高光谱成像结合BiTCN-SA的马铃薯晚疫病早期识别

摘要

及早识别晚疫病是控制马铃薯晚疫病发展的关键，为充分利用高光谱数据波段间特征信息，提高模型对马铃薯晚疫病早期识别的精度，本文提出一种基于双向时间卷积网络（BiTCN）融合自注意力机制（SA）的马铃薯晚疫病早期识别模型（BiTCN-SA）。BiTCN通过正向和反向卷积支路捕捉波段间相关性特征，充分利用前后波段的关联性；自注意力机制动态分配不同波段的重要性权重，提高关键波段对模型分类的贡献度。BiTCN-SA模型将自注意力与BiTCN相融合，在双向上实现局部卷积特征与全局注意力权重的结合，实现双重特征提取，提高模型识别精度。采集3个等级（健康、无症状期、症状初期）的叶片高光谱数据并建模分析，通过对比SVM、RF等机器学习方法和CNN、LSTM、TCN、BiTCN等深度学习方法，以验证本文模型优越性。结果表明，BiTCN-SA模型的收敛速度比单一TCN和BiTCN更快，且模型精度显著提高，比其他机器学习和深度学习方法，具备更强大的特征提取能力，总体准确率达到98%，且对无症状期的病叶识别率达到96%。该方法充分利用高光谱波段间的深层信息，且模型识别率相比于其他机器学习和深度学习方法有大幅提高，为马铃薯晚疫病早期预警和防治提供技术支持。

关键词

马铃薯晚疫病 / 高光谱成像 / 早期识别 / 双向时间卷积网络 / 自注意力机制 / 特征提取