Гиперспектральная диагностика заболеваний растений: принципы и методы.

Аннотация: Патогенные инфекции значительно снижают урожайность сельскохозяйственных культур. Поскольку симптомы обычно проявляются на поздних стадиях заражения, необходимы быстрые неразрушающие методы для мониторинга заболеваний на ранних этапах и оптимизации стратегий защиты. Гиперспектральная визуализация, как быстрый и неинвазивный метод, демонстрирует значительный потенциал в ранней идентификации болезней растений. В обзоре рассматриваются принципы гиперспектральной визуализации, спектральные характеристики поражённых растений, влияние патогенов на фотосинтетический аппарат и оптические свойства тканей, а также методы обработки данных и алгоритмы анализа. Особое внимание уделено применению вегетационных индексов, методов машинного и глубокого обучения для классификации заболеваний различных культур. Обсуждаются текущие достижения, технические ограничения и перспективы внедрения гиперспектральных технологий в системы точного земледелия и оперативного фитомониторинга.

1. Введение

Заболевания растений вызывают снижение урожайности: пшеница теряет около 28%, рис — до 41%, кукуруза — до 41%, картофель — до 21%, соя — до 32%. Причины распространения инфекций включают глобализацию, использование коммерчески выгодных сортов, недостаток устойчивости к местным патогенам и ухудшение условий выращивания. Современные сенсорные технологии позволяют осуществлять мониторинг заболеваний в режиме реального времени.

Гиперспектральная визуализация, регистрирующая отражение в сотнях узких непрерывных спектральных каналов, обладает уникальной чувствительностью к ранним биохимическим и физиологическим изменениям в растениях, что делает её перспективным инструментом для доклинической диагностики .

2. Обзор литературы

За период с 2001 по 2021 гг. было опубликовано более 6 тыс. работ по применению гиперспектральной визуализации в фитопатологии. Наибольшее внимание уделялось заболеваниям пшеницы, таким как жёлтая ржавчина, парша, мучнистая роса и другие. Использование методов машинного обучения и глубокого обучения повысило точность диагностики и увеличило возможности автоматизации.

3. Принципы гиперспектральной визуализации и её применение в фитопатологии

3.1. Основы технологии

Гиперспектральное зондирование — это метод дистанционного получения изображений с высоким спектральным разрешением (до 10⁻² λ). Гиперспектральный датчик формирует трёхмерный массив данных («гиперкуб»), где две оси соответствуют пространственным координатам, а третья — спектральной (рис. 1). Это позволяет анализировать не только форму и структуру объекта, но и его химический состав на уровне отдельных пикселей.

Современные гиперспектральные сенсоры охватывают диапазон от видимого (400–700 нм) до коротковолнового инфракрасного (1000–2500 нм) излучения, обеспечивая детальную информацию о пигментах, воде, лигнине и других компонентах растительной ткани.

3.2. Влияние патогенов на спектральные характеристики растений

Взаимодействие света с листом включает отражение, поглощение и пропускание (рис. 2). Патогенная инфекция изменяет биохимический состав и структуру тканей, что напрямую влияет на их оптические свойства.

На рис. 3 показаны типичные спектральные кривые здоровых и поражённых листьев ячменя.

Ключевые спектральные области для диагностики включают:

·        Видимый диапазон (400–700 нм): Пик отражения около 550 нм и минимум поглощения хлорофилла в красной области (670–680 нм). Изменения связаны с деградацией пигментов (хлорофилла, каротиноидов).

·        Красный край (680–750 нм): Резкий подъём отражательной способности. Сдвиг «красного края» — чувствительный индикатор стресса.

·        Ближний инфракрасный диапазон (750–1300 нм): Высокое отражение, обусловленное рассеянием света внутренней структурой мезофилла. Изменения сигнализируют о повреждении клеточных структур.

·        Коротковолновый инфракрасный диапазон (1300–2500 нм): Полосы поглощения, связанные с водой (1470 нм, 1940 нм) и органическими соединениями.

Недостаток метода — игнорирование информации большинства спектральных каналов.

Алгоритмы машинного обучения (SVM, KNN, RF, Decision Tree) успешно применяются для классификации заболеваний растений. Контролируемое обучение обеспечивает более точную диагностику, однако требует предварительно размеченных данных.

Методы глубокого обучения (ГО) автоматически извлекают иерархические признаки непосредственно из сырых данных, что особенно ценно для гиперспектральных изображений.

Сравнение искусственной нейронной сети (ANN) и CNN приведено в Таблице 2.

Таблица 2. Сравнение ANN и CNN для гиперспектральной классификации

В Таблице 3 и 4 представлены современные исследования по детекции болезней растений с использованием методов машинного и глубокого обучения соответственно.

Таблица 3. Примеры применения машинного обучения для детекции болезней растений (адаптировано)

Таблица 5. Примеры применения глубокого обучения для детекции болезней растений (адаптировано)

Использование гиперспектральной визуализации открывает новые горизонты в мониторинге здоровья растений. Несмотря на существующие трудности (стоимость оборудования, необходимость адаптации моделей к разным регионам), дальнейшее развитие позволит создать эффективные автоматизированные системы контроля и раннего предупреждения заболеваний растений.

Список сокращений ·       

ЭНН: Искусственная нейронная сеть·       

ARI: Индекс отражения антоцианов·       

ASSDN: Глобальная сеть глубокого обучения с самонастраиваемой архитектурой·       

BPNN: Нейронная сеть обратного распространения ошибок·       

CARI: Индекс отражения каротиноидов·       

CNN: Свёрточные нейронные сети·       

GA: Генетический алгоритм·       

GLCM: Матрица совместного появления уровней серого·       

KNN: Метод к ближайших соседей·       

NDVI: Нормализованный дифференциальный вегетационный индекс·       

PCA: Анализ главных компонентов·       

PRI: Фотохимический индекс отражения·       

SVM: Метод опорных векторов·       

Wi: Водный индекс 

Читать полную статью