光譜預(yù)處理與深度轉(zhuǎn)移學(xué)習(xí)相結(jié)合進行棉花葉片葉綠素含量評估

Plant Phenomics | 光譜預(yù)處理與深度轉(zhuǎn)移學(xué)習(xí)相結(jié)合的葉片葉綠素含量評估

快速準(zhǔn)確地檢測葉綠素含量對于評估棉花的生理營養(yǎng)狀態(tài)至關(guān)重要。高光譜成像技術(shù)已被證明可有效用于測定各種植物的葉綠素含量。通過構(gòu)建多元統(tǒng)計模型是基于高光譜成像進行葉綠素含量檢測的常用方法。然而，高光譜圖像受環(huán)境噪聲、樣品化學(xué)與物理性質(zhì)、采集儀器差異等多種因素的影響。即使只在不同品種或不同測量條件下，同一植物的數(shù)據(jù)分布和特征空間也會發(fā)生變化，導(dǎo)致已構(gòu)建的檢測模型難以應(yīng)用于新采集的樣本。解決此問題的典型方案是在樣品或測量條件發(fā)生變化時開發(fā)新模型。然而，這種方法需要重新收集大量樣本，耗時耗力。因此，在不同數(shù)據(jù)集之間實現(xiàn)簡單有效的模型校準(zhǔn)轉(zhuǎn)移仍然是一個亟待解決的問題。
 

近日，Plant Phenomics在線發(fā)表了浙江大學(xué)和石河子大學(xué)合作完成的題為Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves的研究論文。
 

本研究提出利用光譜預(yù)處理和深度遷移學(xué)習(xí)相結(jié)合的方法以提高棉花葉綠素反演模型的適應(yīng)性。本研究討論了7種不同的光譜預(yù)處理方法，設(shè)計了一種一維卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network, CNN）來構(gòu)建模型，并通過微調(diào)的方式來實現(xiàn)模型遷移。結(jié)果表明，一階導(dǎo)數(shù)和標(biāo)準(zhǔn)正態(tài)變量變換相結(jié)合的方法為最優(yōu)光譜預(yù)處理方法。對于目標(biāo)域數(shù)據(jù)集，基于一階導(dǎo)數(shù)與標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理后光譜的微調(diào)CNN模型性能優(yōu)于傳統(tǒng)的偏最小二乘和支持向量機方法。盡管使用較小數(shù)據(jù)集對CNN微調(diào)的效果有限，但CNN模型的反演結(jié)果仍優(yōu)于傳統(tǒng)模型，可以獲得較高的葉綠素含量反演精度。此外，本研究還通過比較預(yù)處理后的光譜曲線對預(yù)處理結(jié)果進行解釋，并且使用顯著性圖對CNN建模中的重要波長進行了可視化分析。本研究表明光譜預(yù)處理和深度遷移學(xué)習(xí)相結(jié)合的方法，可以有效估算不同棉花品種的葉綠素含量，為棉花營養(yǎng)和健康狀況的評估提供了新的可能性。
 

圖1CNN架構(gòu)與微調(diào)遷移學(xué)習(xí)的流程
 

圖2基于原光譜與基于預(yù)處理光譜建立的微調(diào)CNN模型的顯著性圖

該研究論文第一作者為浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院博士生肖沁林，通訊作者為石河子大學(xué)高攀教授、浙江大學(xué)何勇教授以及博士后吳娜。本研究獲得了兵團重點領(lǐng)域科技攻關(guān)計劃項目的資助。

作者介紹

何勇教授為浙江大學(xué)求是特聘教授，浙江大學(xué)學(xué)術(shù)委員會委員，浙江大學(xué)數(shù)字農(nóng)業(yè)農(nóng)村研究中心主任、農(nóng)業(yè)農(nóng)村部光譜檢測重點實驗室主任，曾任浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院院長，國家“雙一流”建設(shè)學(xué)科和全國第四輪學(xué)科評估A+學(xué)科——農(nóng)業(yè)工程學(xué)科學(xué)術(shù)帶頭人，2021年ELSEVIER中國高被引學(xué)者，入選2021“全球頂尖1萬科學(xué)家排名”。浙江大學(xué)數(shù)字農(nóng)業(yè)與農(nóng)業(yè)物聯(lián)網(wǎng)創(chuàng)新團隊長期致力于數(shù)字農(nóng)業(yè)、農(nóng)業(yè)物聯(lián)網(wǎng)、農(nóng)村信息化、農(nóng)用航空和智能農(nóng)業(yè)裝備等方面的科學(xué)研究工作。
 

高攀教授為石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院計算機科學(xué)與技術(shù)系主任，兵團科技創(chuàng)新骨干人才、石河子大學(xué)A類學(xué)科帶頭人。石河子大學(xué)圖像理解與智能信息處理團隊長期致力于深度學(xué)習(xí)技術(shù)結(jié)合多源光譜成像快速檢測、大數(shù)據(jù)云平臺開發(fā)和區(qū)塊鏈溯源技術(shù)在作物生產(chǎn)過程中等應(yīng)用方面的工作。

論文鏈接：

https://doi.org/10.34133/2022/9813841

Moxa Wool in Different Purities and Different Growing Years Measured by Terahertz Spectroscopy

https://doi.org/10.34133/2022/9815143

Plant Phenomics | 太赫茲光譜技術(shù)可以精確區(qū)分艾絨純度和生長年限

Estimating Photosynthetic Attributes from High-Throughput Canopy Hyperspectral Sensing in Sorghum

https://doi.org/10.34133/2022/9768502

Plant Phenomics | 利用高通量冠層高光譜遙感預(yù)測高粱的光合參數(shù)

掃碼添加小編微信，拉您進入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。
 

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.961，位于農(nóng)藝學(xué)、植物科學(xué)，遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。