欧亚国际

大豆是全球重要的粮油作物之一。亚洲大豆锈病已成为对农业生产与全球粮食安全带来严重威胁的重大病害。因此，ASR的早期精确诊断对降低产量损失具有至关重要的意义。

2024年4月，Plant Phenomics 在线发表了南京农业大学计算农业与系统集成实验室题为DC2Net: An Asian soybean rust detection model based on hyperspectral imaging and deep learning 的研究论文。

本研究提出了一种新型神经网络DC2Net，结合3D可变形卷积和光谱空洞卷积模块，实现精准病害诊断。通过采用3D可变形卷积替代传统3D卷积核以提取空间特征，光谱空洞卷积专注于提取光谱特征，DC2Net能够通过自适应调节感受野采样点以提取不同形状、尺度的大豆锈病特征信息。其次，结合SHAP算法和通道注意力机制，准确评估模型在决策过程中对各波段的依赖性，提取关键特征波段。

图1本研究的总体工作流程

图2波段重要性值热力图

图3不同类别下Top20的特征波段蜂群图：（A）健康，（B）无症状，（C）有症状。

此研究验证了可变形卷积和膨胀卷积模块在作物病害高光谱数据特征提取中的有效性，为应用高光谱成像技术和深度学习方法在早期作物叶片病害诊断上提供了新的解决方案，有助于提升农业生产的效率、准确性和可持续性。

南京农业大学计算农业与系统集成实验室长期从事农业物联网、计算机视觉与植物表型提取研究，围绕水稻白叶枯病、大豆锈病、小麦赤霉病等对象，研发了一系列基于深度神经网络的病害诊断模型，可在作物患病早期无明显症状时，准确判断患病情况，为作物病害管理提供决策支持。

感谢上海晓明检测技术服务有限公司倪珏萍、李宏伟等专家对本研究的大力支持，感谢江苏省自然科学基金（BK20231004）、南京农业大学三亚研究院引导资金项目（NAUSY-MS25）与中央高校基本科研业务费项目（KYCXJC2023007）的资金支持。

论文链接：

http://doi.org/10.34133/plantphenomics.0163

——推荐阅读——

Concise Cascade Methods for Transgenic Rice Seed Discrimination using Spectral Phenotyping

http://doi.org/10.34133/plantphenomic‍s.0071

Plant Phenomics | 一种利用光谱表型分析技术鉴别转基因水稻种子的简明级联方法

A Precise Image-Based Tomato Leaf Disease Detection Approach Using PLPNet

http://doi.org/10.34133/plantphenomics.0042

Plant Phenomics | 中南林业科技大学周国雄教授团队基于PLPNet的番茄叶片病害图像精确检测方法

加入作者交流群