近日，石河子大學(xué)高攀教授在《Computers and Electronics in Agriculture》期刊上發(fā)表題為“Early detection of cotton Verticillium wilt using hyperspectral and chlorophyll fluorescence imaging fusion”的研究成果，在棉花黃萎病早期智能檢測方面取得重要進(jìn)展。石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系講師譚菲是論文第一作者，團(tuán)隊(duì)2020級電子信息專業(yè)碩士研究生鄢天滎（目前博士就讀上海交通大學(xué)電子信息與電氣工程學(xué)院）是共同第一作者。

該研究通過提取不同黃萎病染病等級棉花葉片的高光譜數(shù)據(jù)與葉綠素?zé)晒庹T導(dǎo)動(dòng)力學(xué)曲線，系統(tǒng)分析了不同發(fā)病程度下棉花的表型特征變化規(guī)律。利用像素級、特征級、決策級三種特征融合策略，對高光譜成像與葉綠素?zé)晒獬上駭?shù)據(jù)進(jìn)行信息融合，提取棉花表型特征信息，并構(gòu)建基于上述融合策略的多輸入單輸出深度學(xué)習(xí)模型。該模型能夠放大棉花黃萎病染病早期的表型變化，提升棉花黃萎病檢測與預(yù)警的時(shí)效性與準(zhǔn)確性。

結(jié)果表明：相較于單一成像建模，融合策略下的傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)方法在檢測精度與穩(wěn)定性上均得到全面提升。其中，以一維殘差網(wǎng)絡(luò)（Resnet?1D）為主干網(wǎng)絡(luò)的多源數(shù)據(jù)特征級融合深度學(xué)習(xí)模型性能提升最為顯著。該模型對棉花不同黃萎病發(fā)病等級的檢測準(zhǔn)確率在訓(xùn)練集上達(dá)99.57%，測試集上達(dá)97.88%；棉花黃萎病早期檢測準(zhǔn)確率超過99%。該研究可為棉花黃萎病綠色防控提供技術(shù)支撐，既能有效降低棉花產(chǎn)量損失，又能減少殺菌劑過度使用，為區(qū)域精準(zhǔn)施藥防控提供理論與技術(shù)依據(jù)。

試驗(yàn)田分布圖及黃萎病分級