Гиперспектральная диагностика заболеваний растений: принципы и методы.

Long Wan1,†, Hui Li 1,†, Chengsong Li 1,*, Aichen Wang 2, Yuheng Yang 3 and Pei Wang 1,2,3,4,*
1 College of Engineering and Technology, Southwest University, Chongqing 400715, China; wl09151057@email.swu.edu.cn (L.W.); leehui@swu.edu.cn (H.L.)
2 Key Laboratory of Modern Agricultural Equipment and Technology (Jiangsu University), Ministry of Education, School of Agricultural Engineering, Jiangsu University, Zhenjiang 212013, China; acwang@ujs.edu.cn
3 Interdisciplinary Research Center for Agriculture Green Development in Yangtze River Basin, Southwest University, Chongqing 400715, China; yyh023@swu.edu.cn
4 Institute of Urban Agriculture, Chinese Academy of Agricultural Sciences, Chengdu 610213, China
* Correspondence: lcs_shz@163.com (C.L.); peiwang@swu.edu.cn (P.W.)
† These authors contributed equally to this work.

Аннотация:

Инфекция патогенами значительно снижает урожайность сельскохозяйственных культур. Симптомы заболеваний обычно проявляются, когда растения уже сильно заражены, поэтому необходимы быстрые методы для мониторинга болезней на ранних стадиях инфекции и оптимизации стратегий контроля. Гиперспектральная визуализация, как быстрый и неразрушающий метод, достигла значительных результатов в идентификации болезней растений. Различные модели были разработаны для идентификации болезней в различных растениях, таких как зерновые культуры, овощи, фруктовые деревья и т.д. В этих моделях важные алгоритмы, такие как индекс вегетации и методы классификации машинного обучения, играют значительную роль в обнаружении и раннем предупреждении болезней. В данной статье обсуждаются принципы гиперспектральной визуализации и общие спектральные характеристики симптомов болезней растений. Мы рассматриваем механизм воздействия инфекции патогенов на фоторезонанс и спектральные особенности растений, инструменты обработки данных и алгоритмы гиперспектральной информации о зараженных патогенами растениях, а также перспективы применения гиперспектральной визуализации для идентификации болезней растений.

1. Введение

Патогены в последние два десятилетия создали значительные проблемы для производства сельскохозяйственных культур. Снижение урожайности, вызванное болезнями растений, может достигать 28,1% для пшеницы, 40,9% для риса, 41,4% для кукурузы, 21% для картофеля и 32,4% для сои [1]. Существует несколько причин, способствующих увеличению заболеваемости по всему миру. Во-первых, глобализация человеческой деятельности способствует более быстрому распространению и более широкому распространению патогенов растений [2]. Во-вторых, коммерциализированные высокоурожайные сорта выводятся из генотипов, выращиваемых в определенных регионах. Эти сорта могут не адаптироваться к новым региональным условиям и могут быть менее устойчивыми к местным патогенам растений по сравнению с их дикими родственниками [3]. Наконец, интенсивное применение удобрений, крупномасштабное выращивание монокультур и сокращение севооборота влияют на состав почвенных бактерий и повреждают микроорганизмы, подавляющие болезни. В результате растения могут быть более подвержены заражению патогенами [4].

Традиционно болезни растений идентифицируются визуально по симптомам, когда растения сильно заражены патогенами. Это обычно занимает много времени и требует значительных трудовых затрат. Кроме того, это является недостатком для защиты растений с помощью фунгицидов, поскольку лучший контроль может быть достигнут при опрыскивании на ранней стадии заражения патогеном. Помимо ручного мониторинга, биологические и молекулярные методы обнаружения также обеспечивают точные результаты оценки болезней растений. Однако лабораторные биоанализы могут иметь высокую стоимость и низкую производительность в реальном времени, а также ограниченный размер выборки, что ограничивает масштаб измерений [5–7].

Таким образом, крайне важно своевременно оценивать возникновение болезней растений и предоставлять раннее предупреждение о заражении патогенами в культурах. Чтобы удовлетворить требования высокопроизводительного обнаружения болезней растений для точного контроля фунгицидов, необходимы неразрушающие и автоматические методы дистанционного обнаружения с высокой чувствительностью и надежностью.

В последние годы современные сенсорные технологии были применены для автоматического обнаружения и раннего предупреждения болезней растений [8]. Например, система инфракрасной термографии была использована для идентификации вирус мозаики пепино и ржавчины листьев пшеницы [9]; технология визуализации флуоресценции хлорофилла использовалась для мониторинга фотосинтетической активности цитрусовых при заболевании «хуанлонгбин» [10]; модели глубокого обучения значительно улучшили точность и эффективность классификации изображений RGB здоровых или зараженных патогенами растений. Однако технология машинного зрения могла идентифицировать болезни растений только в том случае, если симптомы были явно заметны на листьях растений, что обычно было слишком поздно для применения фунгицидов. По сравнению с другими методами сенсорного анализа, спектральная визуализация была наиболее широко применена и продемонстрировала значительный потенциал в реальном времени для обнаружения и оценки болезней растений [11–13]. В этом обзоре мы суммируем принципы, текущее состояние применения, технические препятствия, алгоритмы обработки данных и тенденции развития использования гиперспектральной визуализации для идентификации болезней в фитопатологии.

2. Обзор литературы

Этот обзор исследует актуальную литературу, опубликованную с 2001 по 2021 год. Были получены следующие результаты:
(1) Поиск по ключевым словам "гиперспектральный" и "растения" дал 6207 публикаций в общей сложности. За исключением повторяющихся записей литературы, было получено 6165 релевантных записей литературы. (2) В ходе поиска по теме «болезнь» в результатах (1) было получено 621 литературное упоминание.

(3) 621 литературное упоминание, полученное выше, проанализировано в данном обзоре. Объектами исследования были зерновые культуры, овощи, плодовые деревья, лекарственные материалы, табак и другие культуры [14–20]. Среди них было обнаружено, что идентификация болезней пшеницы привлекла наибольшее внимание ученых, всего опубликовано 174 статьи. Значительные результаты были достигнуты в обнаружении желтой ржавчины [21], парши [22], мучнистой росы [23], ложной мучнистой росы [24] и нескольких других основных заболеваний пшеницы.

Для идентификации этих заболеваний использовались различные алгоритмы обработки спектральных данных, включая индекс вегетации, спектральную стехиометрию, машинное обучение и глубокое обучение. Следует отметить, что в последние годы модели глубокого обучения стали более распространенными для обработки спектральных данных по сравнению с традиционными инструментами машинного обучения. В алгоритмах идентификации заболеваний использовались как контролируемые, так и неконтролируемые классы, включая алгоритм кластеризации K-средних [25], метод опорных векторов (SVM) [26], метод K ближайших соседей (KNN) [27], алгоритм дерева решений [28] и методы глубокого обучения, такие как автоэнкодер с накоплением (SAE) [29], глубокая сеть доверия (DBN) [30], сверточные нейронные сети (CNN) [31] и т.д. В то же время методы извлечения признаков гиперспектральных данных изменились от извлечения на основе одного пространственного или спектрального признака до комбинации пространственных и спектральных признаков.

В целом, технология гиперспектральной визуализации достигла значительных успехов в области обнаружения болезней растений, в которой методы обработки данных, такие как машинное обучение и глубокое обучение, показали большой потенциал.

3. Механизм изменения спектральной информации и фоторезонанса при болезнях растений**

3.1. Принципы технологии гиперспектральной визуализации и датчиков

Спектральный анализ широко используется для изучения взаимодействия электромагнитного излучения с материалами на основе длины волны и интенсивности отражения. Это количественный метод анализа фоторезонансной информации в дистанционном зондировании. Путем анализа и интерпретации спектральной информации любого объекта можно выявить изменения его поверхностных физических характеристик или химических особенностей.
Гиперспектральное дистанционное зондирование также известно как дистанционное зондирование с высоким спектральным разрешением. Согласно международному сообществу дистанционного зондирования, спектральное разрешение 10-1 определяется как мультиспектральное, а спектральное разрешение 10-2 определяется как гиперспектральное.

Гиперспектральная визуализация представляет собой комплексную технологию, объединяющую обнаружение слабых сигналов, зондирование, прецизионную оптическую механику и вычислительные технологии. Она позволяет получать гиперспектральные данные изображения с непрерывным и узким спектральным разрешением. Это также вид многомерной технологии сбора информации, которая объединяет визуализацию и спектральные технологии.

По сравнению с не визуализационной спектральной технологией, гиперспектральные данные изображения могут предоставлять дополнительную информацию, такую как форма, градиент, цвет и т.д. Разрешение данных изображения гиперспектральной визуализации высокое, с изменением длины волны 10-2 [32]. В видимом и коротковолновом инфракрасном диапазоне спектральное разрешение составляет уровень нанометров. Могут быть десятки или даже сотни спектральных полос. Спектральные полосы непрерывны, и на каждом пикселе изображения можно извлечь полную гиперспектральную кривую. Таким образом, гиперспектральные данные формируются в виде трехмерного куба изображения, как показано на рисунке 2. Измерение X-Y выражает пространственную информацию изображения. Третье измерение ( ) является спектральным/волновой длиной, состоящим из нескольких полос в спектральном пространстве. Путем многомерного сечения гиперспектрального куба изображения можно получить различные типы спектральных характеристик, такие как спектральные характеристики в любой точке пикселя, спектральное изменение в спектральном интервале на произвольном пространственном профиле или пространственное изображение любой полосы в спектральном измерении и т.д. С помощью этой информации можно не только идентифицировать объект по его характеристикам изображения в пространственном сечении, но и анализировать спектральные характеристики в спектральном измерении. В результате это способствует распознаванию типов, компонентов и содержания веществ [33].

Как основная часть системы гиперспектральной визуализации, спектральные датчики можно классифицировать по их спектральному разрешению (количеству и ширине измерительных полос), спектральным масштабам (ультрафиолетовый, видимый, ближний инфракрасный, коротковолновый инфракрасный и т.д.) или принципам визуализации (визуализация или не визуализация) [34].

Гиперспектральный датчик визуализации может предоставить спектральную информацию с пространственным разрешением для обнаруженного объекта, в то время как не визуальные датчики обычно предоставляют среднюю спектральную информацию определенной области в их поле зрения. Помимо RGB-полос, гиперспектральный датчик также может охватывать видимый диапазон электромагнитного спектра от 400 нм до 700 нм, ближний инфракрасный диапазон от 700 нм до 1000 нм и коротковолновый инфракрасный диапазон от 1000 нм до 2500 нм. Возможное узкое спектральное разрешение гиперспектрального датчика может быть менее 1 нм [35]. Мультиспектральные датчики похожи на гиперспектральные датчики, но они предоставляют меньше сложности данных и содержания информации. Эти датчики измеряют спектральную информацию объектов в нескольких полосах, которые обычно являются RGB и ближним инфракрасным. Снижение затрат на сенсорное оборудование может сделать мультиспектральные датчики легкими и относительно дешевыми. В полевых приложениях как мультиспектральные, так и гиперспектральные датчики часто объединяются с беспилотными летательными аппаратами для дистанционного зондирования с низкой высоты.

3.2. Фотоответ растений, инфицированных патогенами

Понимание взаимодействия растений со светом имеет решающее значение для анализа гиперспектральных данных.
Многие исследования показали, что способы взаимодействия листьев растений с естественным светом можно разделить на три типа:

·         пропускание (трансмиссия);
·         поглощение;
·         отражение.
Это представлено на рисунке 3.

Во-первых, свет может проходить через листья [36]; во-вторых, свет может поглощаться химическими веществами в листьях (такими как пигменты, вода, сахара, лигнин и аминокислоты) [37,38]; в-третьих, свет может отражаться поверхностью или внутренней структурой листьев (восковой кутикулой, клеточной стенкой и т.д.) [37,39].

Технология гиперспектральной визуализации может использоваться для мониторинга отраженного и пропущенного света. Гиперспектральные данные раскрывают характеристики спектральной активности поглощения химических веществ в листе. Однако из-за ограничений выходной мощности датчиков пропускания и сложности их измерительных настроек было разработано лишь несколько систем для измерения как отражения, так и пропускания света для обнаружения болезней растений.

Различные вещества имеют разные значения отражения и поглощения света в определенных диапазонах волн, что демонстрирует уникальные спектральные характеристики. Например, спектральные кривые зеленых растений схожи. Они показывают типичные отражательные спектральные характеристики в некоторых диапазонах, которые показаны на рисунке 4, включая следующие аспекты:

(1) Около 550 нм наблюдается небольшой пик отражения, который соответствует сильному отражению хлорофилла [40];

(2) Около 700 нм отражательная способность резко возрастает, так как поглощение хлорофилла имеет низкую красную отражательную способность и высокую внутреннюю рассеяние в листе, что приводит к высокой отражательной способности в ближнем инфракрасном диапазоне. Наклон кривой тесно связан с содержанием хлорофилла в живых растениях. Это также известно как явление красного края [41];

(3) В диапазоне от 700 до 1200 нм происходит сильное отражение, так как листья почти больше не поглощают световую энергию, чтобы избежать ожогов от высокой температуры [36];

(4) Имеются две полосы поглощения влаги с низким отражением вблизи 1470 нм и 1940 нм, которые формируют два минимума отражения [42];

(5) В спектральном диапазоне от 1300 до 2500 нм спектральные характеристики отражения в основном связаны с содержанием влаги в растениях и выбросами CO2 [43].

Развитие болезней растений — это динамический процесс, в котором непрерывно происходят различные реакции. В процессе взаимодействия растений и патогенов в живых растениях происходят многочисленные физиологические и биохимические реакции. Основываясь на питательной структуре и онтогенезе различных грибковых патогенов, эти изменения в развитии болезней растений, в свою очередь, влияют на оптические свойства растений [44]. Это делает возможным обнаружение болезней растений с помощью гиперспектрального метода и различение различных заболеваний на каждой стадии развития болезни растений.
Традиционно болезни растений идентифицируются либо по симптомам (например, повреждение, увядание, галлы, опухоли, язвы, гниль или некротические заболевания), либо по видимым патогенным микроорганизмам (например, споры в роде ржавчины, мицелий или конидии в роде эритиспела) [45].
Ранние взаимодействия растений и патогенов обнаруживаются на субмиллиметровом уровне, что ограничивает точное наблюдение с помощью визуальной оценки или систем гиперспектральной визуализации.

Пространственное разрешение гиперспектральной камеры можно улучшить, используя гиперспектральный микроскоп [46,47]. С помощью этого подхода можно изучать микроскопические и тонкие реакции, связанные с устойчивостью, и механизмы патогенеза в растениях. Получение свойств гиперспектральной визуализации биологических процессов во время взаимодействия растений и патогенов позволяет обнаруживать болезни растений с помощью технологии гиперспектральной визуализации.

Сложные процессы контролируют возникновение и прогрессирование болезни в каждой индивидуальной системе растение-патоген. Изменения в отражательной способности, вызванные болезнью растений, могут быть связаны с повреждением конкретных химических компонентов поверхностей или тканей листьев во время патогенеза, что может быть хлорозом, последовательностью некротической ткани или появлением типичных грибковых структур. Каждое взаимодействие хозяина и патогена имеет специфические и динамические состояния в пространственных и временных измерениях, что влияет на спектральные свойства в различных диапазонах длин волн [48–51].

4. Анализ информации гиперспектральной съёмки для выявления болезней растений

Гиперспектральная съёмка — это бесконтактный и неразрушающий метод обнаружения. Гиперспектральные изображения содержат большой объём информации, отражающей характеристики окружающей среды и химических соединений [51–53].

Основная задача анализа гиперспектральных данных — извлечь релевантную информацию о целевом объекте из огромного массива данных, полученных при съёмке [51]. Полезная информация, связанная с болезнями растений, может меняться в процессе патогенеза и распределяться по нескольким областям измеренного спектра. В последние годы для выявления болезней растений с помощью гиперспектральных изображений применяется множество методов анализа данных. В этом разделе рассмотрены наиболее распространённые подходы к предварительной обработке и анализу гиперспектральных данных.
**4. Анализ гиперспектральных изображений для идентификации болезней растений**

Гиперспектральное зондирование — это бесконтактный и неразрушающий метод обнаружения. Гиперспектральные изображения содержат большое количество информации, которая раскрывает характеристики окружающей среды и химических соединений [51–53]. Задача анализа гиперспектральных данных заключается в извлечении целевой информации из огромного объема данных гиперспектральных изображений [51]. Полезная информация, связанная с болезнями растений, может варьироваться в процессе патогенеза и распределяться по нескольким областям измеряемого спектра. В последние годы для обнаружения болезней растений на гиперспектральных изображениях было применено множество методов анализа данных. В этом разделе рассматриваются наиболее распространенные методы предварительной обработки и анализа гиперспектральных данных.

 4.1. Предварительная обработка гиперспектральных изображений

4.1.1. Мозаика изображений

После сбора изображений культур необходимо сшить несколько изображений с небольшим диапазоном, чтобы получить полное и ценное изображение большой площади. Мозаика полных изображений выполняется путем сопоставления пикселей с одинаковыми названиями между изображениями.

Fu et al. [54] сообщили о методе глубокого обучения от начала до конца для реконструкции гиперспектральных изображений непосредственно из исходного мозаичного изображения. Это позволяет избежать отдельного процесса демозаики, который требуется другими методами для реконструкции полноразрешенных данных RGB из исходного мозаичного изображения. Метод снизил вычислительную сложность и накопленную ошибку. Были разработаны три различные сети на основе передовых моделей, включая остаточную сеть, многослойную сеть и параллельную многослойную сеть. Liu et al. [55] использовали изображения дистанционного зондирования для извлечения информации о количестве растений на стадии всходов кукурузы. Для повышения точности мозаики изображений в разных навигационных полосах были установлены геометрические опорные доски в качестве контрольных точек GPS, чтобы обеспечить последующую работу по мозаике на основе географического позиционирования. Затем изображения с GPS-позиционированием были введены в Agisoft PhotoScan (Agisoft LLC, Санкт-Петербург, Россия) для автоматического завершения процесса сшивки. Другое программное обеспечение, Pix4Dmapper (Pix4D S.A., Prilly, Швейцария) [56], также может автоматически выполнять сшивку изображений и генерировать изображения с высокой точностью ортогональной проекции. Например, Dai et al. [57] предложили метод классификации основных культур в Северном Синьцзяне, а He et al. [58] провели измерение биомассы отдельных стволов Abies Minjiang с использованием Pix4Dmapper (Pix4D S.A., Prilly, Швейцария).

4.1.2. Сегментация изображений

Эффективная сегментация изображений важна для отделения объекта от фона. Общие методы сегментации изображений можно разделить на три категории: методы сегментации на основе регионов, методы сегментации на основе порогов и методы сегментации на основе краев.

Выбор порога определяет эффективность сегментации изображения. Масштаб серого изображения может четко показать некоторые характеристики объекта, поэтому гистограмма серого уровня может использоваться для выбора порога сегментации изображения.

Nalepa et al. [59] продемонстрировали метод эффективного обращения с ограниченным количеством и размером доступных эталонных наборов гиперспектральных данных и применения трансферного обучения для построения глубоких экстракторов признаков. Они также использовали сокращение размерности спектра, чтобы сделать технику применимой к гиперспектральным данным, полученным с использованием различных датчиков, которые могут захватывать различное количество гиперспектральных полос. Эксперименты были проведены на нескольких эталонных тестах и подкреплены статистическими тестами. Это указывает на то, что подход позволил эффективно обучать хорошо обобщающие глубокие сверточные нейронные сети даже с использованием значительно сокращенных данных. Cui et al. [60] предложили новый метод классификации гиперспектральных изображений на основе спектрально-пространственного подхода, который использовал пространственную автокорреляцию гиперспектральных изображений, при которой сегментация изображения выполнялась на гиперспектральном изображении для присвоения каждого пикселя однородному региону. Хотя были достигнуты хорошие результаты, это все еще не позволило достичь наилучшей сегментации для больших полевых изображений с сложным фоном, большим масштабом и множеством преобразований. Таким образом, все еще существует острая потребность в исследовании инновационных и эффективных методов сегментации.

4.2. Индексы растительности
 
Исходя из спектральных характеристик зелёных растений, полосы видимого и ближнего инфракрасного диапазонов спектра могут объединяться для формирования различных индексов растительности (VIS). Метод индексов растительности основан на анализе спутниковых мультиспектральных данных [61]. Он является важным инструментом обработки гиперспектральных данных среднего и близкого диапазона при изучении заболеваний растений. Этот метод позволяет выбрать несколько характерных полос из сотен спектральных каналов для представления изменений целевого заболевания, существенно снижая затраты на обработку гиперспектральных данных.

До настоящего времени определено более 40 индексов растительности, широко используемых для глобального и регионального мониторинга состояния растительного покрова [62,63], классификации растительности и оценки экологических изменений [64,65], оценки урожайности сельскохозяйственных культур и пастбищ [66,67], мониторинга засухи [63,68] и изучения взаимоотношений хозяина и патогена [69].

Francesco и коллеги [69] исследовали взаимосвязи между выражением симптомов тигрового листа, микроэлементами и индексами растительности, включая нормализованный дифференциальный вегетационный индекс (NDVI), зеленый нормализованный дифференциальный вегетационный индекс (GNDVI) и водный индекс (WI) винограда. Результаты показали, что кальций играет роль в модулировании реакции растения на токсичные грибковые метаболиты, уменьшая эффекты неконтролируемой реакции, связанной с проявлением листовых симптомов у больных лоз. Следовательно, увеличение доступности кальция и магния вплоть до размера горошины снижает проявление листовых симптомов именно тогда, когда они начинают проявляться.

Rumpf и коллеги [70] использовали девять спектральных индексов растительности, связанных с физиологическими параметрами, в качестве признаков машины опорных векторов с радиально-базисной функцией ядра. Различение здоровых листьев сахарной свеклы и поражённых болезнью листьев привело к точности классификации до 97%.

Согласно исследованию Cao и коллег [71], значения индекса SPAD предсказывались путём расчёта индекса спектральной фрактальной размерности (SFDI) из гиперспектральной кривой (420–950 нм). Затем была проведена дальнейшая корреляционная оценка связи значений SPAD с гиперспектральной информацией для выявления чувствительных спектральных полос, соответствующих различным степеням поражения заболеванием.

Таблица 1 демонстрирует несколько примеров общих спектральных индексов растительности, используемых для обнаружения и измерения тяжести различных болезней растений. Формулы для новых специфичных индексов растительности могут разрабатываться специально для конкретных заболеваний растений, таких как болезнь блох-вредителей [72].

Тем не менее, методы индексов растительности игнорируют спектральные данные большинства полос. Они не полностью используют потенциал гиперспектральных данных.

Таблица 1. Применение общих спектральных вегетационных индексов.

4.3. Машинное обучение

Классификация гиперспектральных изображений направлена на то, чтобы отнести каждый пиксель изображения к определённой категории. Методы классификации гиперспектральных изображений с использованием машинного обучения можно разделить на методы неконтролируемого обучения и методы контролируемого обучения — в зависимости от того, требуется ли вводить предварительные категории обучающих образцов.

Неконтролируемое обучение подразумевает «слепую» классификацию (кластеризацию), основанную на закономерностях распределения спектральных характеристик гиперспектральных изображений без использования предварительных знаний. Типичными методами неконтролируемого обучения являются кластеризация K‑means и метод динамического кластерного анализа (ISODATA — Interactive Self‑Organizing Data Analysis).

Поскольку растения и фоновые области на спектральных изображениях существенно различаются в ближней инфракрасной и красной областях спектра, Чжан и др. [73] удалили нерастительный фон с помощью алгоритма кластеризации K‑means перед обнаружением поражений рисовой пирикуляриозной болезни. По сравнению с традиционными методами удаления фона, основанными на пороговой сегментации пикселей, метод, основанный на кластеризации, позволяет снизить проблему неровных краёв и явления «соль и перец».

На основе выбранных спектральных характеристик Юань и др. [74] разработали аналитическую систему для обнаружения поражений растений, объединяющую метод неконтролируемой классификации ISODATA и адаптивное двумерное определение порога.

Сравнение с результатами прямой классификации на уровне пикселей показывает, что предложенный метод нечувствителен к различиям в фоновом изображении листьев, эффективно выявляет поражённые листья чая (антракноз), позволяет анализировать степень заражения.

Точность как для калибровочных, так и для проверочных образцов оказалась удовлетворительной: общая точность на уровне пикселей составила 96 %.

Контролируемое обучение основано на предварительных знаниях — размеченных обучающих образцах. Оно позволяет выявить внутренние связи между пикселями гиперспектрального изображения и соответствующими категориями. Эти связи затем используются для сопоставления немаркированных пикселей с категориями и определения их принадлежности к той или иной категории.

Хотя метод классификации при контролируемом обучении требует вручную размеченных обучающих образцов для построения модели классификации, его недостатки заключаются в высоких трудозатратах и значительной субъективности человеческого фактора.

По сравнению с методом неконтролируемого обучения точность классификации при контролируемом обучении может быть повышена за счёт многократного тестирования предварительных обучающих образцов. Поэтому метод контролируемого обучения более популярен, чем метод неконтролируемого обучения.

В таблице 2 представлены распространённые алгоритмы контролируемого обучения с их преимуществами и недостатками.

Таблица 2. Сравнение алгоритмов контролируемого обучения

Выделение признаков — важнейший этап процесса классификации, который в значительной степени влияет на итоговую точность алгоритма. Это особенно заметно при сравнении и комбинировании методов ранней идентификации корневой гнили с использованием тепловой визуализации, флуоресценции и гиперспектральной отражательной способности [65].

В данной работе методы классификации с обучением с учителем разделены на две категории это традиционные методы машинного обучения, методы глубокого обучения.

Основанием для разделения служит способность автоматически извлекать признаки из исходных гиперспектральных данных.

Методы классификации на основе традиционного машинного обучения могут лишь устанавливать связь между образцами и соответствующими категориями, опираясь на встроенные характеристики гиперспектральных изображений, признаки, спроектированные с помощью инженерии признаков (feature engineering).

В зависимости от используемых признаков традиционные методы машинного обучения можно разделить на:

1. Методы классификации, основанные на спектральных характеристиках.
2. Методы классификации, использующие совместные пространственно‑спектральные признаки.

Традиционные методы классификации в машинном обучении используют только спектральные характеристики гиперспектральных изображений либо спектральные признаки, извлечённые из исходных данных посредством инженерии признаков. При этом пространственная информация изображений не задействуется.

К таким методам относятся, метод k‑ближайших соседей (K‑NN, k‑nearest neighbor), оценка максимального правдоподобия (MLE, maximum likelihood estimate), метод опорных векторов (SVM, support vector machine), линейный дискриминантный анализ Фишера (FLDA, Fisher’s linear discrimination analysis), NB, naive Bayes, дерево решений (decision tree), экстремальное обучение (ELM, extreme learning machine), классификатор на основе разреженного представления (SRC, sparse representation‑based classifier) и др.

Кальдерон и соавторы [75] применили методы классификации LDA (линейный дискриминантный анализ) и SVM (метод опорных векторов) для оценки степени поражения оливковым деревом грибом Verticillium dahliae с использованием дистанционного зондирования на обширной территории площадью 3 000 га.
LDA показал общую точность 59,0 % и коэффициент каппа 0,487, тогда как SVM обеспечил более высокую общую точность — 79,2 %, при схожем значении каппа (0,495). Однако LDA лучше классифицировал деревья с начальной и низкой степенью поражения, достигнув точности 71,4 % и 75,0 % соответственно — в сравнении с 14,3 % и 40,6 %, полученными с помощью SVM.

Хуан и соавторы [76] на основе выбранных спектральных диапазонов, вегетационных индексов и вейвлет‑признаков из гиперспектральных данных полога озимой пшеницы построили дискриминантные модели с использованием FLDA (линейного дискриминантного анализа Фишера) и SVM. Результаты показали, что FLDA лучше подходит для различения стрессовых состояний: точность составила 78,1 % для мучнистой росы и 95,6 % для полосатой ржавчины.

Карадаг и соавторы [77] использовали искусственную нейронную сеть (ANN), наивный байесовский классификатор (NB) и метод k‑ближайших соседей (KNN) для классификации спектральных признаков здоровых перцев и перцев, поражённых фузариозом. Средние показатели успешности составили:

●        100 % для KNN;
●        88,125 % для ANN;
●        82 % для NB.
Другие значимые исследования представлены в таблице 3.

Таблица 3. Недавние достижения в области обнаружения болезней растений с использованием машинного обучения




Однако объёмы размеченных образцов гиперспектральных данных ограничены, а большинство методов машинного обучения, основанных на спектральных характеристиках, подвержены эффекту Хьюза. Результаты классификации часто содержат множество дискретных изолированных точек, которые серьёзно расходятся с реальным распределением земного покрова [90].

Гиперспектральные изображения характеризуются высокой размерностью, избыточностью спектральных данных и наличием смешанных пикселей. В условиях ограниченного количества размеченных образцов сложно получить точные результаты классификации, если использовать в качестве основы только спектральные характеристики.

Поэтому в последние годы ряд исследовательских групп стали привлекать пространственную информацию гиперспектральных изображений, опираясь на спектральные данные и компенсируя недостатки исключительно спектральной информации за счёт взаимосвязей между пространственными пикселями [91].
Гасими и др. [92] предложили метод, сочетающий скрытое марковское случайное поле и классификатор SVM (метод опорных векторов). В этом методе скрытое марковское случайное поле используется для получения результатов сегментации, а результаты классификации, выдаваемые SVM, участвуют в определении итоговых результатов алгоритма посредством голосования по большинству.

Хотя вышеупомянутые методы классификации, основанные на сочетании пространственной и спектральной информации, показали хорошие результаты, все они требуют ручного проектирования классификационных признаков с помощью инженерии признаков для повышения точности классификации. Это отнимает много времени и сил, поскольку приходится многократно проводить проверки.

В отличие от традиционных методов машинного обучения, где необходимо вручную разрабатывать и извлекать классификационные признаки, методы глубокого обучения способны автоматически выделять оптимальные классификационные признаки.

4.4. Глубокое обучение

По сравнению с обычными методами машинного обучения, глубокое обучение обладает характеристиками автоматического обучения и высокой способностью к классификации, достигнув значительного повышения производительности во многих областях, таких как классификация изображений, обнаружение целей, обработка естественного языка и так далее. В связи с быстрым развитием глубокого обучения во многих областях, в последние годы были предложены некоторые алгоритмы обработки изображений дистанционного зондирования, основанные на глубоком обучении. К распространённым алгоритмам глубокого обучения, используемым при классификации гиперспектральных изображений, относятся, главным образом, стековый автокодировщик (SAE) [93], глубокая сеть убеждений (DBN) [94] и сверточные нейронные сети (CNN) [95].

Сеть стекового автокодировщика (SAE) представляет собой модель глубокой нейронной сети, состоящую из нескольких разреженных автокодировщиков. Обычно выходные данные первого автокодировщика служат входными данными для второго, а окончательный результат классификации выводится логистическим (для бинарной классификации) или SoftMax (для множественной классификации) классификатором. Алгоритм SAE
широко используется при классификации гиперспектральных изображений. Например, Чен и др. [96] извлекли признаки нулевого спектра из гиперспектральных изображений, сформировав глубокую сеть многослойных
стековых автокодировщиков. Вэй и др. [97] объединили стековые автокодировщики с шумоподавлением и суперпиксели, используя пространственные ограничения, чтобы повысить точность классификации с помощью новой структуры. Дэн и др. [98] использовали гиперспектральный инструмент дистанционного зондирования с помощью БПЛА для быстрого обнаружения цитрусовых методом HLB. Предложенные методы обнаружения HLB (основанные на многофункциональном слиянии индекса растительности) и параметры спектральных характеристик полога, построенные (на основе полосы признаков в SAE), имели точность классификации 99,33% и потерю 0,0783 для обучающей выборки, а также точность классификации 99,72% и потерю 0,0585 для проверочной выборки. Полевые испытания показали, что модель способна эффективно выявлять растения с HLB и отображать распространение болезни в пологе, позволяя оперативно оценивать уровень заболеваемости растений на обширных территориях.
DBN, как и алгоритм SAE, состоит из нескольких слоёв ограниченных машин Больцмана, и процесс её генерации, по сути, представляет собой процесс неконтролируемого предварительного обучения
для каждой ограниченной машины Больцмана. По сравнению с SAE, DBN реже используются в гиперспектральной классификации. Чжао и др. [99] предложили новую структуру извлечения признаков
и классификации изображений, основанную на DBN для классификации гиперспектральных изображений. Чжун и др. [100] регуляризировали этапы предварительного обучения и тонкой настройки, используя априорные данные о потенциальных факторах улучшения разнообразия, чтобы улучшить исходный эффект классификации DBN.

Сан и др. [30] использовали спектральную и визуальную информацию, полученную с помощью гиперспектрального отражения (400 нм- 1000 нм), для оценки и классификации трёх видов распространенных заболеваний персиков (Botrytis cinerea, Rhizopus stolonifera, Colletotrichum acutatum). Для классификации с помощью DBN и PLSDA рассматривались три стадии гниения (персики со слабой, средней и сильной степенью гниения). Результаты показали, что модель DBN дала лучшие результаты классификации, чем модель PLSDA. Модель DBN, основанная на интегрированной информации (494 признака), показала самые высокие результаты классификации для трёх заболеваний с точностью 82,5%, 92,5% и 100% для слабо, умеренно и сильно гниющих образцов соответственно.

SAE и DBN — это глубокие нейронные сети, основанные на полносвязных слоях. С увеличением глубины сети количество параметров в модели становится чрезвычайно большим, что затрудняет последующее обучение и требует значительных вычислительных ресурсов.

Кроме того, хотя вышеупомянутые модели глубоких сетей в определённой степени способны эффективно извлекать глубинные признаки из гиперспектральных изображений, улучшая различение между разными классами, они не могут полноценно использовать пространственную информацию гиперспектральных изображений. Причина в том, что входные данные преобразуются в одномерные векторы.

В связи с этим научное сообщество стало применять метод классификации на основе свёрточных нейронных сетей (CNN), чтобы избежать указанных проблем и более эффективно повысить обучающую способность и выразительность сети.
В таблице 4 приведено сравнение обычной нейронной сети и свёрточной нейронной сети.

Большинство традиционных методов классификации гиперспектральных изображений основываются на характеристиках проекта. Это требует априорных знаний, а сами характеристики, как правило, являются поверхностными. Однако в реальных исследованиях точно неизвестно, какие именно характеристики изображения лучше всего подходят для решения конкретной задачи. Их определение отнимает много времени и сил.

В то же время алгоритм обработки гиперспектральных изображений на основе CNN способен автоматически изучать и извлекать скрытые продвинутые признаки из изображения путём построения многослойной нейронной сети. Благодаря этому удаётся получать результаты классификации более эффективно и точно.

Таблица 4. Сравнение ANN и CNN.

Таблица 5 показывает некоторые актуальные исследования последних лет. Для обнаружения вирусов картофеля, Polder et al. [101] разработали полностью свёрточную нейронную сеть, адаптированную для гиперспектральных изображений и обученную на двух экспериментальных рядах в поле. Обученная сеть была проверена на двух других рядах с различными сортами картофеля. Для трех из четырех комбинаций ряд/дата, точность и полнота по сравнению с традиционным оцениванием заболеваний превысили 0,78 и 0,88 соответственно. Классификация здоровых и пораженных головок пшеницы быстрым и неразрушающим способом для ранней диагностики болезни Fusarium head blight является сложной задачей. Zhang et al. [102] применили улучшенную двухмерную модель CNN к пикселям гиперспектрального изображения для точного определения области заболевания. Результаты модели показывают, что двухмерная свёрточная двунаправленная нейронная сеть с управляемыми рекуррентными блоками (2D-CNN-BidGRU) имеет F1-оценку и точность 0,75 и 0,743 соответственно, что иллюстрирует, что гибридная структура глубокой нейронной сети является отличным классификационным алгоритмом для классификации здоровых и пораженных Fusarium head blight в области гиперспектральной визуализации.

Таблица 5. Недавние достижения в области обнаружения болезней растений с использованием глубокого обучения.


5. Резюме

Применение технологии гиперспектральной визуализации в сельском хозяйстве позволяет в полной мере использовать преимущества единства гиперспектрального картирования, что позволяет точно контролировать рост культур и заболевания. Однако, на сегодняшний день гиперспектральные камеры остаются дорогими, что затрудняет их широкое применение в сельском хозяйстве. Процесс сбора спектральных данных легко подвержен влиянию факторов окружающей среды. Кроме того, требуется длительное время для сбора, анализа и обработки гиперспектральных изображений, что ограничивает применение систем гиперспектральной визуализации в реальном времени в сельском хозяйстве и онлайн-обнаружении. Когда предварительно установленная модель применяется к другой индексной системе, требуется анализ данных и преобразование модели. Характеристики образца могут повлиять на результаты классификации и точность прогнозирования. Кроме того, технологии гиперспектральной визуализации имеют высокую избыточность в обработке изображений. Чтобы сократить время, затрачиваемое на получение и обработку гиперспектральных данных, часто необходимо извлекать характерные длины волн для конкретных приложений в различных культурах, что позволяет проводить мультиспектральную визуализацию конкретных стрессов или заболеваний и снижает затраты.

Помимо патогенов, информация гиперспектральных изображений также может указывать на стрессы, вызванные абиотическими факторами окружающей среды, процессом роста культур и биологическими повреждениями. Сочетание новейших моделей машинного обучения и инструментов обработки гиперспектральных данных для обнаружения заболеваний растений должно привести к разработке новых алгоритмов для работы в сложных природных условиях. Таким образом, влияние других биотических или абиотических стрессов на спектральные характеристики растений может быть исключено из моделей идентификации заболеваний растений. В результате эта технология может стать более полезной для полевых практик. В то же время модели идентификации заболеваний растений должны эффективно способствовать системе поддержки принятия решений для реализации стратегий реального времени. Таким образом, скорость обработки данных должна быть улучшена с помощью современных систем расчета на чипе, таких как FPGA. Это означает, что в последующих исследованиях должны быть созданы специфические ядра интеллектуальной собственности для приложений по идентификации заболеваний растений и стратегий контроля в реальном времени.

Вклад авторов: Концептуализация: Л.В., Х.Л., П.В., Ю.Ю. и Ч.Л.; методология: Х.Л., П.В. и Ю.Ю.; исследование: Л.В., Х.Л. и П.В.; ресурсы: А.В.; управление данными: Л.В. и Х.Л.; написание — подготовка первоначального черновика: Л.В. и Х.Л.; написание — рецензирование и редактирование: П.В., Ю.Ю. и Ч.Л.; надзор: Ч.Л. и П.В.; административное управление проектом: П.В.; получение финансирования: Х.Л., П.В. и А.В. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование: Это исследование было профинансировано Национальным естественным научным фондом Китая, грант номер 32001425; Фондом естественных наук Чунцина, Китай, грантовые номера cstc2020jcyj-msxmX0414 и cstc2020jcyj-msxmX0459; Ключевыми проектами НИОКР в пилотной области искусственного интеллекта Чунцина, Китай, грантовый номер cstc2021jscx-gksbX0067; Открытым финансированием Ключевой лаборатории современного сельскохозяйственного оборудования и технологий (Университет Цзянсу), грантовые номера MAET202105 и MAET202112; Местными финансовыми фондами Национального сельскохозяйственного научно-технического центра, Чэнду, грантовый номер NASC2020KR05.

Благодарности: Авторы хотели бы поблагодарить Ли Хун Ванга и Ци Ню из Юго-Западного университета и Вэй Ма из Китайской академии сельскохозяйственных наук за их советы.

Конфликты интересов: Авторы заявляют об отсутствии конфликта интересов.
Сокращения (Abbreviations)

• ANN — искусственная нейронная сеть (Artificial Neural Network);
• ARI — индекс отражения антоцианов (Anthocyanin Reflectance Index);
• ASSDN — глубокая сеть с автоматическим поиском архитектуры (Architecture Self-Search Deep Network);
• BRT — дерево регрессии с усилением (Boosted Regression Tree);
• BPNN — нейронная сеть с обратной передачей ошибки (Back Propagation Neural Network);
• CARI — индекс отражения каротиноидов (Carotenoid Reflectance Index);
• CNN — свёрточные нейронные сети (Convolutional Neural Networks);
• CWA — непрерывный вейвлет-анализ (Continuous Wavelet Analysis);
• DBN — сеть глубокого убеждения (Deep Belief Network);
• DCNN — динамическая свёрточная нейронная сеть (Dynamic Convolution Neural Network);
• ELM — машина экстремального обучения (Extreme Learning Machine);
• FDA — дискриминантный анализ Фишера (Fisher Discriminant Analysis);
• FLDA — линейный дискриминантный анализ Фишера (Fisher’s Linear Discrimination Analysis);
• FR — ранжирование признаков (Features Ranking);
• GA — генетический алгоритм (Genetic Algorithm);
• GLCM — матрица совместного появления уровней серого (Gray-level Co-occurrence Matrix);
• HFPSSD — обнаружение парши на основе сканирования гиперспектрального профиля признаков (Hyperspectral Feature Profile Scanning-based Scab Detection);
• HLB — HuangLongBing (болезнь цитрусовых, также известная как «жёлтая цикада» или «цитрусовая лютемия»);
• ISODATA — интерактивный самоорганизующийся анализ данных (Interactive Self-Organizing Data Analysis);
• KNN — метод k ближайших соседей (K-Nearest Neighbor);
• LDA — линейный дискриминантный анализ (Linear Discriminant Analysis);
• LR — логистическая регрессия (Logistic Regression);
• LS — метод наименьших квадратов (Least Squares);
• MLE — оценка максимального правдоподобия (Maximum Likelihood Estimate);
• MSC — коррекция мультипликативного рассеяния (Multiplicative Scatter Correction);
• NB — наивный байесовский классификатор (Naive Bayes);
• NVDI — нормализованный разностный вегетационный индекс (Normalized Difference Vegetation Index);
• PCA — анализ главных компонент (Principal Component Analysis);
• PRI — фотохимический индекс отражения (Photochemical Reflectance Index);
• PSRI — индекс отражения, связанный с увяданием растений (Plant Senescence Reflectance Index);
• RBF — радиальная базисная функция (Radial Basis Function);
• RGB — красный, зелёный, синий (Red, Green, Blue).
• RVI (Ratio Vegetation Index) — Вегетационный индекс-отношение (индекс соотношения вегетации);
• SAE (Stacked Auto-Encoder) — Стеклянный автоэнкодер (сложенный автоэнкодер);
• SDA (Stepwise Discriminant Analysis) — Пошаговый дискриминантный анализ;
• SFDI (Spectral Fractal Dimension Index) — Спектральный фрактальный размерный индекс;
• SIPI (Structure Insensitive Pigment Index) — Индекс пигментов, нечувствительный к структуре;
• SPA (Successive Projections Algorithm) — Алгоритм последовательных проекций;
• SPAD (Soil and Plant Analyzer Development) — Разработка анализатора почвы и растений;
• SRC (Sparse Representation-based Classifier) — Классификатор на основе разрежённого представления;
• SVM (Support Vector Machine) — Машина опорных векторов (метод опорных векторов);
• UAV (Unmanned Aerial Vehicle) — Беспилотный летательный аппарат;
• VIS (Vegetation Indices) — Вегетационные индексы;
• WI (Water Index) — Водный индекс.

Список литературы
1. Savary, S.; Willocquet, L.; Pethybridge, S.J.; Esker, P.; McRoberts, N.; Nelson, A. The global burden of pathogens and pests on major food crops. Nat. Ecol. Evol. 2019, 3, 430–439. [CrossRef] [PubMed]
2. Fisher, M.C.; Henk, D.A.; Briggs, C.J.; Brownstein, J.S.; Madoff, L.C.; McCraw, S.L.; Gurr, S.J. Emerging fungal threats to animal, plant and ecosystem health. Nature 2012, 484, 186–194. [CrossRef] [PubMed]
3. Boyd, L.A.; Ridout, C.; O’Sullivan, D.M.; Leach, J.E.; Leung, H. Plant–pathogen interactions: Disease resistance in modern agriculture. Trends. Genet. 2013, 29, 233–240. [CrossRef]
4. Peralta, A.L.; Sun, Y.; McDaniel, M.D.; Lennon, J.T. Crop rotational diversity increases disease suppressive capacity of soil microbiomes. Ecosphere 2018, 9, e02235. [CrossRef]
5. Ristaino, J.B.; Anderson, P.K.; Bebber, D.P.; Brauman, K.A.; Wei, Q. The persistent threat of emerging plant disease pandemics to global food security. Proc. Natl. Acad. Sci. USA 2021, 118, e2022239118. [CrossRef]
6. Dan, E.; Ho, T.; Rwahnih, M.A.; Martin, R.R.; Tzanetakis, I. High throughput sequencing for plant virus detection and discovery. Phytopathology 2019, 109, 716–725.
7. Ma, Z.; Luo, Y.; Michailides, T.J. Nested pcr assays for detection of monilinia fructicola in stone fruit orchards and botryosphaeria dothidea from pistachios in california. J. Phytopathol. 2010, 151, 312–322. [CrossRef]
8. Singh, V.; Sharma, N.; Singh, S. A review of imaging techniques for plant disease detection. Artif. Intell. Agric. 2020, 4, 229–242. [CrossRef]
9. Zhu, W.; Chen, H.; Ciechanowska, I.; Spaner, D. Application of infrared thermal imaging for the rapid diagnosis of crop disease. IFAC-PapersOnLine 2018, 51, 424–430. [CrossRef]
10. Cen, H.; Weng, H.; Yao, J.; He, M.; Lv, J.; Hua, S.; Li, H.; He, Y. Chlorophyll fluorescence imaging uncovers photosynthetic fingerprint of citrus Huanglongbing. Front. Plant Sci. 2017, 8, 1509. [CrossRef]
11. Mahlein, A.K.; Kuska, M.T.; Behmann, J.; Polder, G.; Walter, A. Hyperspectral sensors and imaging technologies in phytopathology: State of the art. Annu. Rev. Phytopathol. 2018, 56, 535–558. [CrossRef] [PubMed]
12. Zhang, J.; Huang, Y.; Pu, R.; Gonzalez-Moreno, P.; Yuan, L.; Wu, K.; Huang, W. Monitoring plant diseases and pests through remote sensing technology: A review. Comput. Electron. Agric. 2019, 165, 104943. [CrossRef]
13. Zaneti, R.N.; Girardi, V.; Spilki, F.R.; Mena, K.; Etchepare, R. Quantitative microbial risk assessment of Sars-CoV-2 for workers in wastewater treatment plants. Sci. Total Environ. 2020, 754, 142163. [CrossRef]
14. Zhang, J.; Wang, B.; Zhang, X.; Liu, P.; Huang, W. Impact of spectral interval on wavelet features for detecting wheat yellow rust with hyperspectral data. Int. J. Agr. Biolog. Eng. 2018, 11, 138–144. [CrossRef]
15. Zhang, J.; Yang, Y.; Feng, X.; Xu, H.; He, Y. Identification of bacterial blight resistant rice seeds using terahertz imaging and hyperspectral imaging combined with convolutional neural network. Front. Plant Sci. 2020, 11, 821. [CrossRef] [PubMed]
16. Jia, L.; Wang, L.; Yang, F.; Yang, L. Spring corn leaf blight monitoring based on hyperspectral derivative index. Chin. Agric. Sci. Bull. 2019, 35, 143–150.
17. Lu, J.; Zhou, M.; Gao, Y.; Jiang, H. Using hyperspectral imaging to discriminate yellow leaf curl disease in tomato leaves. Precis. Agric. 2018, 19, 379–394. [CrossRef]
18. Nouri, M.; Gorretta, N.; Vaysse, P.; Giraud, M.; Keresztes, B.; Roger, J.M. Near infrared hyperspectral dataset of healthy and infected apple tree leaves images for the early detection of apple scab disease. Data Brief 2018, 16, 967–971. [CrossRef]
19. Sandasi, M.; Vermaak, I.; Chen, W.; Viljoen, A. Skullcap and germander: Preventing potential toxicity through the application of hyperspectral imaging and multivariate image analysis as a novel quality control method. Planta Med. 2014, 80, 1329–1339. [CrossRef]
20. Zhu, H.; Chu, B.; Zhang, C.; Liu, F.; Jiang, L.; He, Y. Hyperspectral imaging for presymptomatic detection of tobacco disease with successive projections algorithm and machine-learning classifiers. Sci. Rep. 2017, 7, 4125. [CrossRef]
21. Hovmller, M.S.; Walter, S.; Bayles, R.A.; Hubbard, A.; Flath, K.; Sommerfeldt, N.; Leconte, M.; Czembor, P.; Rodriguez-Algaba, J.; Thach, T. Replacement of the European wheat yellow rust population by new races from the centre of diversity in the near-himalayan region. Plant Pathol. 2016, 65, 402–411. [CrossRef]
22. Huang, L.; Zhang, H.; Chao, R.; Huang, W.; Hu, T.; Zhao, J. Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm. Int. J. Agr. Biol. Eng. 2020, 13, 7. [CrossRef]
23. Shi, Y.; Huang, W.; Zhou, X. Evaluation of wavelet spectral features in pathological detection and discrimination of yellow rust and powdery mildew in winter wheat with hyperspectral reflectance data. J. Appl. Remote Sens. 2017, 11, 026025. [CrossRef]
24. Mahlein, A.K.; Alisaac, E.; Masri, A.A.; Behmann, J.; Oerke, E.C. Comparison and combination of thermal, fluorescence, and hyperspectral imaging for monitoring fusarium head blight of wheat on spikelet scale. Sensors 2019, 19, 2281. [CrossRef]
25. Leucker, M.; Wahabzada, M.; Kersting, K.; Peter, M.; Beyer, W.; Steiner, U.; Mahlein, A.K.; Oerke, E.C. Hyperspectral imaging reveals the effect of sugar beet quantitative trait loci on cercospora leaf spot resistance. Funct. Plant Bio. 2016, 44, 1. [CrossRef] [PubMed]
26. Huang, S.; Qi, L.; Xue, K.; Wang, W.; Zhu, X. Hyperspectral image analysis based on bosw model for rice panicle blast grading. Comput. Electron. Agric. 2015, 118, 167–178. [CrossRef]
27. Shuaibu, M.; Lee, W.S.; Schueller, J.; Gader, P.; Hong, Y.; Kim, S. Unsupervised hyperspectral band selection for apple marssonina blotch detection. Comput. Electron. Agric. 2018, 12, 28. [CrossRef]
28. Ruszczak, B.; Smykaa, K. The detection of alternaria solani infection on tomatoes using ensemble learning. J. Amb. Intel. Smart Environ. 2020, 12, 407–418. [CrossRef]
29. Liang, K.; Huang, J.; He, R.; Wang, Q.; Chai, Y.; Shen, M. Comparison of Vis-NIR and SWIR hyperspectral imaging for the non-destructive detection of DON levels in Fusarium head blight wheat kernels and wheat flour. Infrared Phys. Techn. 2020, 106, 103281. [CrossRef]
30. Sun, Y.; Wang, K.; Liu, Q.; Pan, L.; Tu, K. Classification and discrimination of different fungal diseases of three infection levels on peaches using hyperspectral reflectance imaging analysis. Sensors 2018, 18, 1295. [CrossRef]
31. Wang, C.; Liu, B.; Liu, L.; Zhu, Y.; Li, X. A review of deep learning used in the hyperspectral image analysis for agriculture. Artif. Intell. Rev. 2021, 54, 5205–5253. [CrossRef]
32. Xing, H.; Feng, H.; Fu, J.; Xu, X.; Yang, G. Development and Application of Hyperspectral Remote Sensing; Springer: Berlin, Germany, 2017; Volume 546, pp. 271–282.
33. Telmo, A.O.; Joná, H.; Luís, P.; José, B.; Emanuel, P.; Raul, M.; Joaquim, S. Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sens. 2017, 9, 1110.
34. Thomas, S.; Kuska, M.T.; Bohnenkamp, D.; Brugger, A.; Alisaac, E.; Wahabzada, M.; Behmann, J.; Mahlein, A.K. Benefits of hyperspectral imaging for plant disease detection and plant protection: A technical perspective. J. Plant. Dis. Protect. 2018, 125, 5–20. [CrossRef]
35. Gates, D.M.; Keegan, H.J.; Schleter, J.C. Sensorik für einen präzisierten Pflanzenschutz. Gesunde Pflanz. 2008, 60, 131–141.
36. Wang, L.; Jia, M.; Yin, D.; Tian, J. A review of remote sensing for mangrove forests: 1956–2018. Remote Sens. Environ. 2019, 231, 111223. [CrossRef]
37. Hennessy, A.; Clarke, K.; Lewis, M. Hyperspectral classification of plants: A review of waveband selection generalisability. Remote Sens. 2020, 12, 113. [CrossRef]
38. Olli, N.; Eija, H.; Sakari, T.; Niko, V.; Teemu, H.; Xiaowei, Y.; Juha, H.; Heikki, S.; Ilkka, P.L.N.; Nilton, I. Individual tree detection and classification with UAV-based photogrammetric point clouds and hyperspectral imaging. Remote Sens. 2017, 9, 185.
39. René, H.; Norbert, J.; André, G.; Jens, O. The effect of epidermal structures on leaf spectral signatures of ice plants (Aizoaceae). Remote Sens. 2015, 7, 16901.
40. Liu, Y.; Zhang, G.W.; Liu, D. Simultaneous measurement of chlorophyll and water content in navel orange leaves based on hyperspectral imaging. Spectroscopy 2014, 29, 40, 42–46.
41. Mutanga, O.; Van Aardt, J.; Kumar, L. Imaging spectroscopy (hyperspectral remote sensing) in Southern Africa: An overview. S. Afr. J. Sci. 2010, 105, 193–198. [CrossRef]
42. Wei, A.A.; Tian, L.; Chen, X.; Yu, Y. Retrieval and application of chlorophyll-a concentration in the Poyang Lake based on exhaustion method: A case study of Chinese Gaofen-5Satellitc AHSI data. J. Huazhong Normal Univ. 2020, 54, 447–453.
43. Qu, J.; Sun, D.; Cheng, J.; Pu, H. Mapping moisture contents in grass carp (ctenopharyngodon idella) slices under different freeze drying periods by vis-nir hyperspectral imaging. LWT-Food Sci. Technol. 2017, 75, 529–536. [CrossRef]
44. Oerke, E. Remote sensing of diseases. Annu. Rev. Phytopathol. 2020, 58, 225–252. [CrossRef] [PubMed]
45. Bonants, P.; Schoen, C.; Wolf, J.; Zijlstra, C. Developments in detection of plant pathogens and other plant-related organisms: Detection in the past towards detection in the future. Mededelingen 2001, 66, 25–37. [PubMed]
46. Pu, H.; Lin, L.; Sun, D. Principles of hyperspectral microscope imaging techniques and their applications in food quality and safety detection: A review. Compr. Rev. Food Sci. F. 2019, 18, 853–866. [CrossRef]
47. Gary, A.; Roth, S.; Tahiliani, N.M.; Neu-Baker, S.A. Hyperspectral microscopy as an analytical tool for nanomaterials. Wires. Nanomed. Nanobi. 2015, 7, 565–579.
48. 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. [CrossRef]
49. 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. [CrossRef]
50. Wahabzada, M.; Mahlein, A.K.; Bauckhage, C.; Steiner, U.; Oerke, E.C.; Kersting, K. Plant Phenotyping using Probabilistic Topic Models: Uncovering the Hyperspectral Language of Plants. Sci. Rep. 2016, 6, 22482. [CrossRef]
51. Behmann, J.; Mahlein, A.K.; Rumpf, T.; Romer, C.; Plumer, L. A review of advanced machine learning methods for the detection of biotic stress in precision crop protection. Precis. Agric. 2015, 16, 239–260. [CrossRef]
52. 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. [CrossRef] [PubMed]
53. Mahlein, A.K. Plant Disease Detection by Imaging Sensors-Parallels and Specific Demands for Precision Agriculture and Plant Phenotyping. Plant Dis. 2016, 100, 241–251. [CrossRef] [PubMed]
54. Fu, H.; Bian, L.; Cao, X.; Zhang, J. Hyperspectral imaging from a raw mosaic image with end-to-end learning. Opt. Express 2020, 28, 314–324. [CrossRef]
55. Liu, S.; Yang, G.; Zhou, H.; Jing, H.; Feng, H.; Xu, B.; Yang, H. Extraction of maize seedling number information based on UAV imagery. Trans. CSAE 2018, 34, 9.
56. Zhang, J.; Yang, C.; Zhao, B.; Song, H.; Hoffmann, W.C.; Shi, Y.; Zhang, D.; Zhang, G. Crop Classification and LAI Estimation Using Original and Resolution-Reduced Images from Two Consumer-Grade Cameras. Remote Sens. 2017, 9, 1054. [CrossRef]
57. Dai, J.; Zhang, G.; Guo, P.; Zeng, Y.; Cui, M.; Xue, J. Classification method of main crops in northern Xinjiang based on UAV visible waveband images. Trans. CSAE 2018, 34, 8.
58. He, Y.; Zhang, Y.; Li, J.; Wang, J. Estimation of stem biomass of individual Abies faxoniana through unmanned aerial vehicle remote sensing. J. Beijing For. Univ. 2016, 38, 8.
59. Nalepa, J.; Myller, M.; Kawulok, M. Transfer learning for segmenting dimensionally-reduced hyperspectral images. IEEE Geosci. Remote Sens. 2019, 17, 1228–1232. [CrossRef]
60. Cui, B.; Ma, X.; Xie, X.; Ren, G.; Ma, Y. Classification of visible and infrared hyperspectral images based on image segmentation and edge-preserving filtering. Infrared Phys. Techn. 2017, 81, 79–88. [CrossRef]
61. Ishiyama, T.; Tanaka, S.; Uchida, K.; Fujikawa, S.; Yamashita, Y.; Kato, M. Relationship among vegetation variables and vegetation features of arid lands derived from satellite data. Adv. Space Res. 2001, 28, 183–188. [CrossRef]
62. Vicente-Serrano, S.M. Evaluating the impact of drought using remote sensing in a mediterranean, semi-arid region. Nat. Hazards 2007, 40, 173–208. [CrossRef]
63. Zhao, X.; Zhou, D.; Fang, J. Satellite-based studies on large-scale vegetation changes in China. J. Integr. Plant Bio. 2012, 54, 713–728. [CrossRef] [PubMed]
64. Zhao, J. Research on Hyperspectral Remote Sensing Images Classification Based on K-means Clustering. Geospat. Inform. 2016, 14, 4.
65. Zhang, H.; Li, Y.; Jiang, H. Research status and Prospect of deep learning in hyperspectral image classification. Acta Autom. Sin. 2018, 44, 17.
66. Szulczewski, W.; Zyromski, A.; Jakubowski, W.; Biniak-Pierog, M. A new method for the estimation of biomass yield of giant miscanthus (Miscanthus giganteus) in the course of vegetation. Renew. Sust. Energ. Rev. 2018, 82, 1787–1795. [CrossRef]
67. Barriguinha, A.; Neto, M.D.; Gil, A. Vineyard yield estimation, prediction, and forecasting: A systematic literature review. Agronomy 2021, 11, 1789. [CrossRef]
68. Zou, L.; Cao, S.; Sanchez-Azofeifa, A. Evaluating the utility of various drought indices to monitor meteorological drought in tropical dry forests. Int. J. Biometeorol. 2020, 64, 701–711. [CrossRef]
69. Calzarano, F.; Pagnani, G.; Pisante, M.; Bellocci, M.; Cillo, G.; Metruccio, E.G.; Di Marco, S. Factors involved on tiger-stripe foliar symptom expression of esca of grapevine. Plants 2021, 10, 1041. [CrossRef]
70. Rumpf, T.; Mahlein, A.K.; Steiner, U.; Oerke, E.C.; De Hne, H.W.; Plümer, L. Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance. Comput. Electron. Agr. 2010, 74, 91–99. [CrossRef]
71. Cao, Y.F.; Xu, H.L.; Song, J.; Yang, Y.; Hu, X.H.; Wiyao, K.T.; Zhai, Z.Y. Applying spectral fractal dimension index to predict the spad value of rice leaves under bacterial blight disease stress. Plant Methods 2022, 18, 67. [CrossRef]
72. Sims, D.A.; Gamon, J.A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sens. Environ. 2002, 81, 337–354. [CrossRef]
73. Zhang, J.C.; Tian, Y.Y.; Yan, L.J.; Wang, B.; Wang, L.; Xu, J.F.; Wu, K.H. Diagnosing the symptoms of sheath blight disease on rice stalk with an in-situ hyperspectral imaging technique. Biosyst. Eng. 2021, 209, 94–105. [CrossRef]
74. Yuan, L.; Yan, P.; Han, W.; Huang, Y.; Bao, Z. Detection of anthracnose in tea plants based on hyperspectral imaging. Comput. Electron. Agr. 2019, 167, 105039. [CrossRef]
75. Calderon, R.; Navas-Cortes, J.A.; Zarco-Tejada, P.J. Early detection and quantification of verticillium wilt in olive using hyperspectral and thermal imagery over large areas. Remote Sens. 2015, 7, 5584–5610. [CrossRef]
76. Huang, W.; Lu, J.; Ye, H.; Kong, W.; Yue, S. Quantitative identification of crop disease and nitrogen-water stress in winter wheat using continuous wavelet analysis. Int. J. Agr. Biol. Eng. 2018, 11, 8. [CrossRef]
77. Karadag, K.; Tenekeci, M.E.; Tasaltin, R.; Bilgili, A. Detection of pepper fusarium disease using machine learning algorithms based on spectral reflectance. Sustain. Comput Inform. Syst. 2020, 28, 100299. [CrossRef]
78. Xie, C.; Yang, C.; He, Y. Hyperspectral imaging for classification of healthy and gray mold diseased tomato leaves with different infection severities. Comput. Electron. Agr. 2017, 135, 154–162. [CrossRef]
79. Lu, J.; Ehsani, R.; Shi, Y.; Abdulridha, J.; Castro, A.D.; Xu, Y. Field detection of anthracnose crown rot in strawberry using spectroscopy technology. Comput. Electron. Agr. 2017, 135, 289–299. [CrossRef]
80. Weng, H.Y.; Lv, J.W.; Cen, H.Y.; He, M.B.; Zeng, Y.B.; Hua, S.J.; Li, H.Y.; Meng, Y.Q.; Fang, H.; He, Y. Hyperspectral reflectance imaging combined with carbohydrate metabolism analysis for diagnosis of citrus Huanglongbing in different seasons and cultivars. Sens. Actuators B-Chem. 2018, 275, 50–60. [CrossRef]
81. Nagasubramanian, K.; Jones, S.; Sarkar, S.; Singh, A.K.; Singh, A.; Ganapathysubramanian, B. Hyperspectral band selection using genetic algorithm and support vector machines for early identification of charcoal rot disease in soybean stems. Plant Methods 2018, 14, 86. [CrossRef]
82. 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. [CrossRef]
83. Deng, X.; Huang, Z.; Zheng, Z.; Lan, Y.; Dai, F. Field detection and classification of citrus huanglongbing based on hyperspectral reflectance. Comput. Electron. Agr. 2019, 167, 105006. [CrossRef]
84. Lin, F.; Guo, S.; Tan, C.; Zhou, X.; Zhang, D. Identification of rice sheath blight through spectral responses using hyperspectral images. Sensors 2020, 20, 6243. [CrossRef] [PubMed]
85. Vijver, R.; Mertens, K.; Heungens, K.; Somers, B.; Saeys, W. In-field detection of Alternaria solani in potato crops using hyperspectral imaging. Comput. Electron. Agr. 2019, 168, 105106. [CrossRef]
86. Zhang, D.; Chen, G.; Zhang, H.; Jin, N.; Chen, Y. Integration of spectroscopy and image for identifying fusarium damage in wheat kernels using hyperspectral imaging. Spectrochim. Acta A 2020, 236, 118344. [CrossRef] [PubMed]
87. Gu, Q.; Sheng, L.; Zhang, T.H.; Lu, Y.W.; Zhang, Z.J.; Zheng, K.F.; Hu, H.; Zhou, H.K. Early detection of tomato spotted wilt virus infection in tobacco using the hyperspectral imaging technique and machine learning algorithms. Comput. Electron. Agr. 2019, 167, 105066. [CrossRef]
88. Calamita, F.; Imran, H.A.; Vescovo, L.; Mekhalfi, M.L.; Porta, N.L. Early identification of root rot disease by using hyperspectral reflectance: The case of pathosystem grapevine/armillaria. Remote Sens. 2021, 13, 2436. [CrossRef]
89. Zhao, X.H.; Zhang, J.C.; Huang, Y.B.; Tian, Y.Y.; Yuan, L. Detection and discrimination of disease and insect stress of tea plants using hyperspectral imaging combined with wavelet analysis. Comput. Electron. Agr. 2022, 193, 106717. [CrossRef]
90. Du, P.; Xia, J.; Xue, Z.; Tan, K.; Su, H.; Bao, R. Research progress of hyperspectral remote sensing image classification. Remote Sens. Bull. 2016, 20, 21.
91. Hou, P.; Yao, M.; Jia, W.; Zhang, F.; Wang, D. Spatial spectrum discriminant analysis for hyperspectral image classification. Opt. Precis. Eng. 2018, 26, 450–460.
92. Ghasimi, P.; Benediktsson, J.A.; Ulfarsson, M.O. The spectral-spatial classification of hyperspectral images based on Hidden Markov Random Field. IEEE T. Geosci. Remote Sens. 2014, 52, 2565–2574.
93. Hinton, G.E.; Salakhutdinov, R.R. Reducing the Dimensionality of Data with Neural Networks. Science 2006, 313, 504–507. [CrossRef] [PubMed]
94. Hinton, G.E.; Osindero, S.; Teh, Y.W. A Fast Learning Algorithm for Deep Belief Nets. Neural Comput. 2014, 18, 1527–1554. [CrossRef]
95. Krizhevsky, A.; Sutskever, I.; Hinton, G.E. ImageNet Classification with Deep Convolutional Neural Networks. Commun. ACM 2012, 25, 1097–1105. [CrossRef]
96. Wei, F.; Li, S.; Fang, L. Spectral-spatial hyperspectral image classification via superpixel merging and sparse representation. IEEE Geosci. Remote. Sens. 2015, 18, 861–865.
97. Zhao, X.; Chen, Y.; Jia, X. Spectral-Spatial Classification of Hyperspectral Data Based on Deep Belief Network. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2015, 8, 2381–2392.
98. Deng, X.L.; Zhu, Z.H.; Yang, J.C.; Zheng, Z.; Huang, Z.X.; Yin, X.B.; Wei, S.J.; Lan, Y.B. Detection of citrus huanglongbing based on multi-input neural network model of uav hyperspectral remote sensing. Remote Sens. 2020, 12, 2678. [CrossRef]
99. Zhong, P.; Gong, Z.; Li, S.; Schonlieb, C.B. Learning to Diversify Deep Belief Networks for Hyperspectral Image Classification. IEEE T. Geosci. Remote 2017, 55, 3516–3530. [CrossRef]
100. Fazari, A.; Pellicer-Valero, O.J.; Gomez-SancHs, J.; Bernardi, B.; Blasco, J. Application of deep convolutional neural networks for the detection of anthracnose in olives using vis/nir hyperspectral images. Comput. Electron. Agr. 2021, 187, 106252. [CrossRef]
101. Polder, G.; Blok, P.M.; Villiers, H.; Wolf, J.; Kamp, J. Potato virus detection in seed potatoes using deep learning on hyperspectral images. Front. Plant Sci. 2019, 10, 209. [CrossRef]
102. Zhang, X.; Han, L.; Dong, Y.; Shi, Y.; Sobeih, T. A deep learning-based approach for automated yellow rust disease detection from high-resolution hyperspectral uav images. Remote Sens. 2019, 11, 1554. [CrossRef]
103. Xiu, J.; Lu, J.; Shuai, W.; Hai, Q.; Shao, L. Classifying wheat hyperspectral pixels of healthy heads and fusarium head blight disease using a deep neural network in the wild field. Remote Sens. 2018, 10, 395.
104. Feng, L.; Wu, B.; Zhu, S.; Wang, J.; Zhang, C. Investigation on data fusion of multisource spectral data for rice leaf diseases identification using machine learning methods. Front. Plant Sci. 2020, 11, 577063. [CrossRef] [PubMed]
105. Hernandez, I.; Gutierrez, S.; Ceballos, S.; Iniguez, R.; Barrio, I.; Tardaguila, J. Artificial intelligence and novel sensing technologies for assessing downy mildew in grapevine. Horticulturae 2021, 7, 103. [CrossRef]
106. Nguyen, C.; Sagan, V.; Maimaitiyiming, M.; Maimaitijiang, M.; Bhadra, S.; Kwasniewski, M.T. Early detection of plant viral disease using hyperspectral imaging and deep learning. Sensors 2021, 21, 742. [CrossRef] [PubMed]
107. Lv, Y.P.; Lv, W.B.; Han, K.X.; Tao, W.T.; Zheng, L.; Weng, S.Z.; Huang, L.S. Determination of wheat kernels damaged by fusarium head blight using monochromatic images of effective wavelengths from hyperspectral imaging coupled with an architecture self-search deep network. Food Control 2022, 135, 108819.