Идентификация грибных болезней земляники садовой на основе анализа гиперспектральных изображений методами машинного обучения

Белая, бурая и угловатая пятнистости являются наиболее распространенными грибными болезнями земляники садовой в Западной Сибири, значительно влияющими на ее урожайность и качество. Точная, быстрая и неинвазивная диагностика этих заболеваний имеет важное значение в промышленном производстве земляники. В настоящей статье исследуются возможности применения методов машинного обучения и гиперспектральной визуализации для обнаружения и дифференциации на листьях земляники симптомов, вызванных патогенными грибами Ramularia tulasnei Sacc., Marssonina potentillae Desm. и Dendrophoma obscurans Anders. Спектр отражения листьев регистрировали гиперспектральной камерой Photonfocus MV1-D2048x1088- HS05-96-G2-10 в лабораторных условиях методом линейного сканирования. Для дифференциации здоровых и пораженных областей листьев изучено пять методов машинного обучения: метод опорных векторов (SVM), метод К-ближайших соседей (KNN), линейный дискриминантный анализ (LDA), дискриминантный анализ частичных наименьших квадратов (PLS-DA) и случайный лес (RF). С целью уменьшения высокой размерности извлеченных спектральных данных и увеличения скорости их обработки было отобрано несколько подмножеств оптимальных длин волн, несущих наиболее важную спектральную информацию. Рассмотрены следующие методы сокращения размерности: метод анализа ROC-кривых, метод анализа производных, метод PLS-DA, метод ReliefF. Кроме того, 16 вегетационных индексов задействовано в качестве информативных признаков. Наибольшую точность классификации, 89.9 %, показал метод опорных векторов на полном спектре значений. При использовании вегетационных индексов и наборов оптимальных длин волн общая точность классификации всех методов снизилась незначительно по сравнению с классификацией на полном спектре значений. Результаты исследования подтверждают перспективность применения методов гиперспектральной визуализации в сочетании с методами машинного обучения для дифференциации грибных болезней земляники садовой.

1. Benos L., Tagarakis A., Dolias G., Berruto R., Kateris D., Bochtis D. Machine learning in agriculture: a comprehensive updated review. Sensors. 2021;21:3758. doi 10.3390/s21113758

2. Cheshkova A.F. A review of hyperspectral image analysis techniques for plant disease detection and identification. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2022;26(2):202-213. doi 10.18699/VJGB-22-25

3. Cheshkova A.F. Application of machine learning methods for the differentiation of fungal diseases in strawberry based on hyperspectral image analysis. E3S Web Conf. 2023;390:03018. doi 10.1051/e3sconf/202339003018

4. Cockerton H.M., Li B., Vickerstaff R.J., Eyre C.A., Sargent D.J., Armitage A.D., Marina-Montes C., Garcia-Cruz A., Passey A.J., Simpson D.W., Harrison R.J. Identifying Verticillium dahlia resistance in strawberry through disease screening of multiple populations and image based phenotyping. Front Plant Sci. 2019;10:924. doi 10.3389/fpls.2019.00924

5. Garrido C., Carbu M., Fernandez-Acero J.F., Gonzalez-Rodriguez V.E., Cantoral J.M., New insights in the study of strawberry fungal pathogens. In: Husaini A.M., Mercado J.A. (Eds) Genomics, Transgenics, Molecular Breeding and Biotechnology of Strawberry. Global Science Books, UK, 2011;24-39

6. Govorova G.F., Govorov D.N. Fungal Diseases of Garden Strawberries: Breeding for Immunity and Other Methods of Protection. Moscow, 2015 (in Russian)

7. Jiang Q., Wu G., Tian C., Li N., Yang H., Bai Y., Zhang B. Hyperspectral imaging for early identification of strawberry leaves diseases with machine learning and spectral fingerprint features. Infrared Phys Technol. 2021;118:103898. doi 10.1016/j.infrared.2021.103898

8. Kononenko I. Estimating attributes: analysis and extensions of RELIEF. In: Bergadano F., De Raedt L. (Eds) Machine Learning: ECML-94. Lecture Notes in Computer Science. Vol. 784. Berlin: Springer, 1994;171-182. doi 10.1007/3-540-57868-4_57

9. Liu D., Sun D.W., Zeng X.A. Recent advances in wavelength selection techniques for hyperspectral image processing in the food industry. Food Bioprocess Technol. 2014;7:307-323. doi 10.1007/s11947-013-1193-6

10. Lu J., Ehsani R., Shi Y., Abdulridha J., de Castro A.I., Xu Y. Field detection of anthracnose crown rot in strawberry using spectroscopy technology. Comput Electron Agric. 2017;135:289-299. doi 10.1016/j.compag.2017.01.017

11. Luo X., Takahashi T., Kyo K., Zhang S. Wavelength selection in vis/ NIR spectra for detection of bruises on apples by ROC analysis. J Food Eng. 2012;109(3):457-466. doi 10.1016/j.jfoodeng.2011.10.035

12. Mahlein A.-K., Rumpf T., Welke P., Dehne H.-W., Plümer L., Steiner U., Oerke E.-C. Development of spectral indices for detecting and identifying plant diseases. Remote Sens Environ. 2013;128:21- 30. doi 10.1016/j.rse.2012.09.019

13. Mahlein A.-K., Kuska M.T., Behmann J., Polder G., Walter A. Hyperspectral sensors and imaging technologies in phytopathology: state of the art. Annu Rev Phytopathol. 2018;56:535-558. doi 10.1146/annurev-phyto-080417-050100

14. Mahmud M.S., Zaman Q.U., Esau T.J., Chang Y.K., Price G.W., Prithiviraj B. Real-time detection of strawberry powdery mildew disease using a mobile machine vision system. Agronomy. 2020;10:1027. doi 10.3390/agronomy10071027

15. Maximov L.V., Gurova T.A., Elkin O.V. Development of software and hardware complex for phenotyping of grain crop stress by hyperspectral images. In: Spatial Data Processing for Monitoring of Natural and Anthropogenic Processes (SDM-2023). Novosibirsk, 2023; 289-293. doi 10.25743/sdm.2023.42.73.049 (in Russian)

16. Mehmood T., Liland K.H., Snipen L., Sæbø S. A review of variable selection methods in Partial Least Squares Regression. Chemom Intell Lab Syst. 2012;118:62-69. doi 10.1016/j.chemolab.2012.07.010

17. Mishra P., Asaari M., Herrero-Langreo A., Lohumi S., Diezma B., Scheunders P. Close range hyperspectral imaging of plants: a review. Biosyst Eng. 2017;164:49-67. doi 10.1016/j.biosystemseng.2017.09.009

18. Nagaraju M., Chawla P. Systematic review of deep learning techniques in plant disease detection. Int J Syst Assur Eng Manag. 2020;11(3): 547-560. doi 10.1007/s13198-020-00972-1

19. Savitzky A., Golay M.J.E. Smoothing and differentiation of data by simplified least squares procedures. Anal Chem. 1964;36(8):1627-1639

20. Singh A., Ganapathysubramanian B., Singh A.K., Sarkar S. Machine learning for high-throughput stress phenotyping in plants. Trends Plant Sci. 2016;21(2):110-124. doi 10.1016/j.tplants.2015.10.015

21. Sun W., Du Q. Hyperspectral band selection: a review. IEEE Geosci Remote Sens Mag. 2019;7(2):118-139. doi 10.1109/MGRS.2019.2911100

22. Urbanowicz R.J., Meeker M., Cava W., Olson R.S., Moore J.H. Relief-based feature selection: introduction and review. J Biomed Inf. 2018;85:189-203. doi 10.1016/j.jbi.2018.07.014

23. Vidal M., Amigo J.M. Pre-processing of hyperspectral images. Essential steps before image analysis. Chemom Intell Lab. 2012;117:138- 148. doi 10.1016/j.chemolab.2012.05.009

24. Wu G., Fang Y., Jiang Q., Cui M., Li N., Ou Y., Diao Z., Zhang B. Early identification of strawberry leaves disease utilizing hyperspectral imaging combing with spectral features, multiple vegetation indices and textural features. Comput Electron Agric. 2023;204:107553. doi 10.1016/j.compag.2022.107553

25. Yang G., Liu J., Zhao C., Li Z., Huang Y., Yu H., Xu B., Yang X., Zhu D., Zhang X., Zhang R., Feng H., Zhao X., Li Z., Li H., Yang H. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives. Front Plant Sci. 2017;8: 1111. doi 10.3389/fpls.2017.01111

26. Zheng C., Abd-Elrahman A., Whitaker V. Remote sensing and machine learning in crop phenotyping and management, with an emphasis on applications in strawberry farming. Remote Sens. 2021;13:531. doi 10.3390/rs13030531