基于高光谱成像与深度学习的小麦多重感染分类研究：揭示病原体共存互作的光谱特征

《Plant Methods》：Hyperspectral image analysis for classification of multiple infections in wheat

本研究针对小麦多重感染难以准确识别的难题，创新性地将高光谱成像(HSI)与深度学习技术相结合，首次构建了包含1447张单/双重感染叶片图像的数据库。通过对比Inception与EfficientNet架构的2D/3D卷积性能，发现2D EfficientNet模型对黄锈病(YR)+白粉病双重感染的识别准确率达72%，并首次证实共存病原体会产生独特的光谱特征。该研究为田间复杂病害的精准诊断提供了新方法，发表于《Plant Methods》期刊。

　　

在全球粮食安全面临严峻挑战的背景下，小麦作为主要口粮作物，其病害防控尤为关键。黄锈病(YR)、白粉病和Septoria等叶部病害每年导致15-30%的产量损失，而田间环境下多重感染现象普遍存在，传统肉眼识别和常规计算机视觉技术难以准确区分共存病原体。更棘手的是，病原体间的相互作用会改变病害表征，例如黄锈病与Septoria共存时，前者典型的亮黄色疱状突起会变为暗褐色，这种动态互作使得单一病害训练的分类器频频误判。

为解决这一难题，Manon Chossegros等研究团队在《Plant Methods》发表了一项创新研究，首次将高光谱成像(HSI)技术与深度学习相结合，系统探索了小麦单重及双重感染的分类方法。高光谱成像的优势在于能捕获375-970纳米范围内19个波长的光谱数据，远比传统RGB图像更能揭示病原体引起的色素变化和细胞结构损伤。尤为重要的是，该技术可在症状肉眼可见前检测到生理异常，为早期干预提供可能。

研究团队通过实验室接种和田间采样相结合的方式，构建了包含1447张高光谱图像的数据集，涵盖健康叶片、单感染（黄锈病、白粉病、Septoria）及双感染（YR+白粉病、YR+Septoria）样本。针对多重感染分类的特殊性，创新采用"独立类别标记"策略，将每种感染组合视为独立类别，从而捕捉病原体互作产生的独特光谱特征。

关键技术方法包括：1) 使用VideometerLab 4系统采集2192×2192像素的19波段高光谱图像；2) 通过阈值分割和形态学运算去除背景噪声，提取叶片区域；3) 采用Savitzky-Golay算法平滑光谱维度噪声；4) 基于t检验筛选出10个鉴别性波长（570-970纳米）；5) 采用图像翻转和旋转进行数据增强；6) 对比四种CNN架构（2D/3D Inception-V3、2D/3D EfficientNet-B0）的性能。

样本特征与光谱分析

研究显示，双重感染叶片呈现独特的症状组合：YR+Septoria感染中黄锈病疱状突起颜色变深，YR+白粉病组合则出现双方症状的相互抑制。光谱分析发现，双重感染的光谱曲线并非单一感染的简单叠加，例如YR+Septoria在600-700纳米波段呈现独有的反射特征，表明确实存在病原体互作引起的生理变化。

模型性能比较

2D EfficientNet模型表现最优，总体准确率达81%，对YR+白粉病双感染的识别准确率高达72%。值得注意的是，3D卷积架构反而不及2D版本，推测是因有限光谱波段（19个）限制了3D核的特征提取能力，而2D卷积能更有效捕捉叶片纹理信息。对于误判样本，86.7%的YR+白粉病误判结果仍能识别出其中一种病原体，说明模型具有一定实用容错性。

分类结果可视化

混淆矩阵显示，Septoria及其组合类别识别准确率较低（39-56%），主要源于样本量不足（仅75张）和田间样本的异质性。但模型对优势类别（健康、YR、白粉病）的召回率均超过84%，证明方法在数据均衡场景下具有高可靠性。

该研究首次证实高光谱成像能捕获多重感染特有的生物标记，为理解病原体互作提供了新视角。尽管Septoria类样本的不足限制了部分结论的普适性，但研究开创性地将多重感染分类从"是否共存"提升至"如何互作"的层面。未来通过扩充田间样本、结合生成式AI（如GANs）增强数据多样性，有望实现田间复杂病害的精准监测。这项技术不仅为智能农业装备（如无人机载传感器）提供了核心算法支持，更通过光谱特征解析揭示了植物-病原体多维互作的奥秘，为发展生态友好型病害防控策略奠定了方法论基础。