysis: A Review. IEEE Access 2018, 6, 14118–14129. https://doi.org/10.1109/ACCESS.2018.2812999.

4. Nagasubramanian, K.; Jones, S.; Singh, A.K.; Sarkar, S.; Singh, A.; Ganapathysubramanian, B. Plant Disease Identification Using Explainable 3D Deep Learning on Hyperspectral Images. Plant Methods 2019, 15, 98. https://doi.org/10.1186/s13007-019-0479-8.

5. Agrios, G.N. Plant Pathogens and Disease: General Introduction. Encyclopedia of Microbiology, 3rd ed.; Academic Press: Cambridge, MA, USA, 2009.

6. Gates, D.M.; Keegan, H.J.; Scshleter, J.C.; Weidner, V.R. Spectral Properties of Plants. Appl. Opt. 1965, 4, 11. https://doi.org/10.1364/AO.4.000011.

7. Salcedo, A.F.; Purayannur, S.; Standish, J.R.; Miles, T.; Thiessen, L.; Quesada-Ocampo, L.M. Fantastic Downy Mildew Pathogens and How to Find Them: Advances in Detection and Diagnostics. Plants 2021, 10, 435. https://doi.org/10.3390/plants10030435.

8. Lu, G.; Fei, B. Medical Hyperspectral Imaging: A Review. J. Biomed. Opt. 2014, 19, 010901. https://doi.org/10.1117/1.JBO.19.1.010901.

9. Chen, Y.; Jiang, H.; Li, C.; Jia, X.; Ghamisi, P. Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks. IEEE Trans. Geosci. Remote Sens. 2016, 54, 6232–6251. https://doi.org/10.1109/TGRS.2016.2584107.

10. Foster, D.H.; Amano, K. Hyperspectral Imaging in Color Vision Research: Tutorial. J. Opt. Soc. Am. A. 2019, 36, 606. https://doi.org/10.1364/JOSAA.36.000606.

11. Kumar, R.; Pathak, S.; Prakash, N.; Priya, U.; Ghatak, A. Application of Spectroscopic Techniques in Early Detection of Fungal Plant Pathogens. In Diagnostics of Plant Diseases; Kurouski, D., Ed.; IntechOpen: London, UK, 2021; ISBN 978-1-83962-515-2.

12. Xuan, G.; Li, Q.; Shao, Y.; Shi, Y. Early Diagnosis and Pathogenesis Monitoring of Wheat Powdery Mildew Caused by Blumeria Graminis Using Hyperspectral Imaging. Comput. Electron. Agric. 2022, 197, 106921. https://doi.org/10.1016/j.compag.2022.106921.

13. Bauriegel, E.; Herppich, W. Hyperspectral and Chlorophyll Fluorescence Imaging for Early Detection of Plant Diseases, with Special Reference to Fusarium Spec. Infections on Wheat. Agriculture 2014, 4, 32–57. https://doi.org/10.3390/agriculture4010032.

14. Kuska, M.T.; Brugger, A.; Thomas, S.; Wahabzada, M.; Kersting, K.; Oerke, E.-C.; Steiner, U.; Mahlein, A.-K. Spectral Patterns Reveal Early Resistance Reactions of Barley Against Blumeria Graminis f. Sp. Hordei. Phytopathology 2017, 107, 1388–1398. https://doi.org/10.1094/PHYTO-04-17-0128-R.

15. Zhong, Y.; Wang, X.; Xu, Y.; Wang, S.; Jia, T.; Hu, X.; Zhao, J.; Wei, L.; Zhang, L. Mini-UAV-Borne Hyperspectral Remote Sensing: From Observation and Processing to Applications. IEEE Geosci. Remote Sens. Mag. 2018, 6, 46–62. https://doi.org/10.1109/MGRS.2018.2867592.

16. Rejeb, A.; Abdollahi, A.; Rejeb, K.; Treiblmaier, H. Drones in Agriculture: A Review and Bibliometric Analysis. Comput. Electron. Agric. 2022, 198, 107017. https://doi.org/10.1016/j.compag.2022.107017.

17. Jia, S.; Jiang, S.; Lin, Z.; Li, N.; Xu, M.; Yu, S. A Survey: Deep Learning for Hyperspectral Image Classification with Few Labeled Samples. Neurocomputing 2021, 448, 179–204. https://doi.org/10.1016/j.neucom.2021.03.035.

18. Rehman, A. ul; Qureshi, S.A. A Review of the Medical Hyperspectral Imaging Systems and Unmixing Algorithms’ in Biological Tissues. Photodiagnosis. Photodyn. Ther. 2021, 33, 102165. https://doi.org/10.1016/j.pdpdt.2020.102165.

19. Zhang, J. A Hybrid Clustering Method with a Filter Feature Selection for Hyperspectral Image Classification. J. Imaging 2022, 8, 180. https://doi.org/10.3390/jimaging8070180.

20. Paoletti, M.E.; Haut, J.M.; Plaza, J.; Plaza, A. Deep Learning Classifiers for Hyperspectral Imaging: A Review. ISPRS J. Photogramm. Remote Sens. 2019, 158, 279–317. https://doi.org/10.1016/j.isprsjprs.2019.09.006.

21. Li, Y.; Zhang, H.; Shen, Q. Spectral–Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural Network. Remote Sens. 2017, 9, 67. https://doi.org/10.3390/rs9010067.

22. Terentev, A.; Dolzhenko, V.; Fedotov, A.; Eremenko, D. Current State of Hyperspectral Remote Sensing for Early Plant Disease Detection: A Review. Sensors 2022, 22, 757. https://doi.org/10.3390/s22030757.

23. Fotiadou, K.; Tsagkatakis, G.; Tsakalides, P. Deep Convolutional Neural Networks for the Classification of Snapshot Mosaic Hyperspectral Imagery. J. Electron. Imaging 2017, 29, 185–190. https://doi.org/10.2352/ISSN.2470-1173.2017.17.COIMG-445.

24. Jung, D.-H.; Kim, J.D.; Kim, H.-Y.; Lee, T.S.; Kim, H.S.; Park, S.H. A Hyperspectral Data 3D Convolutional Neural Network Classification Model for Diagnosis of Gray Mold Disease in Strawberry Leaves. Front. Plant Sci. 2022, 13, 837020. https://doi.org/10.3389/fpls.2022.837020.

25. Selci, S. The Future of Hyperspectral Imaging. J. Imaging 2019, 5, 84. https://doi.org/10.3390/jimaging5110084.

26. Amigo, J.M. Hyperspectral and Multispectral Imaging: Setting the Scene. In Data Handling in Science and Technology; Elsevier: Amsterdam, The Netherlands, 2019; Volume 32, pp. 3–16; ISBN 978-0-444-63977-6.

27. Boreman, G.D. Classification of Imaging Spectrometers for Remote Sensing Applications. Opt. Eng 2005, 44, 013602. https://doi.org/10.1117/1.1813441.

28. Boldrini, B.; Kessler, W.; Rebner, K.; Kessler, R.W. Hyperspectral Imaging: A Review of Best Practice, Performance and Pitfalls for in-Line and on-Line Applications. J. Near Infrared Spectrosc. 2012, 20, 483–508. https://doi.org/10.1255/jnirs.1003.

29. Vasefi, F.; Booth, N.; Hafizi, H.; Farkas, D.L. Multimode Hyperspectral Imaging for Food Quality and Safety. In Hyperspectral Imaging in Agriculture, Food and Environment; Maldonado, A.I.L., Fuentes, H.R., Contreras, J.A.V., Eds.; InTech: London, UK, 2018.

30. Li, X.; Li, R.; Wang, M.; Liu, Y.; Zhang, B.; Zhou, J. Hyperspectral Imaging and Their Applications in the Nondestructive Quality Assessment of Fruits and Vegetables. In Hyperspectral Imaging in Agriculture, Food and Environment; Maldonado, A.I.L., Fuentes, H.R., Contreras, J.A.V., Eds.; InTech: London, UK, 2018; ISBN 978-1-78923-290-5.

31. Hagen, N.; Kudenov, M.W. Review of Snapshot Spectral Imaging Technologies. Opt. Eng 2013, 52, 090901. https://doi.org/10.1117/1.OE.52.9.090901.

32. Sousa, J.J.; Toscano, P.; Matese, A.; Di Gennaro, S.F.; Berton, A.; Gatti, M.; Poni, S.; Pádua, L.; Hruška, J.; Morais, R.; et al. UAV- Based Hyperspectral Monitoring Using Push-Broom and Snapshot Sensors: A Multisite Assessment for Precision Viticulture Applications. Sensors 2022, 22, 6574. https://doi.org/10.3390/s22176574.

33. Jung, A.; Michels, R.; Graser, R. Portable Snapshot Spectral Imaging for Agriculture. Acta Agrar. Debr. 2018, 221–225. https://doi.org/10.34101/actaagrar/150/1718.

34. Mishra, P.; Asaari, M.S.M.; Herrero-Langreo, A.; Lohumi, S.; Diezma, B.; Scheunders, P. Close Range Hyperspectral Imaging of Plants: A Review. Biosyst. Eng. 2017, 164, 49–67. https://doi.org/10.1016/j.biosystemseng.2017.09.009.

35. Wan, L.; Li, H.; Li, C.; Wang, A.; Yang, Y.; Wang, P. Hyperspectral Sensing of Plant Diseases: Principle and Methods. Agronomy 2022, 12, 1451. https://doi.org/10.3390/agronomy12061451.

36. Cheshkova, A.F. A Review of Hyperspectral Image Analysis Techniques for Plant Disease Detection and Identif Ication. Vavilovskii J. Genet. Breed 2022, 26, 202–213, doi:doi: 10.18699/VJGB-22-25.

37. Roman, A.; Ursu, T. Multispectral Satellite Imagery and Airborne Laser Scanning Techniques for the Detection of Archaeological Vegetation Marks. In Landscape Archaeology on the Northern Frontier of the Roman Empire at Porolissum—An Interdisciplinary Research Project; Mega Publishing House: Montreal, Canada, 2016; pp. 141–152.

38. Berdugo, C.A.; Zito, R.; Paulus, S.; Mahlein, A.-K. Fusion of Sensor Data for the Detection and Differentiation of Plant Diseases in Cucumber. Plant Pathol. 2014, 63, 1344–1356. https://doi.org/10.1111/ppa.12219.

39. Ahmed, M.R.; Yasmin, J.; Mo, C.; Lee, H.; Kim, M.S.; Hong, S.-J.; Cho, B.-K. Outdoor Applications of Hyperspectral Imaging Technology for Monitoring Agricultural Crops: A Review. J. Biosyst. Eng. 2016, 41, 396–407. https://doi.org/10.5307/JBE.2016.41.4.396.

40. He, Y.; Bo, Y.; Chai, L.; Liu, X.; Li, A. Linking in Situ LAI and Fine Resolution Remote Sensing Data to Map Reference LAI over Cropland and Grassland Using Geostatistical Regression Method. Int. J. Appl. Earth Obs. Geoinf. 2016, 50, 26–38. https://doi.org/10.1016/j.jag.2016.02.010.

41. Schaepman-Strub, G.; Schaepman, M.E.; Painter, T.H.; Dangel, S.; Martonchik, J.V. Reflectance Quantities in Optical Remote Sensing—Definitions and Case Studies. Remote Sens. Environ. 2006, 103, 27–42. https://doi.org/10.1016/j.rse.2006.03.002.

42. Hamylton, S.; Hedley, J.; Beaman, R. Derivation of High-Resolution Bathymetry from Multispectral Satellite Imagery: A Comparison of Empirical and Optimisation Methods through Geographical Error Analysis. Remote Sens. 2015, 7, 16257–16273. https://doi.org/10.3390/rs71215829.

43. Shaikh, M.S.; Jaferzadeh, K.; Thörnberg, B.; Casselgren, J. Calibration of a Hyper-Spectral Imaging System Using a Low-Cost Reference. Sensors 2021, 21, 3738. https://doi.org/10.3390/s21113738.

44. Guo, Y.; Senthilnath, J.; Wu, W.; Zhang, X.; Zeng, Z.; Huang, H. Radiometric Calibration for Multispectral Camera of Different Imaging Conditions Mounted on a UAV Platform. Sustainability 2019, 11, 978. https://doi.org/10.3390/su11040978.

45. Duan, T.; Chapman, S.C.; Guo, Y.; Zheng, B. Dynamic Monitoring of NDVI in Wheat Agronomy and Breeding Trials Using an Unmanned Aerial Vehicle. Field Crop. Res. 2017, 210, 71–80. https://doi.org/10.1016/j.fcr.2017.05.025.

46. Suomalainen, J.; Anders, N.; Iqbal, S.; Roerink, G.; Franke, J.; Wenting, P.; Hünniger, D.; Bartholomeus, H.; Becker, R.; Kooistra, L. A Lightweight Hyperspectral Mapping System and Photogrammetric Processing Chain for Unmanned Aerial Vehicles. Remote Sens. 2014, 6, 11013–11030. https://doi.org/10.3390/rs61111013.

47. Hakala, T.; Markelin, L.; Honkavaara, E.; Scott, B.; Theocharous, T.; Nevalainen, O.; Näsi, R.; Suomalainen, J.; Viljanen, N.; Greenwell, C.; et al. Direct Reflectance Measurements from Drones: Sensor Absolute Radiometric Calibration and System Tests for Forest Reflectance Characterization. Sensors 2018, 18, 1417. https://doi.org/10.3390/s18051417.

48. Smith, G.M.; Milton, E.J. The Use of the Empirical Line Method to Calibrate Remotely Sensed Data to Reflectance. Int. J. Remote Sens. 1999, 20, 2653–2662. https://doi.org/10.1080/014311699211994.

49. Geladi, P.; Burger, J.; Lestander, T. Hyperspectral Imaging: Calibration Problems and Solutions. Chemom. Intell. Lab. Syst. 2004, 72, 209–217. https://doi.org/10.1016/j.chemolab.2004.01.023.

50. Ahmed, F.; Mohanta, J.C.; Keshari, A.; Yadav, P.S. Recent Advances in Unmanned Aerial Vehicles: A Review. Arab. J. Sci. Eng. 2022, 47, 7963–7984. https://doi.org/10.1007/s13369-022-06738-0.

51. Pothuganti, K.; Jariso, M.; Kale, P. A Review on Geo Mapping with Unmanned Aerial Vehicles. Int. J. Innov. Res. Technol. Sci. Eng. 2017, 5, 1170–1177. https://doi.org/10.15680/IJIRCCE.2017. 0501126.

52. Wang, X.; Wang, H.; Zhang, H.; Wang, M.; Wang, L.; Cui, K.; Lu, C.; Ding, Y. A Mini Review on UAV Mission Planning. JIMO 2022. https://doi.org/10.3934/jimo.2022089.

53. UgCS. Ground Station Software|UgCS PC Mission Planning. Available online: https://www.ugcs.com/ (accessed on 18 September 2022).

54. PIX4Dcapture: Free Drone Flight Planning App for Optimal 3D Mapping and Modeling. Available online: https://www.pix4d.com/ (accessed on 18 September 2022).

55. Drone Mapping Software|Drone Mapping App|UAV Mapping|Surveying Software|DroneDeploy. Available online: https://www.dronedeploy.com/ (accessed on 19 September 2022).

56. DJI Pilot for Android—DJI Download Center—DJI. Available online: https://www.dji.com/downloads/djiapp/dji-pilot (accessed on 18 September 2022).

57. Nex, F.; Remondino, F. UAV for 3D Mapping Applications: A Review. Appl. Geomat. 2014, 6, 1–15. https://doi.org/10.1007/s12518-013-0120-x.

58. Federman, A.; Santana Quintero, M.; Kretz, S.; Gregg, J.; Lengies, M.; Ouimet, C.; Laliberte, J. Uav Photgrammetric Workflows: A Best Practice Guideline. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2017, XLII-2/W5, 237–244. https://doi.org/10.5194/isprs-archives-XLII-2-W5-237-2017.

59. Oniga, V.-E.; Breaban, A.-I.; Statescu, F. Determining the Optimum Number of Ground Control Points for Obtaining High Precision Results Based on UAS Images. In Proceedings of the The 2nd International Electronic Conference on Remote Sensing, Virtual, 22 March–5 April 2018; MDPI: Basel, Switzerland, 2018; p. 352.

60. Han, X.; Thomasson, J.A.; Wang, T.; Swaminathan, V. Autonomous Mobile Ground Control Point Improves Accuracy of Agricultural Remote Sensing through Collaboration with UAV. Inventions 2020, 5, 12. https://doi.org/10.3390/inventions5010012.

61. Ronchetti, G.; Mayer, A.; Facchi, A.; Ortuani, B.; Sona, G. Crop Row Detection through UAV Surveys to Optimize On-Farm Irrigation Management. Remote Sens. 2020, 12, 1967. https://doi.org/10.3390/rs12121967.

62. Zhang, K.; Okazawa, H.; Hayashi, K.; Hayashi, T.; Fiwa, L.; Maskey, S. Optimization of Ground Control Point Distribution for Unmanned Aerial Vehicle Photogrammetry for Inaccessible Fields. Sustainability 2022, 14, 9505. https://doi.org/10.3390/su14159505.

63. Image Composite Editor—Microsoft Research. Available online: https://www.microsoft.com/en-us/research/project/image- composite-editor/ (accessed on 18 September 2022).

64. Lu, J.; Tan, L.; Jiang, H. Review on Convolutional Neural Network (CNN) Applied to Plant Leaf Disease Classification. Agriculture 2021, 11, 707. https://doi.org/10.3390/agriculture11080707.

65. Patterson, J.; Gibson, A. A Review of Machine Learning. In Deep Learning: A Practitioner’s Approach; O’Reilly Media, Inc.: Sebastopol, CA, USA, 2017.

66. Sarker, I.H. Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Comput. Sci. 2021, 2, 420. https://doi.org/10.1007/s42979-021-00815-1.

67. Alzubaidi, L.; Zhang, J.; Humaidi, A.J.; Al-Dujaili, A.; Duan, Y.; Al-Shamma, O.; Santamaría, J.; Fadhel, M.A.; Al-Amidie, M.; Farhan, L. Review of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions. J. Big Data 2021, 8, 53. https://doi.org/10.1186/s40537-021-00444-8.

68. Shetty, A.K.; Saha, I.; Sanghvi, R.M.; Save, S.A.; Patel, Y.J. A Review: Object Detection Models. In Proceedings of the 2021 6th International Conference for Convergence in Technology (I2CT), Pune, India, 2–4 April 2021; IEEE: Maharashtra, India, 2021; pp. 1–8.

69. Yamashita, R.; Nishio, M.; Do, R.K.G.; Togashi, K. Convolutional Neural Networks: An Overview and Application in Radiology. Insights Imaging 2018, 9, 611–629. https://doi.org/10.1007/s13244-018-0639-9.

70. Elngar, A.A.; Arafa, M.; Fathy, A.; Moustafa, B.; Mahmoud, O.; Shaban, M.; Fawzy, N. Image Classification Based On CNN: A Survey. JCIM 2021, PP. 18-50. https://doi.org/10.54216/JCIM.060102.

71. Dhillon, A.; Verma, G.K. Convolutional Neural Network: A Review of Models, Methodologies and Applications to Object Detection. Prog. Artif. Intell. 2020, 9, 85–112. https://doi.org/10.1007/s13748-019-00203-0.

72. Wu, H.; Liu, Q.; Liu, X. A Review on Deep Learning Approaches to Image Classification and Object Segmentation. Comput. Mater. Contin. 2019, 60, 575–597. https://doi.org/10.32604/cmc.2019.03595.

73. Liu, J.; Wang, X. Plant Diseases and Pests Detection Based on Deep Learning: A Review. Plant Methods 2021, 17, 22. https://doi.org/10.1186/s13007-021-00722-9.

74. Grosse, R.B. Lecture 9: Generalization; University of Toronto: Toronto, Canada, 2018.

75. Willemink, M.J.; Koszek, W.A.; Hardell, C.; Wu, J.; Fleischmann, D.; Harvey, H.; Folio, L.R.; Summers, R.M.; Rubin, D.L.; Lungren, M.P. Preparing Medical Imaging Data for Machine Learning. Radiology 2020, 295, 4–15. https://doi.org/10.1148/radiol.2020192224.

76. Chang, K.; Balachandar, N.; Lam, C.; Yi, D.; Brown, J.; Beers, A.; Rosen, B.; Rubin, D.L.; Kalpathy-Cramer, J. Distributed Deep Learning Networks among Institutions for Medical Imaging. J. Am. Med. Inform. Assoc. 2018, 25, 945–954. https://doi.org/10.1093/jamia/ocy017.

77. Feras, A.B.; Ruixin, Y. Data Democracy; Academic Press: Cambridge, MA, USA, 2020.

78. Smith, K.K.; Varun, B.; Sachin, T.; Gabesh, R.S. Artificial Intelligence-Based Brain-Computer Interface; Academic Press: Cambridge, MA, USA, 2022.

79. Hicks, S.A.; Strümke, I.; Thambawita, V.; Hammou, M.; Riegler, M.A.; Halvorsen, P.; Parasa, S. On Evaluation Metrics for Medical Applications of Artificial Intelligence. Sci. Rep. 2022, 12, 5979. https://doi.org/10.1038/s41598-022-09954-8.

80. Padilla, R.; Netto, S.L.; da Silva, E.A.B. A Survey on Performance Metrics for Object-Detection Algorithms. In Proceedings of the 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), Niterói, Brazil, 1–3 July 2020; pp. 237–242.

81. Yu, R.; Luo, Y.; Li, H.; Yang, L.; Huang, H.; Yu, L.; Ren, L. Three-Dimensional Convolutional Neural Network Model for Early Detection of Pine Wilt Disease Using UAV-Based Hyperspectral Images. Remote Sens. 2021, 13, 4065. https://doi.org/10.3390/rs13204065.

82. Zhang, X.; Han, L.; Dong, Y.; Shi, Y.; Huang, W.; Han, L.; González-Moreno, P.; Ma, H.; Ye, H.; Sobeih, T. A Deep Learning- Based Approach for Automated Yellow Rust Disease Detection from High-Resolution Hyperspectral UAV Images. Remote Sens. 2019, 11, 1554. https://doi.org/10.3390/rs11131554.

83. He, K.; Zhang, X.; Ren, S.; Sun, J. Deep Residual Learning for Image Recognition. arXiv 2015, arXiv:1512.03385. https://doi.org/10.48550/ARXIV.1512.03385.

84. Szegedy, C.; Wei, L.; Yangqing, J.; Sermanet, P.; Reed, S.; Anguelov, D.; Erhan, D.; Vanhoucke, V.; Rabinovich, A. Going Deeper with Convolutions. In Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 7–12 June 2015; pp. 1–9.

85. Shi, Y.; Han, L.; Kleerekoper, A.; Chang, S.; Hu, T. Novel CropdocNet Model for Automated Potato Late Blight Disease Detection from Unmanned Aerial Vehicle-Based Hyperspectral Imagery. Remote Sens. 2022, 14, 396. https://doi.org/10.3390/rs14020396.

86. Kerkech, M.; Hafiane, A.; Canals, R. Vine Disease Detection in UAV Multispectral Images Using Optimized Image Registration and Deep Learning Segmentation Approach. Comput. Electron. Agric. 2020, 174, 105446. https://doi.org/10.1016/j.compag.2020.105446.

87. Guo, A.; Huang, W.; Dong, Y.; Ye, H.; Ma, H.; Liu, B.; Wu, W.; Ren, Y.; Ruan, C.; Geng, Y. Wheat Yellow Rust Detection Using UAV- Based Hyperspectral Technology. Remote Sens. 2021, 13, 123. https://doi.org/10.3390/rs13010123.

88. Yu, R.; Luo, Y.; Zhou, Q.; Zhang, X.; Wu, D.; Ren, L. Early Detection of Pine Wilt Disease Using Deep Learning Algorithms and UAV- Based Multispectral Imagery. For. Ecol. Manag. 2021, 497, 119493. https://doi.org/10.1016/j.foreco.2021.119493.

89. Ha, J.G.; Moon, H.; Kwak, J.T.; Hassan, S.I.; Dang, M.; Lee, O.N.; Park, H.Y. Deep Convolutional Neural Network for Classifying Fusarium Wilt of Radish from Unmanned Aerial Vehicles. J. Appl. Remote Sens. 2017, 11, 1. https://doi.org/10.1117/1.JRS.11.042621.

90. Qin, J.; Wang, B.; Wu, Y.; Lu, Q.; Zhu, H. Identifying Pine Wood Nematode Disease Using UAV Images and Deep Learning Algorithms. Remote Sens. 2021, 13, 162. https://doi.org/10.3390/rs13020162.

91. Xia, L.; Zhang, R.; Chen, L.; Li, L.; Yi, T.; Wen, Y.; Ding, C.; Xie, C. Evaluation of Deep Learning Segmentation Models for Detection of Pine Wilt Disease in Unmanned Aerial Vehicle Images. Remote Sens. 2021, 13, 3594. https://doi.org/10.3390/rs13183594.

92. Yu, R.; Luo, Y.; Zhou, Q.; Zhang, X.; Wu, D.; Ren, L. A Machine Learning Algorithm to Detect Pine Wilt Disease Using UAV- Based Hyperspectral Imagery and LiDAR Data at the Tree Level. Int. J. Appl. Earth Obs. Geoinf. 2021, 101, 102363. https://doi.org/10.1016/j.jag.2021.102363.

93. Wu, B.; Liang, A.; Zhang, H.; Zhu, T.; Zou, Z.; Yang, D.; Tang, W.; Li, J.; Su, J. Application of Conventional UAV-Based High- Throughput Object Detection to the Early Diagnosis of Pine Wilt Disease by Deep Learning. For. Ecol. Manag. 2021, 486, 118986. https://doi.org/10.1016/j.foreco.2021.118986.

94. Ahmad, A.; Saraswat, D.; El Gamal, A. A Survey on Using Deep Learning Techniques for Plant Disease Diagnosis and Recommendations for Development of Appropriate Tools. Smart Agric. Technol. 2023, 3, 100083. https://doi.org/10.1016/j.atech.2022.100083.

95. Zhang, N.; Wang, Y.; Zhang, X. Extraction of Tree Crowns Damaged by Dendrolimus Tabulaeformis Tsai et Liu via Spectral-Spatial Classification Using UAV-Based Hyperspectral Images. Plant Methods 2020, 16, 135. https://doi.org/10.1186/s13007-020-00678-2.

96. Yu, R.; Ren, L.; Luo, Y. Early Detection of Pine Wilt Disease in Pinus Tabuliformis in North China Using a Field Portable Spectrometer and UAV-Based Hyperspectral Imagery. For. Ecosyst. 2021, 8, 44. https://doi.org/10.1186/s40663-021-00328-6.

97. Bohnenkamp, D.; Behmann, J.; Mahlein, A.-K. In-Field Detection of Yellow Rust in Wheat on the Ground Canopy and UAV Scale. Remote Sens. 2019, 11, 2495. https://doi.org/10.3390/rs11212495.

98. Abdulridha, J.; Ampatzidis, Y.; Roberts, P.; Kakarla, S.C. Detecting Powdery Mildew Disease in Squash at Different Stages Using UAV-Based Hyperspectral Imaging and Artificial Intelligence. Biosyst. Eng. 2020, 197, 135–148. https://doi.org/10.1016/j.biosystemseng.2020.07.001.

99. Abdulridha, J.; Batuman, O.; Ampatzidis, Y. UAV-Based Remote Sensing Technique to Detect Citrus Canker Disease Utilizing Hyperspectral Imaging and Machine Learning. Remote Sens. 2019, 11, 1373. https://doi.org/10.3390/rs11111373.

100. Abdulridha, J.; Ampatzidis, Y.; Qureshi, J.; Roberts, P. Laboratory and UAV-Based Identification and Classification of Tomato Yellow Leaf Curl, Bacterial Spot, and Target Spot Diseases in Tomato Utilizing Hyperspectral Imaging and Machine Learning. Remote Sens. 2020, 12, 2732. https://doi.org/10.3390/rs12172732.

101. Wan, L.; Zhu, J.; Du, X.; Zhang, J.; Han, X.; Zhou, W.; Li, X.; Liu, J.; Liang, F.; He, Y.; et al. A Model for Phenotyping Crop Fractional Vegetation Cover Using Imagery from Unmanned Aerial Vehicles. J. Exp. Bot. 2021, 72, 4691–4707. https://doi.org/10.1093/jxb/erab194.

102. Han, X.; Thomasson, J.A.; Bagnall, G.C.; Pugh, N.A.; Horne, D.W.; Rooney, W.L.; Jung, J.; Chang, A.; Malambo, L.; Popescu, S.C.; et al. Measurement and Calibration of Plant-Height from Fixed-Wing UAV Images. Sensors 2018, 18, 4092. https://doi.org/10.3390/s18124092.

103. Discover Intelligent Photogrammetry with Metashape. Available online: https://www.agisoft.com/ (accessed on 21 November 2022).

104. PIX4Dmapper: Professional Photogrammetry Software for Drone Mapping. Available online: https://www.pix4d.com/product/pix4dmapper-photogrammetry-software (accessed on 21 November 2022).

105. DJI Terra: Make the World Your Digital Asset. Available online: https://www.dji.com/dji-terra (accessed on 22 November 2022).

106. ArcGIS Pro: The World’s Leading GIS Software. Available online: https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview (accessed on 21 November 2022).

107. ENVI: Process and Analyze All Types of Imagery and Data. Available online: https://www.l3harrisgeospatial.com/Software- Technology/ENVI (accessed on 21 November 2022).

108. Rojas, F.A. Exploring Machine Learning for Disease Assessment from Highresolution UAV Imagery. Master’s Thesis, Wageningen University and Research Centre, Wageningen, The Netherlands, 2018.

109. Shu, M.; Shen, M.; Zuo, J.; Yin, P.; Wang, M.; Xie, Z.; Tang, J.; Wang, R.; Li, B.; Yang, X.; et al. The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines. Plant Phenomics 2021, 2021, 1–14. https://doi.org/10.34133/2021/9890745.

110. Meena, S.V.; Dhaka, V.S.; Sinwar, D. Exploring the Role of Vegetation Indices in Plant Diseases Identification. In Proceedings of the 2020 Sixth International Conference on Parallel, Distributed and Grid Computing (PDGC), Waknaghat, India, 3–6 November 2020; pp. 372–377.

111. Neupane, K.; Baysal-Gurel, F. Automatic Identification and Monitoring of Plant Diseases Using Unmanned Aerial Vehicles: A Review. Remote Sens. 2021, 13, 3841. https://doi.org/10.3390/rs13193841.

112. Marin, D.B.; Ferraz, G.A.S.; Santana, L.S.; Barbosa, B.D.S.; Barata, R.A.P.; Osco, L.P.; Ramos, A.P.M.; Guimarães, P.H.S. Detecting Coffee Leaf Rust with UAV-Based Vegetation Indices and Decision Tree Machine Learning Models. Comput. Electron. Agric. 2021, 190, 106476. https://doi.org/10.1016/j.compag.2021.106476.

113. Zhao, H.; Yang, C.; Guo, W.; Zhang, L.; Zhang, D. Automatic Estimation of Crop Disease Severity Levels Based on Vegetation Index Normalization. Remote Sens. 2020, 12, 1930. https://doi.org/10.3390/rs12121930.

114. Index DataBase. Available online: https://www.indexdatabase.de/ (accessed on 20 September 2022).

115. Golhani, K.; Balasundram, S.K.; Vadamalai, G.; Pradhan, B. A Review of Neural Networks in Plant Disease Detection Using Hyperspectral Data. Inf. Process. Agric. 2018, 5, 354–371. https://doi.org/10.1016/j.inpa.2018.05.002.

116. Mahlein, A.-K.; Rumpf, T.; Welke, P.; Dehne, H.-W.; Plümer, L.; Steiner, U.; Oerke, E.-C. Development of Spectral Indices for Detecting and Identifying Plant Diseases. Remote Sens. Environ. 2013, 128, 21–30. https://doi.org/10.1016/j.rse.2012.09.019.

117. Meng, R.; Lv, Z.; Yan, J.; Chen, G.; Zhao, F.; Zeng, L.; Xu, B. Development of Spectral Disease Indices for Southern Corn Rust Detection and Severity Classification. Remote Sens. 2020, 12, 3233. https://doi.org/10.3390/rs12193233.

118. Castelao Tetila, E.; Brandoli Machado, B.; Belete, N.A.d.S.; Guimaraes, D.A.; Pistori, H. Identification of Soybean Foliar Diseases Using Unmanned Aerial Vehicle Images. IEEE Geosci. Remote Sens. Lett. 2017, 14, 2190–2194. https://doi.org/10.1109/LGRS.2017.2743715.

119. Hlaing, C.S.; Maung Zaw, S.M. Tomato Plant Diseases Classification Using Statistical Texture Feature and Color Feature. In Proceedings of the 2018 IEEE/ACIS 17th International Conference on Computer and Information Science (ICIS), Singapore, 6–8 June 2018; pp. 439–444.

120. Hu, G.; Yin, C.; Wan, M.; Zhang, Y.; Fang, Y. Recognition of Diseased Pinus Trees in UAV Images Using Deep Learning and AdaBoost Classifier. Biosyst. Eng. 2020, 194, 138–151. https://doi.org/10.1016/j.biosystemseng.2020.03.021.

121. Wiesner-Hanks, T.; Wu, H.; Stewart, E.; DeChant, C.; Kaczmar, N.; Lipson, H.; Gore, M.A.; Nelson, R.J. Millimeter-Level Plant Disease Detection From Aerial Photographs via Deep Learning and Crowdsourced Data. Front. Plant Sci. 2019, 10, 1550. https://doi.org/10.3389/fpls.2019.01550.

122. Ahmad, A.; Aggarwal, V.; Saraswat, D.; El Gamal, A.; Johal, G.S. GeoDLS: A Deep Learning-Based Corn Disease Tracking and Location System Using RTK Geolocated UAS Imagery. Remote Sens. 2022, 14, 4140. https://doi.org/10.3390/rs14174140.

123. Tetila, E.C.; Machado, B.B.; Menezes, G.K.; Da Silva Oliveira, A.; Alvarez, M.; Amorim, W.P.; De Souza Belete, N.A.; Da Silva, G.G.; Pistori, H. Automatic Recognition of Soybean Leaf Diseases Using UAV Images and Deep Convolutional Neural Networks. IEEE Geosci. Remote Sens. Lett. 2020, 17, 903–907. https://doi.org/10.1109/LGRS.2019.2932385.

124. Sugiura, R.; Tsuda, S.; Tsuji, H.; Murakami, N. Virus-Infected Plant Detection in Potato Seed Production Field by UAV Imagery. In Proceedings of the 2018 ASABE Annual International Meeting, Detroit, MI, USA, 29 July–1 August 2018; American Society of Agricultural and Biological Engineers: St. Joseph, MI, USA, 2018.

125. Musci, M.A.; Persello, C.; Lingua, A.M. UAV Images and Deep-Learning Algorithms for Detecting Flavescence Doree Disease in Grapevine Orchards. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2020, XLIII-B3-2020, 1483–1489. https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-1483-2020.

126. You, J.; Zhang, R.; Lee, J. A Deep Learning-Based Generalized System for Detecting Pine Wilt Disease Using RGB-Based UAV Images. Remote Sens. 2021, 14, 150. https://doi.org/10.3390/rs14010150.

127. Li, F.; Liu, Z.; Shen, W.; Wang, Y.; Wang, Y.; Ge, C.; Sun, F.; Lan, P. A Remote Sensing and Airborne Edge-Computing Based Detection System for Pine Wilt Disease. IEEE Access 2021, 9, 66346–66360. https://doi.org/10.1109/ACCESS.2021.3073929.

128. Pan, Q.; Gao, M.; Wu, P.; Yan, J.; Li, S. A Deep-Learning-Based Approach for Wheat Yellow Rust Disease Recognition from Unmanned Aerial Vehicle Images. Sensors 2021, 21, 6540. https://doi.org/10.3390/s21196540.

129. Kerkech, M.; Hafiane, A.; Canals, R.; Ros, F. Vine Disease Detection by Deep Learning Method Combined with 3D Depth Information. In Image and Signal Processing; El Moataz, A., Mammass, D., Mansouri, A., Nouboud, F., Eds.; Lecture Notes in Computer Science; Springer International Publishing: Cham, Switzerland, 2020; Volume 12119, pp. 82–90; ISBN 978-3-030- 51934-6.

130. Gao, J.; Westergaard, J.C.; Sundmark, E.H.R.; Bagge, M.; Liljeroth, E.; Alexandersson, E. Automatic Late Blight Lesion Recognition and Severity Quantification Based on Field Imagery of Diverse Potato Genotypes by Deep Learning. Knowl. -Based Syst. 2021, 214, 106723. https://doi.org/10.1016/j.knosys.2020.106723.

131. Han, Z.; Hu, W.; Peng, S.; Lin, H.; Zhang, J.; Zhou, J.; Wang, P.; Dian, Y. Detection of Standing Dead Trees after Pine Wilt Disease Outbreak with Airborne Remote Sensing Imagery by Multi-Scale Spatial Attention Deep Learning and Gaussian Kernel Approach. Remote Sens. 2022, 14, 3075. https://doi.org/10.3390/rs14133075.

132. Diez, Y.; Kentsch, S.; Fukuda, M.; Caceres, M.L.L.; Moritake, K.; Cabezas, M. Deep Learning in Forestry Using UAV-Acquired RGB Data: A Practical Review. Remote Sens. 2021, 13, 2837. https://doi.org/10.3390/rs13142837.

133. Wu, H.; Wiesner-Hanks, T.; Stewart, E.L.; DeChant, C.; Kaczmar, N.; Gore, M.A.; Nelson, R.J.; Lipson, H. Autonomous Detection of Plant Disease Symptoms Directly from Aerial Imagery. Plant Phenome J. 2019, 2, 1–9. https://doi.org/10.2135/tppj2019.03.0006.

134. Shaw, G.A.; Burke, H.K. Spectral Imaging for Remote Sensing. Linc. Lab. J. 2003, 14, 3–28.

135. Mahlein, A.-K.; Steiner, U.; Hillnhütter, C.; Dehne, H.-W.; Oerke, E.-C. Hyperspectral Imaging for Small-Scale Analysis of Symptoms Caused by Different Sugar Beet Diseases. Plant Methods 2012, 8, 3. https://doi.org/10.1186/1746-4811-8-3.

136. Kumar, A.; Lee, W.S.; Ehsani, R.J.; Albrigo, G.; Yang, C.; Mangane, R.L. Citrus Greening Disease Detection Using Aerial Hyperspectral and Multispectral Imaging Techniques. J. Appl. Remote Sens. 2012, 6, 063542. https://doi.org/10.1117/1.JRS.6.063542.

137. Li, L.; Zhang, S.; Wang, B. Plant Disease Detection and Classification by Deep Learning—A Review. IEEE Access 2021, 9, 56683– 56698. https://doi.org/10.1109/ACCESS.2021.3069646.

MDPI сохраняет нейтралитет в отношении юрисдикционных притязаний на опубликованных картах и институциональной принадлежности.

© 2022 авторы. Лицензиат: MDPI, Базель, Швейцария. Статья открытого доступа распространяется на условиях лицензии CreativeCommons Attribution (CC BY) (https://creativecommons.org/licenses/by/4.0/).