2023年8月27日，茶树育种团队在Plant Methods 发表了题为“A deep learning model for rapid classification of tea coal disease”的研究论文。beat365官方网站正高级实验师王玉为论文共同通讯作者，beat365官方网站茶学专业在读硕士研究生徐阳为第一作者。该研究得到了山东省茶产业技术体系首席专家项目、山东省农业良种工程项目、山东省农业科学院创新项目和山东省泰山学者专项基金等的资助。

　　“茶煤病”(Neocapnodium theae Hara)作为常见的茶树病害，会对茶叶的产量和品质产生负面影响。传统的茶煤病鉴定方法多依靠肉眼观察，费时费力，且易受主观因素影响。本研究建立了一种基于RGB和高光谱图像的深度学习模型，用于茶煤病病害快速分类。

　　RGB和高光谱均可用于茶煤病病害的分类。使用ResNet18、VGG16、AlexNet、WT-ResNet18、WT-VGG16和WT-AlexNet建立RGB成像分类模型的准确率分别为60%、58%、52%、70%、64%和57%，其中最优的RGB分类模型为WT-ResNet18。采用UVE-LSTM、CARS-LSTM、NONELSTM、UVE-SVM、CARS-SVM和NONE-SVM建立的高光谱分类模型准确率分别为80%、95%、90%、61%、77%和65%，其中CARS-LSTM为最优高光谱分类模型，优于基于RGB成像的模型。

　　本研究揭示了基于RGB和高光谱成像的茶煤病病害分类潜力，可为茶煤病病害监测提供一种准确、无损、高效的分类方法。

　　图1本研究总体框架。(A)数据获取;(B)数据预处理;(C)建模和模型评价。

　　图2实验区位置。

　　图3(Ⅰ)高光谱设备实景图。(Ⅱ)高光谱设备模式图。(A)立方体暗箱;(B)高光谱相机;
(C) 200w卤素线性光源;(D)茶叶样品;(E)计算机。

　　图4(Ⅰ)原始图像。(Ⅱ)小波变换原理图。(Ⅲ)小波变换处理后的不同病害程度的叶片图像。
(A)轻度;(B)中度;(C)重度;(D)标准。