《Smart Agricultural Technology》：Fusion architectures for soft rot detection in melon plants using hyperspectral and multicolor fluorescence imaging
编辑推荐：
为解决黄瓜叶片灰霉病(Botrytis cinerea)感染早期视觉症状缺失导致的检测难题，研究人员开展了基于高光谱反射光谱(400-1000 nm)与多色荧光成像(MCFI, 440/520/680/740 nm)的传感器融合研究。通过设计六种深度学习架构（含两种融合模型），在感染后1-2天无症期对739个样本进行检测。结果表明，融合高光谱光谱与四通道荧光数据的FusionNNline架构显著优于单传感器模型，最高交叉验证准确率达0.8919。这证实了多传感器数据融合能提升作物病害早期检测性能，为精准农业提供了可行的非侵入式诊断方案。
在现代农业生产中，作物病害的早期识别是保障产量和品质的关键环节。然而，许多病原体在侵染初期并不会引发肉眼可见的症状，等到叶片出现斑驳、枯萎等典型病征时，往往已错过最佳防治时机，导致减产甚至绝收。黄瓜作为一种全球性的重要经济作物，常受到灰霉病菌（Botrytis cinerea）的侵袭，引发软腐病，尤其在潮湿环境下会造成严重损失。传统的检测方法依赖农业专家的经验观察或耗费时日的生化分析，效率低下且难以实现大规模实时监控。因此，开发一种快速、可靠且能在症状出现前就发出预警的非侵入式检测技术，成为精准农业领域亟待解决的难题。
近年来，遥感与成像传感技术的进步为作物健康监测带来了新契机。其中，高光谱成像（Hyperspectral imaging）能够捕捉植物叶片在400-1000纳米波段范围内精细的反射光谱特征，而多色荧光成像（Multicolor Fluorescence Imaging, MCFI）则可在紫外线激发下，获取植物在440纳米（蓝光）、520纳米（绿光）、680纳米（红光）和740纳米（远红光）四个特征波长处的荧光图像，这些信号与植物的防御性酚类物质和叶绿素a的生理状态密切相关。两种技术均被证明能够灵敏地探测到感染早期植物内部的生理生化变化。但一个悬而未决的问题是：将这两种不同类型传感器的信息融合起来，是否能比单一传感器提供更早、更准确的病害检测能力？为此，来自西班牙格拉纳达大学的研究团队开展了一项创新性研究，并将成果发表于《Smart Agricultural Technology》期刊。
为了验证传感器融合的优势，研究人员设计了一套严谨的技术路线。他们首先培育了黄瓜（Cucumis melo）植株，并对其一半的植株接种灰霉病菌，另一半作为健康对照。在接种后第1天和第2天（此时尚无视觉症状），利用高光谱相机（Pika L）和多色荧光成像设备（Open FluorCam FC 800-O）同步采集了叶片接种点的数据。最终构建了一个包含739个样本的数据集（431个感染，308个健康），每个样本均包含一个300波段的高光谱反射光谱和一组四通道的64×64像素荧光图像块。
研究的核心在于模型架构的构建与比较。团队设计了六种深度学习架构：四种基于单一传感器（SpectralMLP, SpectralCNN, FluorMLP, FluorCNN），两种为融合架构（FusionNNline, FusionNNimg）。其中，FusionNNline融合了SpectralCNN的高光谱特征提取模块和FluorMLP对四个荧光波长平均值处理的模块；FusionNNimg则融合了SpectralCNN模块和FluorCNN对四通道荧光图像进行卷积特征提取的模块。为了全面评估性能，研究者采用了超参数网格搜索结合5折交叉验证重复三次的策略，总共训练并评估了4320个模型，并使用统计检验方法比较了不同架构的性能差异。
3.1. 统计分析概览
对所有模型验证准确率的统计分析显示，数据呈非正态分布，准确率中位数为0.7568，最高可达0.8986。这为后续的组间比较奠定了基础。
3.2. 组别分析
通过克鲁斯卡尔-瓦利斯检验和邓恩事后检验发现，学习率和神经网络架构对模型性能有极显著影响。具体而言，较高的学习率（10-3）比较低的学习率（10-5）带来了显著更高的准确率。更重要的是，在六种架构中，FusionNNline 取得了最高的中位准确率（0.8068），显著优于其他所有架构。SpectralCNN和FusionNNimg的性能属于同一梯队，但显著低于FusionNNline。而仅使用荧光数据的FluorMLP和FluorCNN架构性能最差，中位准确率分别仅为0.5831和0.6486，与前三名存在巨大差距。
3.3. 架构分析
从每种架构中筛选出的最佳模型表现进一步印证了上述结论。FusionNNline的最佳模型准确率达到0.8919，并且在特异性（0.9107）和精确度（0.9419）上表现尤为突出，意味着它能非常可靠地将健康样本识别为健康，且对感染样本的预测错误率很低。FusionNNimg的最佳模型虽然准确率最高（0.8986），但其综合指标F1分数（0.9153）和Kappa系数（0.7892）也显示了优异的性能。相比之下，单传感器模型中表现最好的SpectralCNN准确率也为0.8919，但其特异性（0.8393）低于融合模型。仅使用荧光数据的模型则表现出高灵敏度但低特异度的特点，例如FluorMLP的灵敏度为1.000（所有病株都被检出），但特异性仅为0.0345，意味着产生了大量假阳性，其ROC-AUC值（0.5172）接近随机猜测，表明其分类判别能力很弱。
训练过程曲线显示，融合模型能够更有效地学习，其训练损失和验证准确率曲线收敛平稳，而过拟合现象不明显。而荧光单模型则表现出较大的波动和较差的泛化能力。
综上所述，本研究得出了明确且有力的结论：将高光谱反射光谱与多通道荧光成像数据进行深度学习层面的融合，可以显著提升对黄瓜灰霉病早期（无症状期）检测的准确性和可靠性。 其中，采用一维卷积处理光谱、同时处理荧光波长平均值的FusionNNline融合架构表现最优，其性能显著超越了任何单一传感器模型。这一结果不仅证实了研究最初提出的两个假设，更重要的是，它为解决农业生产中病害早期预警的痛点提供了一种高效、非侵入式的技术方案。该方法减少了对农药的盲目使用，符合绿色农业和可持续发展理念。尽管当前研究是在受控环境下进行的，但其展示的架构和方法学为开发适用于田间环境的实时、自动化病害监测系统奠定了坚实的理论基础与技术原型。未来，随着传感器成本的降低和边缘计算能力的提升，这种融合感知与智能分析的模式有望在精准农业中大放异彩。
