由于早期症状的细微差异，植物病害的早期检测可能具有挑战性。仅仅依靠可见的特征不足以进行准确诊断，特别是对于症状前检测，强调了改进方法对早期疾病识别的重要性。光谱学是诊断无症状疾病的可靠工具，但由于不同疾病状况之间无法区分的模式，解释原始的1D光谱数据很复杂。本研究提出了一种新方法，将木薯叶片的1D光谱数据转换为2D光谱图像，以揭示健康木薯叶片与木薯花叶病（Cassava Mosaic Disease，CMD）和木薯褐条纹病（Cassava Brown Streak Disease，CBSD）患者的区别特征，旨在提高分类准确性。传统的机器学习技术，如KNN和极梯度增强（XGBoost），与深度学习方法进行了比较，包括基于EfficientNetB0的1D卷积神经网络（CNN）用于直接光谱分类，以及几种用于2D图像数据分类的预训练CNN模型，包括ResNet50V2、MobileNetV2、EfficientNet0和InceptionV3。评估了2D数据的不同填充策略，包括无填充、结束填充、开始填充、上下填充和居中填充。研究结果表明，与1D数据分类相比，将1D光谱数据转换为2D图像并应用有效的填充技术可以将分类准确率提高5.06%。这项研究为有效的早期植物病害检测提供了一种有前景的替代方法。

图1  三种症状前木薯叶类的光谱数据：健康（HLT）、木薯褐条病（CBSD）和木薯花叶病（CMD）。1D光谱曲线揭示了不同类别之间的重叠和相似模式。虽然1D光谱数据往往是局部的，并且显示了类别之间的重叠模式，但2D表示扩展了光谱，提供了一个更广泛的视角来捕捉空间信息并增强类别区分。

图2  使用零填充技术对1D光谱数据（75×75）进行2D转换：（a）开始，（b）结束，（c）中间，（d）居中。

图3  PCA可视化比较（a）1D和（b）2D光谱数据。2D光谱数据显示，类分离得到改善，聚类更加清晰，这意味着与1D数据相比，转换为2D有助于更好地区分不同的类。

图4  混淆矩阵（%）显示了（a）1D光谱数据上的XGBoost和（b）2D光谱数据上带Between填充的EfficientNetB0的分类结果。