基于高光谱图像与特征挖掘的自监督白粒锈病检测

白粒锈病（Fusarium Head Blight, FHB）是一种严重影响小麦（包括 durum 小麦）、大麦、燕麦及其他小谷物和玉米的真菌性疾病。有效监控和准确检测 FHB 对确保粮食安全至关重要。传统方法依赖受训的农业专家和调查员进行人工识别，此方法工作量大、难以扩大规模。随着深度学习、高光谱成像（HSI）和遥感（RS）技术的发展，采用深度学习，特别是卷积神经网络（CNN），逐渐成为一种有前景的解决方案。值得注意的是，严重 FHB 感染的小麦在光谱上可能与轻度 FHB 感染存在显著差异，这对于基于高光谱图像的方法尤为有利。本研究提出了一种基于 HSI 端成员提取策略和 Top-K 波段选择的自无监督分类方法，用于分析 HSIs 中的物质特征，以导出判别性特征表示。该方法无需昂贵设备或复杂算法设计，更适用于实际应用。本方法在《Beyond Visible Spectrum: AI for Agriculture Challenge 2024》中得到了有效验证。源代码易于复现，已公开于 {https://github.com/VanLinLin/Automated-Crop-Disease-Diagnosis-from-Hyperspectral-Imagery-3rd}。