利用基于植被指数RBDI的高光谱多特征融合模型（PMA-VRNet）对水稻病害早期阶段进行分类的检测研究

《European Journal of Agronomy》：Detection study of early-stage classification of rice diseases using a hyperspectral multi-feature fusion model (PMA-VRNet) driven by the vegetation index RBDI

稻瘟病早期检测技术基于UAV高光谱遥感，构建RBDI1/RBDI2植被指数融合多光谱特征，提出PMA-VRNet模型，通过多头注意力机制优化VGG-ResNet特征提取，检测精度达OA 93.5%和Kappa 91.86%，数据增强与多特征融合效果显著，为精准农业提供技术支撑。

　　水稻稻瘟病（Rice Blast, RB）是一种极具破坏性的真菌性病害，每年在全球范围内导致数千万吨水稻产量损失。因此，利用精确的指标来量化病害并实现早期检测，对于建立预防性的植物保护体系至关重要。然而，目前在RB早期分级和检测的定量研究方面仍存在技术空白。本研究采用无人机（Unmanned Aerial Vehicle, UAV）高光谱遥感技术获取水稻冠层的高光谱图像，并通过预处理提取光谱、纹理和结构特征。为了克服传统植被指数（Vegetation Index, VI）在反映植被空间结构特征方面的局限性，基于植被覆盖度（Fractional Vegetation Cover, FVC）构建了两个稻瘟病指数：RBDI1和RBDI2，从而有效量化水稻病害指数（Disease Index, DI），提高了病害识别的准确性和空间分辨率。此外，提出了一种并行多头注意力机制的VGG-ResNet融合模型（PMA-VRNet），通过并行多头注意力机制整合RBDI、纹理特征（Texture Features, TF）和冠层覆盖度（Canopy Coverage, CC）等多源特征数据。该模型深度结合了VGG在高语义特征提取方面的优势与ResNet在深度残差学习方面的高效性，实现了对水稻早期病害的高精度分级检测。研究结果表明，PMA-VRNet模型在数据融合方面展现出出色的特征学习能力，特别是在通过BS-CARS算法选择的敏感波长数据集上，检测准确率（Overall Accuracy, OA）达到了93.5%，Kappa系数为91.86%。与对比模型相比，OA提升了1.17%-3.00%，Kappa提升了0.62%-3.76%。此外，使用SMOTE数据增强方法的效果优于原始数据，而结合特征建模的性能也优于单一特征建模。其中，结合VI_BS-CARS、TF和CC的模型取得了最高的准确率（OA = 94.5%，Kappa = 93.12%）。本研究为利用无人机高光谱图像实现水稻稻瘟病的精准监测提供了一种高效且可行的技术解决方案。

稻瘟病对全球水稻生产构成了严重威胁，因其高传染性和破坏性，一旦爆发往往导致大规模减产甚至绝收。传统检测方法依赖于人工田间调查，不仅效率低下，而且主观性强，难以及时应对大规模病害爆发。实验室检测虽然准确，但需要专门设备和复杂的操作流程，无法满足田间实时监测的需求。因此，发展一种能够快速、准确、非破坏性地检测稻瘟病的方法，成为农业领域亟需解决的问题。

无人机遥感技术因其高机动性和适应性，在获取水稻冠层数据方面具有显著优势。在数据采集过程中，无人机搭载的主动和被动传感器成为关键工具。利用冠层反射率进行早期病害检测，能够有效减少背景干扰，同时反映作物群体的光谱特征。然而，环境条件的波动和作物生长状态的变化仍然对检测精度构成挑战，因此需要进一步研究以提供更可靠的科学依据。已有研究表明，特定波长范围内的光谱数据与植物遭受的生物胁迫密切相关。例如，Huo等（2021）发现，红光和短波红外波段（2202.4 nm）的光谱数据与欧洲云杉树皮甲虫造成的胁迫有密切关联，基于此构建的归一化红光与短波红外指数能够量化胁迫水平，并实现多尺度检测。Liu等（2020）分析指出，红边和近红外波段对镰刀菌穗腐病造成的叶绿素破坏和组织损伤更为敏感，因此构建的红边镰刀菌穗腐病指数能够捕捉早期光谱变化。Tian等（2023）则基于水稻光谱研究，开发了稻瘟病指数（RIBI）及其变体，通过特定波段组合和数学建模实现了跨尺度的病害量化，并追踪了RB在多个空间尺度上的扩散过程。这些新的植被指数为森林、小麦和水稻病害的早期监测和预警提供了优化的解决方案。

随着深度学习技术在计算机视觉领域的快速发展，为非破坏性检测作物病害提供了创新性的技术路径。例如，Yu等（2025）开发了一种双分支多模态深度学习模型MMCG-MHA，用于稻瘟病的早期检测。该模型结合了门控循环单元（Gated Recurrent Units, GRUs）对一维数据的分析能力与卷积神经网络（Convolutional Neural Networks, CNNs）对二维图像的分析能力，利用多头注意力机制整合多模态数据中的时空特征。在融合光谱和生理特征后，该模型的分类准确率达到了94.1667%，显著优于单一模态方法。Liu等（2025）提出的RP-DETR模型则用于水稻害虫检测，该模型参数更少、计算更轻量，结合了视觉变换和卷积神经网络的优势，引入了改进的小目标金字塔颈部层。通过数据增强、架构优化和损失函数创新，实现了高精度的实时检测。Li等（2025）提出了一种水稻稻种分类的集成模型，结合了自定义注意力机制、改进的残差学习和并行滤波网络，以实现多尺度特征学习。使用75,000张图像数据集，经过图像增强、架构优化和多性能指标评估后，分类准确率接近99%。Lu等（2025a）提出的QRBILSTM-MHSA模型，通过整合高光谱和多模态表型数据预测水稻产量，模型采用双向长短期记忆网络（Bidirectional Long Short-Term Memory Network, BiLSTM）捕捉时间特征，利用多头自注意力机制对关键因素进行加权，并通过分位数回归实现区间预测，其准确性和可靠性均超过了传统方法，为农业决策提供了坚实的支撑。Lu等（2025b）则提出了IMobileTransformer模型用于水稻病害识别，该模型结合了MobileNet的局部特征提取能力和轻量化优势与Transformer的全局处理能力，采用三分支架构，实现了99.62%的识别准确率，优于经典模型如MobileNetV3-Large，为病害识别提供了有效的解决方案。

VGG网络通过其深层的小卷积核设计和迁移学习能力，在图像分类任务中超越了传统卷积神经网络（CNN）的性能，展现了在农业病害检测等场景中的高准确性和泛化能力。ResNet则通过其残差架构克服了传统CNN在深度、效率和泛化方面的局限，特别适用于需要高实时性能和小样本迁移能力的场景，如车辆入侵检测。然而，传统VGG和ResNet在特征提取过程中仅依赖卷积和池化操作，难以有效捕捉输入序列中的位置相关性。为了解决这一问题，本研究引入了多头注意力模块，该模块能够自适应地聚焦于输入中的关键区域，精确捕捉位置依赖关系，同时有助于全局信息的理解。此外，本研究还设计了一种双主干并行结构，充分利用了VGG在局部特征提取方面的稳健性与ResNet在深度残差学习方面的高效性，最终实现了更全面、丰富的特征表示。为了优化模型性能，本研究在原有架构基础上进行了轻量化改进，通过优化网络结构，显著减少了参数数量，同时有效保持了预测准确率。

本研究基于上述研究背景，主要分为以下几个部分：（1）通过对比研究选择最适合从高光谱数据中提取敏感波长的算法；（2）设计稻瘟病指数RBDI1和RBDI2，以实现对病害指数的精准量化；（3）构建并行多头注意力机制的VGG-ResNet融合模型（PMA-VRNet），以高效融合和处理多特征数据。同时，对各类算法和新提出的植被指数进行准确率、鲁棒性和适用性的全面评估，为水稻病害检测提供可靠的技术支持。

在材料与方法部分，本研究采用了高光谱成像技术和深度学习算法，整合了植被指数、纹理特征和冠层覆盖度等多源特征，建立了水稻稻瘟病的早期检测模型。技术流程如图1所示，主要包括：（I）通过无人机获取高光谱图像，同时收集地面数据，随后进行辐射校正等预处理步骤，构建多特征数据集；（II）提取光谱、纹理和结构特征，以丰富模型的输入信息；（III）利用所构建的植被指数、纹理特征和冠层覆盖度，输入到PMA-VRNet模型中进行训练和测试，以评估模型的性能；（IV）对不同模型和算法进行比较分析，确定最优方案。通过这一流程，研究实现了对稻瘟病的高精度、高分辨率检测，为精准农业提供了重要的技术支撑。

在光谱分析和水稻稻瘟病敏感波长选择部分，本研究深入探讨了水稻冠层在稻瘟病生物胁迫梯度下的动态耦合机制，如图6（a）所示，系统揭示了植物生化结构参数与光谱特征之间的内在联系。在可见光波段（500-560 nm）中，如图6（c）所示，叶绿素-类胡萝卜素复合体的解离效应导致了光合作用吸收特性的变化。通过分析不同波长下的光谱响应，研究确定了对稻瘟病敏感的关键波段，为后续植被指数的构建提供了依据。同时，研究还发现，不同病害阶段的植被覆盖度（FVC）存在显著差异，而FVC的变化会影响植被与背景之间的光谱混合比例。因此，本研究在构建植被指数时，充分考虑了FVC在不同病害阶段的变化，从而提高了病害检测的准确性。

在讨论部分，本研究指出稻瘟病具有快速传播和广泛危害的特点，因此早期检测是预防和控制该病害的关键。尽管高光谱成像技术是精准农业监测的重要工具，但其在户外应用中仍受到环境干扰和复杂数据处理流程的限制，且在空间分辨率和实时数据融合方面面临挑战。无人机遥感技术因其高机动性、实时性和灵活的数据采集能力，成为解决这些问题的有力手段。然而，如何在实际应用中提高检测精度，仍需进一步探索。本研究提出的PMA-VRNet模型在融合多源特征方面表现出色，特别是在敏感波长数据集上的表现尤为突出。该模型不仅能够有效提取水稻冠层的光谱特征，还能够整合纹理特征和冠层覆盖度，从而实现对病害的全面识别。此外，通过引入多头注意力机制，模型能够更好地捕捉病害特征的空间分布模式，提高了对早期病害的识别能力。

本研究的结论表明，通过结合无人机高光谱遥感技术、植被指数、纹理特征和冠层覆盖度，可以有效应对稻瘟病的早期检测难题。研究创新性地提出了多源特征融合策略和基于多头注意力的双主干并行架构，成功构建了一个智能化的病害诊断模型。研究发现，基于FVC构建的RBDI1和RBDI2能够更准确地反映水稻病害的群体特征，为病害的定量分析提供了新的视角。同时，PMA-VRNet模型在数据融合和特征提取方面表现出色，显著提升了病害检测的准确率和空间分辨率。此外，研究还验证了数据增强方法（如SMOTE）在提升模型性能方面的重要作用，表明结合多种特征建模的策略优于单一特征建模。通过本研究，不仅为稻瘟病的早期检测提供了高效的技术手段，也为其他作物病害的监测和预警提供了可借鉴的模式。

在数据来源和方法应用方面，本研究综合运用了多种先进的技术手段，确保了检测结果的可靠性和有效性。通过无人机高光谱图像的采集，研究能够获取高分辨率、高精度的冠层数据，为病害分析提供了坚实的基础。在数据预处理阶段，研究对原始图像进行了辐射校正、噪声去除等处理，确保了数据的质量。在特征提取过程中，研究结合了光谱特征、纹理特征和冠层覆盖度，构建了多维度的数据输入，从而提高了模型的识别能力。在模型构建方面，研究不仅优化了网络结构，还引入了多头注意力机制，使模型能够更好地捕捉病害特征的空间分布和变化趋势。通过与传统方法的对比，研究验证了PMA-VRNet模型在检测准确率和鲁棒性方面的显著优势，为稻瘟病的早期识别提供了新的技术路径。

此外，本研究还关注了不同作物病害检测方法的适用性和局限性。例如，已有研究在森林、小麦和水稻病害的早期监测和预警方面取得了显著进展，如Huo等（2021）提出的基于红光和短波红外波段的植被指数，以及Liu等（2020）构建的红边镰刀菌穗腐病指数。这些研究成果表明，通过选择合适的波长范围和构建针对性的植被指数，可以有效提升病害检测的精度和效率。然而，水稻稻瘟病的检测仍面临诸多挑战，如病害早期光谱特征的细微变化、不同病害阶段的植被覆盖度差异、以及环境因素对光谱数据的影响等。因此，本研究在构建植被指数和深度学习模型时，充分考虑了这些因素，以确保检测结果的准确性和稳定性。

本研究的创新点在于提出了基于FVC的稻瘟病指数（RBDI1和RBDI2），并结合多头注意力机制构建了PMA-VRNet模型。RBDI1和RBDI2不仅能够反映病害的群体特征，还能捕捉病害在不同生长阶段的光谱变化，从而实现对病害的精准量化。而PMA-VRNet模型则通过并行多头注意力机制，将不同类型的特征数据有效融合，提高了模型的特征表达能力和检测精度。同时，模型在轻量化设计方面也进行了优化，使得其在实际应用中更加高效和实用。这些创新方法的提出，为水稻稻瘟病的早期检测提供了新的思路和技术手段，也为其他作物病害的监测和预警提供了可借鉴的模式。

在实际应用中，本研究提出的技术方案具有重要的推广价值。无人机高光谱遥感技术的广泛应用，使得病害监测能够在大范围、高频率的情况下进行，为精准农业提供了强有力的支持。而基于FVC的植被指数和多头注意力机制的融合模型，则能够更准确地识别病害特征，提高检测的效率和可靠性。此外，研究还验证了数据增强方法（如SMOTE）在提升模型性能方面的重要作用，表明结合多种特征建模的策略优于单一特征建模。因此，本研究不仅在理论上为稻瘟病的早期检测提供了新的视角，还在实际应用中展现出广阔的发展前景。

综上所述，本研究通过结合无人机高光谱遥感技术、植被指数、纹理特征和冠层覆盖度，构建了一个高效的稻瘟病早期检测模型。该模型在数据融合、特征提取和病害识别方面均表现出色，特别是在敏感波长数据集上的检测准确率达到了93.5%，Kappa系数为91.86%。同时，通过引入多头注意力机制和双主干并行结构，模型在保持高准确率的同时实现了轻量化设计，提高了实际应用的可行性。这些研究成果为水稻稻瘟病的精准监测和预警提供了重要的技术支撑，也为其他作物病害的早期检测提供了可借鉴的模式和方法。