检测、判定和量化植物病害症状的体系化和专业化的办法论也被称为植物病害计量学（Phytopathometry），它代表了植物病理学的一个分支。植物病害定量评价很重要，在产值丢失评价、植物抗病育种、病害防控办法比较、植物和病原体种群互作和进化以及病害盛行学等方面不可或缺。现在根据无人机光谱遥感印象以及深度学习办法查验测验条锈病方面的绝大部分研讨会集在定性区别患病和健康区域，往往界说为分类问题并选用语义切割办法完成像素级分类。依然缺少运用高光谱成像数据和深度学习办法完成小麦条锈病病况指数（DI）的像素级回归反演。传统上，定量遥感往往是经过选用辐射传输模型或植被指数与机器学习办法相结合来完成的。这项研讨则提出了根据深度学习技能的端到端、像素级定量回归办法，不仅仅能够更为精密的解分出病害分布图，关于农业体系中其他典型的定量回归使命如产值猜测以及对株高级接连值表型的反演等也具有严重参阅含义。
图1.本研讨的整体流程图。首要根据无人机获取高光谱印象并同步查询DI。其次对高光谱印象中的每个小区进行大略规模标示并赋值仅有的序号，并与相应的地上查询DI匹配并生成标签图。根据 UNet 算法的二分类模型来分类小麦和土壤区域以获取准确的小区鸿沟。随后，对数据集进行区分，构建端到端的像素级定量回归模型，并进行模型练习和验证以完成小麦条锈病DI的像素级定量反演。
植物保护学院2023年结业的博士研讨生邓杰为本论文的榜首作者，马占鸿教授为本论文的通讯作者，我国农业大学为论文榜首署名单位，我国农业大学开封实验站参加了本项研讨。该研讨工作得到国家重点研制方案项目（2021YFD1401000）的赞助，论文链接为：。
