Cubert X20P高光谱相机助力草莓白粉病无损检测研究

基于高光谱成像和一维卷积神经网络的塑料大棚草莓白粉病检测研究

Hyperspectral imaging and one–dimensional convolutional neural network (1D-CNN) based detection of strawberry powdery mildew under polytunnel conditions

研究单位：弗劳恩霍夫计算机图形研究所（德国）

摘要：白粉病（Podosphaera aphanis）会严重威胁草莓的产量和品质，因此亟需在接近实际田间的条件下实现早期、无损检测。本研究在塑料大棚内搭建了轨道式高光谱成像系统，采集 350–1000 nm 波段范围内的高光谱图像，并结合光谱预处理方法（Savitzky–Golay 平滑、标准正态变量变换（SNV）/多元散射校正（MSC））、孤立森林（Isolation Forest）异常值剔除以及基于感兴趣区域（ROI）的光谱提取，构建了草莓白粉病检测方法。本研究采用均衡后的光谱数据集（n=1,940），按照 70%/15%/15% 的比例划分训练集、验证集和测试集，并训练一维卷积神经网络（1D-CNN）。同时，将其检测性能与随机森林（RF）、决策树（DT）、偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）等模型进行了比较。在独立测试集上，基于全波段光谱的 1D-CNN 模型取得了 84.2% 的总体准确率，AUC 达到 0.933。其中，健康样本的精确率、召回率和 F1 分数分别为 0.93、0.74 和 0.82；白粉病样本的精确率、召回率和 F1 分数分别为 0.78、0.94 和 0.86。该模型表现出较高的白粉病召回率，说明其更适用于以尽可能减少漏检为目标的初步筛查。研究结果表明，将高光谱成像（HSI）与深度学习相结合，能够在半受控、近田间条件下实现有效的草莓白粉病检测，并具有良好的应用潜力。该研究也为进一步开发紧凑型多光谱检测系统，以及在精准农业应用中实施经过阈值校准的检测策略提供了可行思路。

实验设计：研究团队采用 Cubert X20P 高光谱相机，搭建了轨道式高光谱成像系统，在塑料大棚环境下对草莓植株进行连续成像观测。设备覆盖 350–1000 nm 波段范围，可获取草莓叶片的精细光谱信息。采集前，研究人员依次完成暗场、白板及距离校准，并利用 Cuvis SDK 提取健康叶片与白粉病感染叶片的感兴趣区域（ROI）光谱。在此基础上，研究团队通过光谱平滑、散射校正和异常值剔除等预处理步骤，结合一维卷积神经网络（1D-CNN），建立草莓白粉病识别模型，并与多种传统机器学习算法进行对比，评估高光谱技术在接近实际种植环境下的病害检测能力。

图1 基于高光谱成像（HSI）和化学计量学技术，无损检测与表征草莓叶片白粉病的工作流程示意图

图2 安装在塑料大棚轨道机构上的高光谱成像相机，该机构沿草莓冠层上方移动

核心成果：

（1）实现无损病害识别： 基于 Cubert X20 获取的高光谱数据，研究团队实现了草莓健康叶片与白粉病感染叶片的有效区分，为作物病害的非破坏性检测提供了技术路径。

（2）1D-CNN模型表现良好： 全波段光谱模型在独立测试集上的总体准确率达到 84.2%，AUC 达到 0.933，表现出较强的类别区分能力。

（3）对病害具有较高检出能力： 白粉病类别的召回率达到 94%，在初步筛查场景下能够有效减少病害漏检。

（4）为轻量化检测设备提供参考： 研究进一步探索了特征波段筛选方法，为后续开发紧凑型多光谱检测系统、推动高光谱技术在精准农业中的应用提供了参考。

研究方法：

图3 用于筛选适合开展数据预处理与建模的图像的流程

图4 草莓叶片光谱提取的各个步骤示意图

表1 Cubert X20 高光谱相机的技术参数

图5  草莓叶片光谱提取的各个步骤示意图（ISF：孤立森林算法）

图6 本研究所采用的一维卷积神经网络（1D-CNN）架构示意图。K：卷积核数量；N：神经元数量。

图7 一维卷积神经网络（1D-CNN）分类模型的各项评价指标及相关曲线

表2 一维卷积神经网络（1D-CNN）分类器的性能评估结果

图8 多种先进分类模型（state-of-the-art models）对应的混淆矩阵

表3 各分类模型的性能评估结果

研究结论：本研究表明，将高光谱成像与轻量化一维卷积神经网络（1D-CNN）相结合，能够在塑料大棚环境下有效区分草莓白粉病。基于全波段光谱构建的模型具有较强的判别能力，AUC 达到 0.933。通过波长筛选流程，研究进一步选取了对色素和叶片结构敏感的波段，在降低模型输入维度的同时，将测试集准确率提高至 0.894，AUC 提高至 0.968。与随机森林（RF）、决策树（DT）、偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）等传统模型相比，1D-CNN 表现出更优的分类性能和更灵活的运行参数调节能力。通过后续调整分类阈值，该模型既能够在筛查应用中实现较高的白粉病检出率，也可满足准确性检测的需求。

未来研究应进一步扩大数据集规模，覆盖不同种植地点、草莓品种和生长季节；采用嵌套式特征选择与概率校准方法；融合空间—光谱信息或引入注意力机制；并将筛选出的特征波段应用于轻量化多光谱传感器，以实现实时检测。总体而言，上述研究方向有望进一步缩小实验室研究成果与实际田间应用之间的差距，为精准农业中的病害监测与决策提供技术支持。

原文链接：https://doi.org/10.1016/j.atech.2026.102603