Detection of Lesions in Lettuce Caused by Pectobacterium carotovorum Subsp. carotovorum by Supervised Classification Using Multispectral Images

Abstract

This study aimed to detect soft rot caused by Pectobacterium carotovorum subsp. carotovorum in lettuce using images obtained by multispectral sensors mounted on an unmanned aerial vehicle (UAV). A secondary objective was to identify the best sensor and determine the optimal stage after inoculation to detect infected plants. In the field, soft rot lesions and the agronomic traits of lettuce plants inoculated or not with the bacteria were assessed on different days after inoculation (DAI). Classifications were made using the Support Vector Machine (SVM) and Naive Bayes (NB) algorithms to analyze data groups consisting of spectral bands, vegetation indices and a combination of bands and indices obtained from a conventional visible camera and Mapir Survey3W multispectral camera, as well as agronomic parameters. The results confirmed the possibility of pre-symptomatic detection of P. carotovorum subsp. carotovorum in lettuce at the canopy level. With respect to identifying healthy and infected lettuce plants by supervised classification, the best results were obtained at 4 and 8 DAI, especially when using the subsets derived from the Mapir Survey3W camera (RGN sensor), for both classifiers. The subsets obtained with the conventional visible sensor (RGB sensor) produced the best results at 20 and 24 DAI.

RÉSUMÉ

Cette étude a pour objectif de détecter la pourriture molle causée par Pectobacterium carotovorum, sous-espèce carotovorum, sur la laitue à l’aide d’images prises par des capteurs multispectraux montés sur un drone (UAV). De plus, un objectif secondaire est d'identifier le meilleur capteur et la meilleure phase après l'inoculation pour détecter les plantes infectées. Au champ, les lésions de pourriture molle et les paramètres agronomiques des plants de laitue inoculés ou non avec la bactérie ont été évalués plusieurs jours après l'inoculation (DAI). Pour les classifications, les algorithmes Support Vector Machine (SVM) et Naive Bayes (NB) ont été utilisés pour évaluer des groupes de données composés de bandes spectrales, d’indices de végétation et de combinaison de bandes et d’indices obtenus à partir d’une caméra visible conventionnelle et d’une caméra multispectrale Mapir Survey3W, ainsi que les paramètres agronomiques. Les résultats ont confirmé la possibilité d'une détection pré-symptomatique de P. carotovorum, sous-espèce carotovorum dans la laitue au niveau de la canopée. Pour la détection de plants de laitue sains et infectés par classification supervisée, les meilleurs résultats ont été obtenus à 4 et 8 jours après l'inoculation (DAI), principalement en utilisant des sous-ensembles dérivés de la caméra Mapir Survey3W (capteur RVIR), pour les deux classificateurs. Alors que, les sous-ensembles dérivés du capteur visible conventionnel (capteur RVB) ont montré les meilleurs résultats aux intervalles de 20 et 24 jours après l’inoculation.

Disclosure statement

No potential conflict of interest was reported by the author(s).

Data availability statement

The datasets generated and/or analyzed during the present study are available from the corresponding author on reasonable request.

Additional information

Funding

The authors are grateful to the Graduate Program in Agriculture and Geospatial Information of the Federal University of Uberlândia, Monte Carmelo Campus, and the Vegetable Crop Research Center (NUPOL) for their support, as well as the Coordination for the Improvement of Higher Education Personnel (CAPES) for the research grants awarded.