基于无人机高光谱成像与多特征融合的烟草花叶病和曲叶病检测
Detection of Tobacco Mosaic and Leaf Curl Diseases Using UAV-Based Hyperspectral Imaging and Multifeature Fusion
10.1109/JSTARS.2026.3718586
摘要：
烟草花叶病毒与曲叶病毒严重威胁烟草生产，造成巨大的产量与品质损失。为提升病害检测精度，本研究构建一套稳健的无人机高光谱遥感分析框架，融合多特征并开展系统模型评估。研究结合方差分析、投影变量重要性分析与主成分分析（PCA）的分层特征筛选策略，完成提取光谱、小波、纹理特征筛选与优化；进一步采用主成分分析降维，得到25个最优特征集。分别利用单一品种（云烟87、K326）数据集与混合品种数据集，构建支持向量机（SVM）、随机森林（RF）、极端梯度提升（XGBoost）、多层感知机4类模型。所有模型精度均不低于0.91，证明该多特征融合方法具备良好效果。在云烟87数据集上，XGBoost取得最高测试精度（0.98）；而支持向量机的交叉验证精度最高（0.98±0.02），说明其在不同数据划分下性能更稳定。针对K326数据集，随机森林与XGBoost测试精度同为最高（0.95），XGBoost交叉验证性能最优（0.98±0.03）。值得注意的是，XGBoost在全部病害类别中表现均较为稳定可靠，在混合品种数据集上效果尤为突出。上述结果证实，融合互补的高光谱特征能够显著提升烟草病害检测效果，可为精准病害监测提供可靠技术方案。
研究过程：
图1 研究区地理位置与试验区概况
图2. 烟草病害检测模型构建流程图
表1 本研究中使用的光谱指数
表2 分类算法关键参数设置与选用依据
图3. 光谱指数方差分析F统计量
表3. 基于投影变量重要性（VIP）的小波特征筛选结果
图4. 同小波下小波能量系数与病害类型的绝对相关系数。(a) 墨西哥帽小波；(b) Morlet 小波；(c) Gaus1 小波；(d) Gaus2 小波；(e) Gaus3 小波
图5. 加权贡献排名前10的纹理特征
图6. 三类特征的主成分方差贡献
图7. 前两个主成分的特征贡献
表4. 主成分分析降维结果
图8. 基于无人机高光谱影像的烟草病害分类结果空间分布
表 5 单一品种特征集下不同模型精度与交叉验证精度
表 6 单一品种特征集下不同模型的精确率与召回率
表 7 混合品种特征集下不同模型精度与交叉验证精度
表 8 混合品种特征集下不同模型的精确率与召回率
结论：
本研究融合无人机高光谱成像、多特征融合与机器学习技术，构建高精度烟草病害检测模型。提取光谱指数、小波特征、灰度共生矩阵纹理特征并完成特征优化。特征筛选结果表明，CUR、SRPI是判别能力最强光谱指数；Gaus2为最敏感小波基；近红外波段纹理相关性指标对病害胁迫响应最明显。利用主成分分析降维得到精简的25个特征子集，保留关键信息同时提升计算效率。对比4种机器学习算法，XGBoost在K326数据集、混合品种数据集交叉验证精度最高，在单品种、混合品种数据集均表现稳定；SVM、MLP效果同样良好，但性能受品种影响较大。本框架证实近红外纹理特征、多尺度小波分解在病害检测中的诊断价值。
除分类精度外，本研究也为烟草病害相关研究提供方法参考。筛选得到判别特征可以帮助理解病毒侵染引发冠层色素降解、结构扰动，为病害症状提供生理学解释。该监测框架具备向更大种植区域、多品种推广迁移潜力，后续可以从分类识别拓展至病害严重度估测、病害发展动态追踪。未来将开展更多田间试验，完善病害类别，考虑复合侵染，引入时序与环境信息捕捉胁迫动态响应；利用多时相观测与模型自适应改进策略，进一步提升多变环境下模型鲁棒性，推动可业务化、可扩展的大田烟草精准病害管理与预警监测体系落地。