本文旨在利用高光谱数据建立一个准确、可解释的植物病害识别模型。由真菌引起的大豆炭腐病是一种严重影响大豆产量的世界性病害。在383-1032 nm范围内，Resonon高光谱成像仪在240个不同的波长处捕获高光谱图像。针对大豆炭腐病，科学家建立了3D卷积分网络模型，模型分类精度为95.73%，并利用可视化显著图检验训练模型、敏感像素位置以及分类的特征敏感波段，发现：敏感特征波段为733 nm，这和常用的鉴别植物健康程度的特征波段范围（700-1000nm）是一致的。
实验：
感染炭腐病的大豆：分别在第3、6、9、12和15天采集健康的和受感染的大豆茎秆样品，在测量病害程度之前，实时采集健康的和收到感染的茎秆的高光谱图像。
测量仪器：美国Resonon高光谱成像仪，型号：Pika XC
（包含安装支架、移动平台、操作软件和2个70w卤素灯）
Pika XC性能：
光谱通道数：240，波段范围，400-1000 nm，分辨率：2.5 nm。
平台系统如下图（a）所示：
![植物病害的高光谱图像解译识别：3D-CNN与显著图模型]( "植物病害的高光谱图像解译识别：3D-CNN与显著图模型")
（a） 室内高光谱成像系统
（b） 不同光谱波段的大豆茎秆样品高光谱图像
（c） 大豆茎秆的内部和外部RGB图像的病害程度比较
3D-CNN模型由两个连接的卷积分模型组成，其中，一个小的构架用于防止训练模型过饱和。2个图层（3*3mm空间维度，16个波段的光谱维度）作为第一个卷积分分层，4个3*3*16的图层作为第二个卷积分层，修正线性输入模型作为输出层。
![植物病害的高光谱图像解译识别：3D-CNN与显著图模型]( "植物病害的高光谱图像解译识别：3D-CNN与显著图模型")
结果分析：
1. 539个测试图像用于3d-cnn模型的精度评估。
如表1所示：模型分类准确为95.73%，0.92的分类精度也体现了不同病害阶段的普适性。
![植物病害的高光谱图像解译识别：3D-CNN与显著图模型]( "植物病害的高光谱图像解译识别：3D-CNN与显著图模型")
2. 可视化显著图评价
![植物病害的高光谱图像解译识别：3D-CNN与显著图模型]( "植物病害的高光谱图像解译识别：3D-CNN与显著图模型")
我们可视化了用显著图分类出来的部分图像, 最大分类得分的输入图像用于判别敏感像素位置。图三为感染病害和健康图像的显著图。每个像素的级别大小用于评价其在分类过程中的重要性。受感染茎秆图像的显著图比图像中严重感染区域(红棕色)对应的位置具有更高的数值。这表明，严重感染的图像区域包含最敏感的像素位置，可以预测受感染分数。无论是健康图像还是感染图像，显著图高值都集中在茎的中部区域。
![植物病害的高光谱图像解译识别：3D-CNN与显著图模型]( "植物病害的高光谱图像解译识别：3D-CNN与显著图模型")
测试图像的直方图数据，代表了每个波长最大显著图的图像像元百分比C*=130(733 nm)
1. 在测试数据中，近红外区的波长733 nm (C*=130)是所有波长中最敏感的；
2. 在703 ~ 744 nm的光谱范围内，15个波长在测试图像的像素位置中占33%，是梯度值的最大值；
3. 受感染样本的可见光谱波长(400-700 nm)比健康样本更敏感。
结论
数据结果证明了3D-CDD模型可以有效地学习高维的高光谱数据，应用于大豆炭腐病鉴别领域。从生理学机理角度，可视化显著图解释了高光谱特征波段在分类中的重要性，使模型更具有说服力。因此，我们对于该模型更加自信，在未来，基于鲁棒可解释机制的波段选择将有助于高光谱数据的降维，也将有助于设计高通量表型的多光谱摄成像系统。
请点击如下链接，阅读文献：
植物病害的高光谱图像解译识别：3D-CNN与显著图模型