基于高光谱成像的深度学习方法：番茄黄化曲叶病的无症状阶段检测与病情分级

《Smart Energy》：Hyperspectral imaging-driven deep learning approach: Asymptomatic stage detection and severity grading of tomato yellow leaf curl disease

番茄黄叶卷曲病（TYLCD）早期无症状阶段检测与严重程度分级研究基于高光谱成像和光谱-空间双分支残差网络（SSDBRN）。通过构建覆盖5-38天病程的时序数据集，提出SSDBRN整合可变形卷积和光谱注意力机制，有效提取光谱特征（400-1000 nm）与空间纹理信息，实现5-7天早期无症状检测准确率84.2%，全病程严重程度分类准确率96.2%，显著优于2D CNN、3D CNN和HybridSN。可视化分析显示光谱激活集中在近红外波段（750-1000 nm）反映细胞结构变化，空间激活聚焦叶缘和叶脉区域，验证了多模态特征融合的有效性。

　　番茄黄叶卷曲病（TYLCD）是一种严重影响番茄种植的疾病，会导致感染植物产量减少甚至完全绝收，从而严重损害农业生产力和品质。由于TYLCD具有较长的无症状感染期和早期症状不明显的特点，传统检测方法在识别和监测疾病进展方面存在局限。而高光谱成像技术能够捕捉丰富的光谱和空间特征，为早期病变识别和疾病进展动态监测提供了技术基础。本研究提出了一种光谱-空间双分支残差网络（SSDBRN），旨在充分提取和利用高光谱图像中的复杂特征，以实现对TYLCD无症状阶段的检测和疾病严重程度的分类。通过与三种基线模型（2D CNN、3D CNN和HybridSN）的比较实验，SSDBRN在5-7天后感染的早期检测准确率达到84.2%，在六个严重程度阶段的分类准确率为96.2%，显著优于基线模型。此外，消融实验验证了SSDBRN关键组件（光谱通道注意力模块和可变形卷积模块）的贡献，而泛化能力研究确认了模型对复杂背景和光照变化的鲁棒性。光谱激活曲线和空间特征激活图的可视化分析进一步阐明了模型在光谱和像素级别上的分类依据。研究结果表明，结合高光谱成像与SSDBRN可以实现非破坏性的无症状阶段检测和精确的严重程度分类，为农业行业提供了一种高效的诊断解决方案。

在番茄种植过程中，TYLCD的传播主要依赖于白粉虱（Bemisia tabaci）媒介，而传统的检测方法主要依赖于视觉检查和生物测试。视觉检查难以区分无症状感染，且由于潜伏期长和症状复杂，即使在感染数周后，准确诊断仍然具有挑战性。生物测试包括聚合酶链式反应（PCR）和酶联免疫吸附试验（ELISA）等分子诊断技术，虽然具有高度特异性，但涉及样本破坏、复杂程序和低病毒载量下的有限灵敏度，无法满足精准农业中快速、非侵入性检测的需求。因此，建立有效的早期疾病检测和评估系统对于制定后续控制措施至关重要。

计算机视觉（CV）技术因其非破坏性和计算效率被广泛应用于精准农业。随着卷积神经网络和Transformer等深度学习架构的发展，集成CV与深度学习的框架已被广泛应用于植物病害检测和分类，包括番茄叶病识别、热带水果、小麦、玉米、水稻以及多种植物病害的综合检测。然而，这些方法主要依赖于可见光的表型特征。对于潜伏期较长的疾病如TYLCD，可见症状通常在病原体已引起田间不可控传播后才出现。因此，传统的单模态方法在识别早期病害时效果有限。

近年来，高光谱成像（HSI）技术的快速发展为早期植物病害检测提供了新的视角。与传统CV技术相比，HSI能够捕获连续的窄带光谱信息，在定义的光谱范围内有效反映病原体感染引起的植物生化参数变化（如叶绿素含量和水分状态），在无症状阶段检测中具有显著优势。Lu等人通过构建基于720/840 nm波段比的特征，实现了25天后感染样品的分类性能，AUC值达到1.0。然而，该研究受限于小样本量和晚期检测时间。Gao等人通过选择六个特征波长，使用LS-SVM分类器对感染和无症状葡萄叶进行了检测，分类准确率为0.667-0.899。尽管这些研究成功展示了HSI在植物病害检测中的应用，但它们依赖于手动特征选择，未能充分利用高光谱数据的高维特性。

深度学习在高维数据中具有揭示复杂结构的能力，这一特性使其能够有效利用高光谱图像。目前，许多研究正在探索将HSI与深度学习相结合以进行植物病害检测。例如，Cao等人使用改进的3D CNN检测水稻细菌病害，最佳条件下准确率为0.954。Qi等人设计了一种结合2D CNN和3D CNN的深度学习架构用于马铃薯晚疫病检测，关键光谱带的检测准确率为0.790。Wang等人设计了一种基于Transformer的深度学习网络，通过从高光谱图像中提取平均光谱值来识别番茄细菌萎蔫病的严重程度，整体准确率为0.919。尽管这些研究在植物病害检测方面取得了进展，但它们通常依赖于单一特征或简单的光谱-空间特征拼接，未能有效揭示这些模态之间的深层相关性。值得注意的是，当前使用HSI和非破坏性技术如CV进行TYLCD检测的研究主要集中在有症状阶段，存在对无症状阶段检测和系统性严重程度分类方案的显著空白。

本研究提出了一种基于HSI和光谱-空间双分支残差网络（SSDBRN）的方法，用于TYLCD无症状阶段的检测和严重程度分类。在初步阶段，番茄植物在人工气候室中培养并接种番茄叶卷曲台湾病毒（ToLCTWV）。使用HSI系统采集顶部视图图像以构建数据集，同时进行PCR检测以确认ToLCTWV感染。图1展示了所提出方法的流程图。主要研究目标包括：

1. 构建SSDBRN架构并设计光谱-空间特征融合机制，以实现对双特征的有效整合。
2. 评估SSDBRN在无症状阶段分类和疾病严重程度分级任务中的性能，并与代表性深度学习架构（如2D CNN、3D CNN和HybridSN）进行比较。
3. 通过消融实验验证SSDBRN关键组件（光谱通道注意力模块和可变形卷积模块）的有效性，并测试模型的泛化能力。
4. 使用归一化平均光谱激活曲线和像素级热图可视化技术分别研究SSDBRN的光谱和空间特征提取机制，以及模型的可解释性。

在番茄样本的培养过程中，采用了人工气候室来控制实验环境，温度设定为26°C，光周期为16小时光照/8小时黑暗。种子于2024年6月12日播种，待幼苗长出两片子叶后，从62株均匀生长的植株中选择50株进行病毒接种，作为接种组，而剩余的12株作为健康对照组。所有处理后的植株随后在与发芽阶段相同的环境条件下培养在生物安全隔离温室中。图2展示了25天后健康和代表性感染植株的表型比较。

在病毒接种过程中，使用了ToLCTWV的结构图（图3），其感染克隆由广东省农业科学院植物保护研究所的蔬菜病害控制研究组提供。接种是在植物3-4真叶阶段进行的，使用1 mL无菌注射器缓慢将准备好的根癌农杆菌（Agrobacterium tumefaciens）悬浮液（OD600=1.0）注入接种组植株的子叶节下方1 mm处，以促进病毒在植物组织中的传播。

在分子测试方面，采用了改进的NaOH协议提取番茄叶样品的总DNA，时间为10天和28天后接种（dpi）。每株番茄植物取约100 mg的顶叶，放入含有三个不锈钢研磨珠和100 μL 0.5 M NaOH溶液的1.5 mL微量离心管中。在液氮预冷条件下使用组织研磨机进行组织均质化，然后在4°C下以12,000 rpm离心10分钟。离心后，将50 μL上清液小心转移到新的微量离心管中，并用450 μL 0.1 M HCl中和。得到的DNA溶液在-20°C下保存，作为PCR的模板用于后续使用。

PCR被用作ToLCTWV感染的确认标准。在DNA提取后，使用总植物DNA作为模板。设计了特异性引物ToLCTWV-F/ToLCTWV-R（ToLCTWV - F: 5′-ATATAGTCATTTCACTCCCGCTTC-3′ / ToLCTWV-R: 5′ - AAAGTAGCATACACAGGATTAC TGG -3′）以扩增一个715-bp的目标片段。反应系统组成详见表2。

在高光谱图像采集方面，使用了可见-近红外高光谱成像系统，该系统由高光谱相机、卤素光源、相机支架、遮光板、计算机和控制软件组成。系统的核心组件是高光谱相机（GaiaField V10 Lite，Dualix公司，中国），它是一个推扫式高光谱成像仪，包含256个波段，覆盖400-1000 nm范围，空间分辨率为696?×?697像素。在扫描过程中，卤素灯（630 W，Dualix公司，中国）提供稳定的照明，其入射角为75°，覆盖350-2500 nm波长范围。相机支架用于固定高光谱相机的位置和高度，确保植物主区域在视野范围内。黑色遮光板安装在支架侧面，有效减少环境光的干扰。数据采集控制软件SpecView（版本2.9.3.26，Dualix公司，中国）安装在计算机上，用于管理相机参数和图像采集。

在数据采集过程中，以接种日期（2024年6月29日）为基准（0 dpi），在5至38 dpi之间设置了12个采集时间点：5、7、9、11、13、15、17、19、22、25、33和38 dpi。数据收集在每天15:00至19:00进行。为了消除水反射的干扰，每次采集前6小时停止灌溉。采集前，高光谱相机和卤素光源被打开并预热30分钟，以确保系统稳定。预热后，将相机曝光时间设置为9 ms，这个值可以防止标准白板图像的过曝或欠曝。随后，拍摄了暗电流参考帧（镜头覆盖）和标准白板（99%反射率，聚四氟乙烯材料）以进行数据校准。在数据采集过程中，植物及其种植盆被放置在黑色背景（非织造布，>98%吸光率）上。使用安装在计算机上的控制软件获取番茄植物的顶部高光谱图像。相机镜头聚焦在植物冠层上，以确保有效的图像包含新形成的3-4真叶。在12个采集日中，共记录了744个有效样本。

在数据集准备过程中，进行了黑白校准以消除传感器暗电流噪声和不均匀照明。校准原理定义为：R_corrected = (DN_normalized - DN_dark) / (DN_white - DN_dark) × R_white，其中DN_normalized是原始高光谱图像的数字量化值，DN_dark是黑色快门图像的暗电流参考值，DN_white是标准白板的最大值，R_white是白板的校准反射率。校准后，数据被转换为无量纲的相对反射率值。

在ROI选择过程中，由于病毒通过韧皮部筛管系统性传播，并优先在活跃分裂的细胞中复制，因此优先分析番茄植物的新叶。通过手动在高光谱图像上标注感兴趣区域（ROIs），专注于病毒靶向的新叶。使用Labelme软件将对应特定波段（R: 680.40 nm，G: 550.20 nm，B: 480.10 nm）的灰度图像合成真彩色RGB图像，形成用于2D CNN的训练数据集。每张图像标注了3-7个非重叠ROIs（每个包含一个或多个小叶片），以确保数据多样性。随后，从高光谱立方体中提取了子图像，基于标注的坐标。裁剪后，获得了3,402个具有不同空间分辨率的高光谱图像。

在空间标准化过程中，样本的空间分辨率变得不一致。为了处理这个问题，应用了自适应空间标准化，将图像统一调整为128?×?128像素，同时保持宽高比。两种情况考虑了分辨率调整：下采样。对于大于128?×?128像素的图像，应用了双线性插值；上采样。对于小于128?×?128像素的图像，使用了Mitchell-Netravali最佳参数的双三次插值。空间标准化后，图像被中心裁剪为128?×?128像素。数据集准备的关键步骤如图5所示。

在分类模型部分，2D CNN是一种标准的深度学习架构，用于处理二维网格数据，如图像，能够通过局部感受野和参数共享机制分层提取空间特征。网络通常由交替堆叠的卷积层、激活函数和池化层组成，最后通过全连接层将全局特征映射到目标类别空间进行分类。在本研究中，构建了一个典型的2D CNN架构，包含三个卷积模块。每个模块由卷积层、批量归一化（BN）层、Rectified Linear Unit激活函数和最大池化层组成，卷积层后引入Dropout层以抑制过拟合。由于2D CNN无法直接处理三维高光谱数据，采用了在2.5.1节中描述的维度降维方法，从原始高光谱立方体中提取对应红（680.4 nm）、绿（550.2 nm）和蓝（480.1 nm）波段的灰度图像，合成真彩色RGB图像以形成2D CNN的训练数据集。

3D CNN通过同时在空间维度（x, y）和光谱维度（λ）上进行卷积操作，使用三维卷积核（高度?×?宽度?×?深度）来提取高光谱数据的联合空间-光谱特征。本研究使用的3D CNN由两个3D卷积块组成。第一个块由一个3D卷积层和一个3D池化层组成，卷积核尺寸为5?×?5?×?7，池化核尺寸为3?×?3?×?5；第二个块由一个3D卷积层和一个3D池化层组成，卷积核尺寸为3?×?3?×?5，池化核尺寸为2?×?2?×?3。这种设计逐步压缩光谱维度以实现光谱特征降维。最后，全局平均池化将三维特征张量映射到类别概率分布。

HybridSN是一种专门为高光谱成像分类任务设计的混合谱卷积神经网络（HybridSN）。该模型通过级联三维和二维卷积操作，结合3D CNN和2D CNN的优势，联合提取光谱-空间特征，从而充分利用高光谱图像中固有的光谱和空间信息。经典的HybridSN采用单分支架构，由三个级联模块组成：基于3D CNN的光谱-空间特征学习模块、基于2D CNN的空间特征学习模块和全连接层。光谱-空间特征学习模块由三个连续的3D卷积层组成，用于从输入的高光谱数据立方体中提取联合光谱-空间特征。空间特征学习模块接收3D卷积层输出的特征图，并采用三个2D卷积层进一步细化和抽象空间特征。最后，将展平的特征图输入全连接层，以将特征映射到分类空间。

SSDBRN由三个主要框架组成：光谱特征分支、空间特征分支和特征融合模块。光谱特征分支通过3D卷积和3D最大池化层进行光谱特征提取，并采用3D可变形卷积模块和3D光谱注意力模块。空间特征分支则通过二维卷积操作提取局部空间模式，其核心组件是ResBlock2D模块。特征融合模块是双分支网络的核心组件，其融合设计受到量子纠缠态的非局部相关性的启发。在光谱和空间分支的特征图池化后，它们被输入融合模块，以通过量子纠缠启发的融合进行信息交互。经过光谱和空间分支的特征图池化后，它们被输入融合模块以实现信息交互。图6展示了SSDBRN的网络结构，其中主干网络由光谱和空间分支耦合而成。高光谱立方体被输入光谱分支进行光谱特征提取，输出数据经过维度重塑后被输入空间分支进行空间特征提取。最后，双分支的输出被池化并输入特征融合模块。

在数据集划分和模型训练方面，当前TYLCD严重程度分类主要依赖于可见症状的严重程度（如轻度/重度黄化/卷曲）[46, 47, 48]，但这一标准无法涵盖无症状阶段。本研究首先根据症状可见性将样本分为三个主要阶段：无症状潜伏期、部分症状期和典型症状期。这些阶段进一步根据疾病进展时间细分为六个子阶段。具体而言：

- Early1（5-7 dpi）和Early2（8-11 dpi）被归类为无症状潜伏期（早期），因为在这两个阶段中，植物没有明显的症状。
- Middle1（12-15 dpi）、Middle2（16-19 dpi）和Middle3（20-30 dpi）被定义为部分症状期（中期），其中一些植物开始表现出症状，但大部分仍然无症状。这表明在这一阶段，仅凭表型特征无法可靠地确定感染状态。
- Late阶段（30 dpi后）以大多数感染植物表现出典型症状为特征。尽管少数样本可能表现出模糊症状，但通过视觉观察可以初步分类。

基于二次PCR结果（28 dpi），每个阶段的数据被划分为感染组和健康对照组，形成六个独立数据集。考虑到农业数据集的样本量有限，每个数据集被随机划分为训练集和测试集，比例为7:3。这一划分比例确保了足够的训练样本以实现稳健的特征学习，同时保留了足够的未见过的测试样本以进行全面的模型验证。为了应对类别不平衡问题，特别是在早期阶段的样本中，采用加权交叉熵损失函数进行健康-病害分类任务。模型训练是在运行Windows 11的计算平台上进行的，该平台配备了Intel Core i7-14700KF CPU、32 GB DDR5 RAM和NVIDIA GeForce RTX 4080 GPU。软件环境使用了CUDA 11.8、Python 3.11、PyTorch 2.5.1、NumPy 1.26.4和scikit-learn 1.5.1。使用了Adam优化器，初始学习率设为3e-4，并通过StepLR调度器（gamma=0.8，每20个周期衰减）进行动态调整。训练过程中，每个周期完成时间在17±3秒内，使用批量大小为4，训练200个周期。在推理过程中，模型以14.4±0.6个样本/秒的速度处理样本。

为了评估模型在疾病进展阶段识别中的性能，从所有六个数据集中提取感染组样本，构建了一个多阶段分类数据集。该数据集涵盖了从早期到晚期的六个疾病进展类别，同样划分为7:3的训练-测试集，并在相同的硬件/软件配置下进行验证。

在结果部分，光谱反射率分析显示，通过背景去除后的高光谱数据在空间维度上的平均值，获得了健康和感染样本在六个疾病进展阶段的光谱反射率曲线（400-1000 nm）。结果（图8）表明，在早期阶段（5-11 dpi），健康和感染样本在400-1000 nm波长范围内没有显著的光谱反射率差异。当疾病进入第一和第二中期阶段（12-19 dpi）时，反射率差异开始在近红外波段（750-1000 nm）显现，这归因于病毒感染引起的细胞间距变化和异常水分代谢。在Middle3阶段和Late阶段，感染样本在500-650 nm波段表现出显著升高的反射率，这直接与叶绿素含量减少和绿色光吸收减弱相关。此外，感染样本在680-750 nm波段表现出红边位移和红边斜率降低，表明光合系统活动减弱。

PCR结果表明，在初始测试（10 dpi）中，只有15个样本扩增了715 bp片段，检测率为1/3，其中5/15被归类为弱阳性样本。这一低检测率可能归因于感染时间较短，叶中的病毒载量尚未达到常规检测阈值。在28 dpi时，50个接种样本中有45个清晰扩增了715 bp片段。剩下的5个样本中，2个（编号35和46）未能扩增目标片段，被认为是生物学上未感染的。3个样本（编号28、29和43）表现出淡色条带且无可见症状，这表明病毒载量极低，可能存在潜伏感染。基于28 dpi的PCR结果，45个PCR阳性植株被归类为感染组，而样本35和46（接种）以及所有未接种样本形成了健康对照组。

在疾病分类结果中，四种模型在不同阶段的分类性能被总结（表6，图12）。SSDBRN在所有阶段都实现了最高的测试准确率（0.962），所有阶段的F1得分均超过0.930。相比之下，2D CNN仅依赖于可见光谱的宽带特征（颜色和纹理），其准确率最低（0.499），反映出人类三色视觉在该病害中的局限性。HybridSN也表现出良好的性能，验证了高光谱分类中光谱-空间融合的有效性。值得注意的是，SSDBRN在所有阶段均优于HybridSN，除了Middle3阶段。在Early1阶段，SSDBRN的准确率为0.842（Kappa=0.608），而HybridSN的准确率为0.766，这表明光谱-空间融合在早期病害检测中的优越性。值得注意的是，表5显示，尽管SSDBRN的模型参数（2.190 M）和计算成本（17.849 GFLOPs）低于HybridSN，但其分类性能仍然优越。

在疾病严重程度分级中，四种模型在区分不同疾病阶段的能力被总结（表6，图12）。SSDBRN实现了最高的测试准确率（0.962），所有阶段的F1得分均超过0.930。相比之下，2D CNN仅依赖于可见光谱的宽带特征（颜色和纹理），其准确率最低（0.499），反映出人类三色视觉在该病害中的局限性。HybridSN也表现出良好的性能，验证了高光谱分类中光谱-空间融合的有效性。值得注意的是，感染进展期间的植物生长可能有助于不同阶段之间的特征变化。

在消融实验中，对SSDBRN模型的关键组件进行了研究。分别移除了光谱通道注意力（SA）模块和可变形卷积（DConv）模块。与原始模型的比较分析显示，当移除任一模块时，疾病检测（表7）和严重程度分类（表8）的性能均有所下降。表7显示，当移除SA模块时，早期阶段的检测准确率从0.842下降至0.821，Kappa值从0.608下降至0.550，F1（感染）得分从0.891下降至0.877，F1（对照）得分从0.713下降至0.667。这表明SA模块在早期阶段检测中的重要性，其功能是放大光谱通道的细微生化变化。表8显示，当移除DConv模块时，疾病严重程度分级的准确率从0.962下降至0.955，Kappa值从0.836下降至0.818，F1（感染）得分从0.955下降至0.950，F1（对照）得分从0.881下降至0.867。这表明DConv模块在中期至晚期阶段分类中的重要性，其功能是空间适配器，用于在具有联合光谱-空间病理改变的疾病进展阶段中精确聚焦。与标准3D卷积不同，DConv的可学习偏移量动态调整感受野，以精确捕捉相互演化的病理特征——光谱偏移（色素变化）和空间变形（叶片皱缩/卷曲），从而实现对疾病进展的准确评估。表9确认了这两个模块的加入对模型性能的提升，尽管计算开销略有增加。

为了评估模型的泛化能力，进行了泛化实验。首先，使用表2.5.4中描述的方法构建了一个背景去除的数据集，并将其与包含背景噪声的原始数据集进行了比较。结果表明，当SSDBRN在两个数据集上训练时，平均准确率偏差为0.006（六个阶段的疾病检测）和0.007（严重程度分类）。这证实了模型对背景噪声的内在鲁棒性，因为它选择性地关注信息区域（如叶片边缘、叶脉和纹理），而无需背景去除预处理（图3.4.2中的视觉证据支持这一机制）。

为了评估模型在不同环境下的适应性，对测试集的高光谱图像应用了两种变换：1）光照变化（+LVar），模拟自然阳光强度的变化；2）高斯噪声（+Gnoise），模拟阴天条件下的光散射。光照变化通过随机应用±20%强度调整（五个级别：0.8、0.9、1.0、1.1、1.2）到每个测试样本上实现。高斯噪声通过向每个像素添加零均值高斯噪声（σ=0.01）来实现。使用原始训练集的模型权重评估这些变换后的数据集。

在健康-感染样本分类任务中（表10），±20%的光照变化对性能影响最小，整体准确率从0.919下降至0.884，表明模型对光照变化具有良好的适应性。相比之下，高斯噪声的影响更为显著，特别是在Early1-Middle1阶段，准确率从0.899下降至0.808。在Middle3阶段之后，尤其是Late阶段，噪声影响显著降低（仅1.5%的准确率下降），表明晚期感染的病害特征发展更为显著。在疾病严重程度分级中（表11），两种变换对性能的影响有限（光照变化导致准确率下降2.9%，高斯噪声导致准确率下降2.2%），这可能归因于六类任务的更大数据集所赋予的更丰富的特征学习能力。

为了探讨光谱特征对SSDBRN模型样本分类的贡献，提取了前向传播过程中中间层的光谱特征。使用光谱全局平均池化（表13）获得波长重要性权重矩阵。通过对单个样本的激活值进行最大-最小归一化，计算了所有样本的平均激活曲线（图13）。较高的归一化激活值表明光谱特征对分类的贡献更大。这些曲线揭示了在早期阶段，分类主要依赖于近红外波段（>900 nm），这可能与病毒感染引起的细胞结构和水分分布变化有关。随着感染进展到中期阶段，分类整合了绿色光谱区域（500-600 nm）、“红边”（700 nm）和近红外波段（>800 nm），反映了感染引起的叶绿素降解和类胡萝卜素积累，以及“红边”位移现象。在晚期阶段，分类进一步增强了对蓝色光（450 nm）和黄绿色光波段（530-600 nm）的依赖，因为光合系统逐渐恶化，导致光合色素显著减少。

为了探讨空间特征对SSDBRN模型空间定位能力的贡献，通过平均空间分支的输出特征生成激活图，使用双三次插值将其上采样到原始输入尺寸，并叠加在真彩色RGB图像上（R: 680.40 nm，G: 550.20 nm，B: 480.10 nm）进行像素级特征分布比较。对于每个疾病阶段，随机选择测试批次生成空间特征图（图14），揭示了模型注意力的演变：在早期阶段（early1, early2），激活模式分散，空间一致性有限，表明在初始病毒感染期间没有明显的视觉症状，因此主要依赖光谱特征进行检测。随着感染进展到中期阶段（middle1-middle3），激活变得越来越区域化和连续，集中在叶片纹理、边缘、基部和叶脉——这些是可见症状通常出现的区域。在晚期阶段，激活模式主要集中在叶片边缘，与病害边缘黄化和卷曲的特定症状一致。在整个六个阶段中，空间激活主要分布在叶片而非背景，这证实了模型对背景干扰的鲁棒性。

在讨论部分，本研究提出了基于HSI和光谱-空间双分支残差网络（SSDBRN）的TYLCD无症状阶段早期检测和严重程度分级方法。通过在人工气候室中培养番茄植物并接种ToLCTWV，建立了时间序列数据集，采集了5至38 dpi期间的高光谱立方体。通过使用ToLCTWV特异性引物进行PCR扩增以确认病毒感染状态。经过严格的预处理（包括辐射校准、噪声抑制和空间标准化），最终数据集包含3,402个高光谱立方体，覆盖六个发育阶段。SSDBRN架构展示了优越的性能，实现了5-7 dpi的早期检测准确率为84.2%，六个严重程度阶段的总体分类准确率为96.2%。这些结果验证了双分支协同框架在整合可变形3D卷积以检测光谱异常和空间残差块以表征纹理方面的有效性。所提出的方法为无症状TYLCD的非破坏性监测提供了解决方案，具有在精准表型平台和抗病育种计划中的应用潜力。未来的工作将专注于在变化的光照条件下提高田间适应性，并开发边缘计算实现以实现实时作物监测。