近日，石河子大学高攀教授在《Computers and Electronics in Agriculture》期刊上发表题为“Early detection of cotton Verticillium wilt using hyperspectral and chlorophyll fluorescence imaging fusion”的研究成果，在棉花黄萎病早期智能检测方面取得重要进展。石河子大学信息科学与技术学院计算机科学与技术系讲师谭菲是论文第一作者，团队2020级电子信息专业硕士研究生鄢天荥（目前博士就读上海交通大学电子信息与电气工程学院）是共同第一作者。

该研究通过提取不同黄萎病染病等级棉花叶片的高光谱数据与叶绿素荧光诱导动力学曲线，系统分析了不同发病程度下棉花的表型特征变化规律。利用像素级、特征级、决策级三种特征融合策略，对高光谱成像与叶绿素荧光成像数据进行信息融合，提取棉花表型特征信息，并构建基于上述融合策略的多输入单输出深度学习模型。该模型能够放大棉花黄萎病染病早期的表型变化，提升棉花黄萎病检测与预警的时效性与准确性。

结果表明：相较于单一成像建模，融合策略下的传统机器学习与深度学习方法在检测精度与稳定性上均得到全面提升。其中，以一维残差网络（Resnet‑1D）为主干网络的多源数据特征级融合深度学习模型性能提升最为显著。该模型对棉花不同黄萎病发病等级的检测准确率在训练集上达99.57%，测试集上达97.88%；棉花黄萎病早期检测准确率超过99%。该研究可为棉花黄萎病绿色防控提供技术支撑，既能有效降低棉花产量损失，又能减少杀菌剂过度使用，为区域精准施药防控提供理论与技术依据。

打开网易新闻 查看精彩图片

试验田分布图及黄萎病分级