一种番茄青枯病早期检测模型训练方法、检测方法、计算机可读存储介质

本发明涉及农业病害，具体涉及一种番茄青枯病早期检测模型训练方法、检测方法、计算机可读存储介质。

背景技术：

1、全番茄青枯病是由青枯雷尔氏菌引起的一种典型土传维管束毁灭性病害。该病原菌从根部侵入后，在导管内大量繁殖并分泌胞外多糖，导致木质部导管堵塞及细胞壁降解，进而破坏植株水分输导系统。在温度25–35℃、高湿及土壤偏酸等适宜条件下，病害潜伏期短、暴发迅速，常导致番茄整株不可逆萎蔫，严重时减产可达50%–80%，甚至绝收。

2、青枯病的早期感染阶段（即潜伏期或无症状期）通常持续数天至两周不等。在此期间，植株外观并无典型萎蔫表现，仅在生理层面出现微弱扰动，包括气孔导度下降、蒸腾速率降低、叶片水势轻微波动、叶绿素含量及荧光参数发生细微偏移，以及叶片表面蜡质层和细胞间隙结构产生亚显微变化。这些响应虽为早期诊断提供了潜在表征窗口，但由于其信号强度低、个体差异大且易受环境光温湿波动干扰，依靠人工田间巡查或常规形态学观察几乎无法实现有效辨识。

3、在无损传感检测领域，高光谱成像（hyperspectral imaging，hsi）技术因其可同时获取目标在可见-近红外（400-2500 nm）范围内数十至数百个连续窄波段的光谱反射率信息，且具备“图谱合一”的独特优势，已逐步应用于作物营养诊断和逆境胁迫检测。理论上，病害诱导的叶片色素降解、水分再分配、细胞壁结构改变及冠层几何特征变异，均会在特定波段（如绿峰、红边、近红外平台及水分吸收带）留下可测光谱印记，为基于光谱特征的早期病害识别提供了物理基础。

4、然而，面向番茄青枯病早期无症状阶段的实际检测中，高光谱技术面临以下挑战：

5、其一，感染初期的生理扰动极为微弱，所引起的光谱差异往往小于品种基因型差异、生育期动态变化、叶片空间异质性及田间环境噪声（光照角度、云量变化、土壤背景反射等），致使有效信号淹没于强背景干扰之中，由此导致早期病害识别精度差。

6、其二，高光谱数据具有波段间高度相关、非线性耦合及冗余性强的特点，病害信息不仅体现于单一波段的吸收深度变化，更蕴含于窄带吸收峰形态、宽带反射斜率漂移及跨区域（如可见光与短波红外）间的协同变异模式中，传统单尺度光谱指数（如ndvi、pri）或简单差值变换难以充分捕获这类多阶交互特征，由此导致早期病害识别精度差。

7、其三，现有主流机器学习方法（如支持向量机、随机森林）及浅层卷积神经网络，其感受野受限或特征提取尺度单一，对长距离波段间的依赖关系建模能力不足，由此导致早期病害识别精度差。

8、其四，且缺乏对模型决策依据的显式解释机制，导致检测结果可信度低，难以满足农业生产中对误判风险的严苛要求。

技术实现思路

1、针对现有技术的不足，本技术的目的是提供一种番茄青枯病早期检测模型训练方法、番茄青枯病早期检测方法、计算机可读存储介质，至少解决其中一技术问题。

2、一种cwt-stnet番茄青枯病早期检测模型训练方法，包含：

3、步骤1：获取训练样本集，训练样本集包含番茄冠层在近红外至短波红外波段范围内的高光谱图像；

4、步骤2：从所述高光谱图像中提取番茄冠层感兴趣区域；

5、步骤3：对所述感兴趣区域内像元光谱求取平均光谱并进行预处理；

6、步骤4：通过连续小波变换将所述平均光谱转换为波长-尺度二维小波系数特征；

7、步骤5：将所述预处理后的光谱特征与所述小波系数特征进行融合，获得融合特征；

8、步骤6：将融合特征输入至cwt-stnet模型进行训练，模型对融合特征中不同波段之间以及不同小波尺度之间的全局依赖关系进行建模并输出番茄青枯病严重度等级的预测概率分布，训练过程中，以所述训练样本集中对应的所述青枯病严重度等级标签作为监督目标，采用损失函数计算所述预测概率分布与所述监督目标之间的损失值，并迭代更新cwt-stnet模型，直至损失函数收敛至预设值，以得到训练后的模型。

9、该技术方案中，获取在近红外至短波红外波段范围内的高光谱图像，该特定波段范围涵盖水分吸收带和细胞壁结构变化相关谱区，从源头保证了数据与病害侵染生理机制的物理关联性，在此基础上，提取番茄冠层感兴趣区域并求取平均光谱，有效剔除花盆、基质等非目标背景干扰，使后续分析精准指向冠层组织本身的反射信号，继而通过预处理流程形成协同净化效应，在信号进入模型之前即初步抑制强背景干扰并凸显微弱病害指纹，随后，通过连续小波变换将预处理后的一维平均光谱转换为波长-尺度二维小波系数特征，利用低尺度系数精准捕获与早期感染相关的局部高频弱吸收峰，将原本在原始光谱中被宽缓背景变化所掩盖的微弱信号从强背景中分离并选择性增强，然后，将预处理后的光谱特征与该小波系数特征进行融合，使承载整体反射率基线信息的原始光谱与经小波变换增强的局部高频细节信息形成互补，既保留了病害判别的全局上下文基础，又注入了传统单尺度光谱指数无法捕获的多阶交互特征，进一步将融合特征输入至cwt-stnet模型，该模型对融合特征中不同波段之间以及不同小波尺度之间的全局依赖关系进行建模，能够自主学习并强制捕捉青枯病菌侵染引起的跨波段反射率协同变异模式，使原本分散于多个波段、多个尺度的微弱病害信号通过全局关联被模型整体感知和放大，从而克服了传统卷积网络感受野受限和传统机器学习无法建模长程依赖的固有缺陷，在训练优化层面，以青枯病严重度等级标签为监督目标，采用损失函数计算预测概率分布与监督目标之间的的损失值，并迭代更新cwt-stnet模型，直至损失函数收敛至预设值，使模型参数在训练过程中向准确识别早期微弱病害信号的方向不断优化。

10、上述技术特征形成了从“源头数据定向采集→背景剔除与信号净化→时频域弱信号选择性增强→多尺度互补特征融合→全局自注意力跨波段关联建模→端到端参数优化直至收敛”的完整因果链条，共同解决了现有技术中因早期微弱光谱信号难以提取、多尺度特征难以融合、长程依赖难以建模而导致的青枯病早期检测不精的技术难题。

11、优选的，步骤2中，所述冠层感兴趣区域的提取方式为：基于1353.5 nm和1445.0nm构建波段比值图像，并结合1450.0 nm反射率大于0.08的阈值约束，生成初始冠层掩膜，再去除小面积噪声区域。

12、优选的，步骤3中，所述预处理依次包括基线校正、窗口大小为15、多项式阶数为3的savitzky-golay平滑，多元散射校正，最小-最大归一化至[0, 1]区间、差分窗口为1的一阶导数变换和基于维纳滤波窗口大小为5的反卷积。

13、优选的，步骤4中，所述连续小波变换按如下公式计算：，其中，为预处理后的冠层平均光谱，为母小波，为尺度参数，为波长平移参数，为对应波长-尺度位置的小波系数。

14、优选的，所述母小波为mexican hat小波；对光谱采样间隔为的850–1700 nm波段高光谱数据进行连续小波变换，提取尺度参数=1 至=5 对应的小波系数 w(a,b) 作为所述小波系数特征；其中，尺度参数与等效特征波长宽度满足关系式：，尺度=1  至=5  分别对应约 3.5δλ  至 20δλ  范围内的光谱特征。

15、优选的，所述cwt-stnet模型包含：

16、输入嵌入层，用于将所述融合特征转换为特征标记序列，并通过线性投影映射至高维嵌入空间，投影后的特征标记加入位置编码和尺度编码，以保存不同波段和不同尺度之间的相对关系，生成带有位置信息和尺度信息的嵌入标记序列；

17、transformer编码器，用于接收所述嵌入标记序列，通过多头自注意力机制对所述嵌入标记序列中不同标记之间的全局依赖关系进行建模，以捕捉与青枯病菌侵染相关的反射率协同变异模式，并输出包含全局上下文信息的编码特征序列；

18、预测头，用于接收所述编码特征序列，通过全连接层和softmax函数将其映射为番茄青枯病各等级的概率分布，并输出番茄青枯病等级概率分布。

19、优选的，所述损失函数为加权交叉熵损失函数，表示为：

20、，

21、其中，为类别总数，为第类样本权重，为真实标签，为模型预测为第类的概率。

22、本发明还公布了一种番茄青枯病早期检测方法包含：

23、步骤1：采集番茄冠层在近红外至短波红外波段范围内的高光谱图像；

24、步骤2：从所述高光谱图像中提取番茄冠层感兴趣区域；

25、步骤3：对所述感兴趣区域内像元光谱求取平均光谱并进行预处理；

26、步骤4：通过连续小波变换将所述平均光谱转换为波长-尺度二维小波系数特征；

27、步骤5：将所述预处理后的光谱特征与所述小波系数特征进行融合，获得融合特征；

28、步骤6：将所述融合特征输入上述任一所述的训练方法训练得到的cwt-stnet模型，输出番茄青枯病严重度等级。

29、该番茄青枯病早期检测方法，首先通过采集番茄冠层在近红外至短波红外波段范围内的高光谱图像，从源头保证数据与病害侵染引发的叶片水分再分配、色素降解及细胞壁结构变化等生理过程的物理关联性，继而从高光谱图像中提取番茄冠层感兴趣区域并求取平均光谱后实施预处理，以有效剔除花盆、基质等背景干扰并校正因叶片表面形态差异及光照不均引入的非病害冗余变异，使后续分析精准指向冠层组织本身的纯净反射信号；在此基础上，通过连续小波变换将预处理后的一维平均光谱转换为波长-尺度二维小波系数特征，利用低尺度系数精准捕获与早期感染相关的局部弱吸收峰和高频细节，将原本在原始光谱中被宽缓背景变化所掩盖的微弱病害信号从强背景噪声中分离并选择性增强，随后将预处理后的光谱特征与多尺度小波系数特征进行融合，使承载整体反射率基线信息的原始光谱与经小波变换增强的局部高频细节信息形成互补，既保留了病害判别的全局上下文基础，又注入了传统单尺度光谱指数无法捕获的多阶交互特征；进一步将融合特征输入由实施例1所述训练方法预先训练好的cwt-stnet模型，该模型对融合特征中不同波段之间以及不同小波尺度之间的全局依赖关系进行建模，能够突破传统卷积网络感受野受限的局限，自主学习并强制捕捉青枯病菌侵染引起的跨波段反射率协同变异模式，使原本分散于多个波段、多个尺度的微弱病害信号通过全局关联被模型整体感知和放大，最终由预测头精准输出番茄青枯病严重度等级。

30、优选的，还包括：

31、采用shap（shapley additive explanations，沙普利加性解释）方法计算所述cwt-stnet模型输出对各输入特征的贡献度，输出对番茄青枯病早期检测具有关键判别作用的波长解释结果；

32、以及，将所述cwt-stnet模型逐像元应用于所述冠层高光谱图像的有效像元，生成像素级感染概率图，并基于感染像元占有效冠层像元的比例对番茄青枯病的空间扩展程度进行量化表征。

33、通过输出关键波长解释结果，这些关键波长恰好对应青枯病菌侵染引发的叶片水分再分配、色素降解和细胞壁降解等生理过程的特征谱带，从而为植保人员提供了可直接与作物生理机制相互印证的解释依据，极大提升了模型诊断结果在农业生产决策中的可信度和可接受性，与此同时，将训练好的cwt-stnet模型逐像元应用于冠层高光谱图像的全部有效像元并生成像素级感染概率图，使检测结果从“整株单值等级”升维至“冠层空间分布热图”，不仅能够直观展示病害侵染点在叶片和冠层空间上的具体位置与聚集区域，还能基于感染像元占有效冠层像元的比例对病害从局部侵染到整株萎蔫的空间扩展程度进行精确量化表征，这使得在早期感染阶段可清晰辨识病斑由局部区域向叶缘扩展的微弱趋势，在后期则可完整反映病害由下层叶片向上层冠层蔓延的空间动态过程。通过这两点，为温室番茄精准病害监测中的早期预警、精准施药和防控效果评估提供了全面、可靠且具有操作指导意义的技术支撑。

34、本发明还公布了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的番茄青枯病早期检测方法。

35、综上，本发明具有以下有益效果：

36、1：本发明，通过训练得到的cwt-stnet模型，克服因早期微弱光谱信号难以提取、多尺度特征难以融合、长程依赖难以建模而导致的青枯病早期检测不精的技术难题。

37、2：本发明，通过采用shap方法计算所述cwt-stnet模型输出对各输入特征的贡献度，输出对番茄青枯病早期检测具有关键判别作用的波长解释结果，以及将所述cwt-stnet模型逐像元应用于所述冠层高光谱图像的有效像元，生成像素级感染概率图，并基于感染像元占有效冠层像元的比例对番茄青枯病的空间扩展程度进行量化表征，为温室番茄精准病害监测中的早期预警、精准施药和防控效果评估提供了全面、可靠且具有操作指导意义的技术支撑。