馬鈴薯葉片早疫病的高光譜識別研究

徐明珠 ，李　梅，白志鵬，胡耀華，何　勇

(1.西北農(nóng)林科技大學(xué) 機(jī)械與電子工程學(xué)院，陜西 楊凌　712100；2.浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州　310058)

?

馬鈴薯葉片早疫病的高光譜識別研究

徐明珠1，李梅1，白志鵬1，胡耀華1，何勇2

(1.西北農(nóng)林科技大學(xué) 機(jī)械與電子工程學(xué)院，陜西 楊凌712100；2.浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州310058)

摘要：為實現(xiàn)馬鈴薯葉片早疫病的快速識別，達(dá)到盡早防治的目的，利用高光譜成像系統(tǒng)連續(xù)4天采集375～1018 nm波段內(nèi)的健康和染病馬鈴薯葉片的高光譜數(shù)據(jù)信息，并用ENVI軟件提取感興趣區(qū)域的光譜反射率平均值。分別建立基于全光譜(full spectrum, FS)、連續(xù)投影算法(SPA)和載荷系數(shù)法(x-LW)提取的特征波長的BP網(wǎng)絡(luò)和LS-SVM識別模型，其中FS-BP、SPA-BP、x-LW-BP模型中預(yù)測集識別率分別為100%、100%、98.33%，LS-SVM模型的預(yù)測集識別率均為100%；SPA和x-LW提取的特征波長個數(shù)均僅占全波長的1.47%，大大簡化了模型，提高了運算速率。實驗表明：應(yīng)用高光譜成像技術(shù)可以快速、準(zhǔn)確地識別出馬鈴薯葉片早疫病，且SPA和x-LW可以作為特征波長提取的有效方法，為田間馬鈴薯早疫病的在線實時檢測儀器的開發(fā)提供理論依據(jù)。

關(guān)鍵詞：馬鈴薯；早疫??；高光譜成像技術(shù)；特征波長；識別模型

0引言

馬鈴薯在世界上許多國家和地區(qū)都有種植，面積和產(chǎn)量僅次于小麥、水稻和玉米。據(jù)統(tǒng)計，2013年馬鈴薯在全球的種植面積大概2 000萬hm2，而在我國種植面積就有488萬hm2，幾乎為全球的1/4，居全球第1位[1]。馬鈴薯種植在我國乃至全世界的農(nóng)業(yè)發(fā)展中占有非常重要的地位，且今年我國將啟動馬鈴薯主糧化戰(zhàn)略，馬鈴薯已成為我國第四主糧；然而馬鈴薯早疫病作為田間一種非常常見的作物病害，日漸阻礙著我國馬鈴薯產(chǎn)業(yè)的發(fā)展。

由茄鏈格孢(Alternariasolani)和鏈格孢(Alternariaalternata)引起的馬鈴薯早疫病，是一種非常嚴(yán)重的真菌性病害，在全球各大地區(qū)均有所發(fā)生，其危害程度被認(rèn)為僅次于馬鈴薯晚疫病。近年來，馬鈴薯早疫病在我國各個地區(qū)均有不同程度的發(fā)生，部分地區(qū)的危害程度甚至超過了晚疫病。針對作物病害檢測方面，目前已經(jīng)有一些相關(guān)報道，人工感官判斷和理化檢測是傳統(tǒng)的兩種作物病害檢測手段，但這兩種方法卻存在很多缺陷。人工感官判斷很容易受到氣候條件、情緒等主觀、客觀因素的影響；而理化檢測需要操作者應(yīng)具備專業(yè)知識，且工作繁瑣、破壞樣本、時效性差。因此，有必要探索出一種既準(zhǔn)確又快速的病害檢測方法。

高光譜成像技術(shù)在近幾年發(fā)展很快，它合并了傳統(tǒng)光譜和計算機(jī)圖像信息技術(shù)，使其具有分辨率高、波段數(shù)多和圖譜合一等眾多優(yōu)點，目前在農(nóng)業(yè)生產(chǎn)及食品檢測等領(lǐng)域[2-5]應(yīng)用廣泛。關(guān)于應(yīng)用高光譜成像技術(shù)來檢測農(nóng)田病害的研究已經(jīng)有一些：在國內(nèi)，梅慧蘭等[6]用高光譜技術(shù)對柑橘黃龍病進(jìn)行了鑒別研究，并劃分了病害等級；程術(shù)希等[7]利用高光譜成像技術(shù)對番茄葉片普遍發(fā)生的早疫病進(jìn)行了檢測，并采取不同方法獲得了有效波長；馮雷等[8]等用高光譜成像技術(shù)來檢測茄子葉灰霉病的方法是完全可行的；在國外，Bauriegel等[9]用高光譜對小麥的鐮刀菌病進(jìn)行了早期檢測；Rumpf等[10]用高光譜反射數(shù)據(jù)針對甜菜不同病害進(jìn)行了檢測與分類。

目前，還沒有關(guān)于高光譜技術(shù)識別馬鈴薯葉片早疫病的報道。本研究的目的在于使用高光譜成像技術(shù)對馬鈴薯葉片早疫病進(jìn)行檢測，并建立其定量識別模型，從而為實現(xiàn)田間馬鈴薯早疫病在線實時檢測儀器的開發(fā)提供理論依據(jù)。

1材料與方法

1.1實驗樣本

樣本為中薯18號品種馬鈴薯，于2014年10月22日種植于玻璃溫室內(nèi)，共15盆，每盆2株，共30株。實驗選取長勢好、大小一致、未受蟲害影響的葉片60片，其中48片進(jìn)行馬鈴薯早疫病菌的離體接種，其余12片作為健康對照。接種方式采用直徑大約為5 mm的菌絲塊，待接菌完成后，先將其放在25℃黑暗條件下培養(yǎng)12 h，以便于葉片能夠感染；然后，將接種葉片放置在人工氣候箱中，每天12 h光暗交替，相對濕度100%，25℃連續(xù)培養(yǎng)4天。

接種前，先對馬鈴薯葉片進(jìn)行一次高光譜數(shù)據(jù)采集；接種24 h后去掉菌絲塊，對其進(jìn)行第2次高光譜數(shù)據(jù)采集，此時接種葉片已被菌絲穿透，發(fā)病部位變?。恢?，每隔24 h對葉片進(jìn)行高光譜數(shù)據(jù)采集，前后共4天，但葉片接種部位病斑并沒有明顯擴(kuò)展，發(fā)病輕重也無明顯界限，所以本文將所測樣本僅劃分為健康和發(fā)病兩種情況；最終，選取了健康的樣本84個和染病的96個進(jìn)行分析。從所有健康和染病樣本中分別按2:1的原則隨機(jī)選取，最后得到建模的樣本(120個)和預(yù)測的樣本(60個)，并將健康的樣本Y變量設(shè)為0，染病的樣本Y變量設(shè)為1，進(jìn)行后續(xù)研究。

1.2設(shè)備與數(shù)據(jù)處理軟件

試驗采用北京卓立漢光儀器有限公司研制的Zolix HyperSIS高光譜成像儀(見圖1)，主要由高性能光譜儀(V10E-QE型, Spectral Imaging Ltd.,芬蘭)、圖像采集卡、配套光源、面陣CCD相機(jī)(XEVA2616型，XenICsLtd.,比利時)、PSA300-X型電控位移臺，以及計算機(jī)和暗箱等部件組成。光譜儀的波長范圍為375～1 018nm，分辨率為2.8nm。數(shù)據(jù)分析處理軟件采用ENVI4.8 (Research System Inc，Boulder，Co.USA)、Unscrambler9.7 (Camo，ProcessAS，Oslo，Norway)和MatlabR2010a(The Math Works，USA)。

圖1　高光譜成像系統(tǒng)

1.3高光譜圖像獲取與校正

設(shè)置圖像采集系統(tǒng)的曝光間隔時間為0.05 s，電移動臺的速度為20mm/s，葉片距離鏡頭的豎直高度為65cm；然后，將馬鈴薯葉片按順序放置在載物臺上，打開計算機(jī)的數(shù)據(jù)采集軟件，從而獲得樣本在375～1 018nm波段范圍內(nèi)的高光譜信息。

為了避免原始高光譜圖像中產(chǎn)生的噪聲對實驗結(jié)果造成的影響，需要在實驗前進(jìn)行黑白高光譜儀器校準(zhǔn)。在同一環(huán)境中，設(shè)掃描白色板采集獲得全白的標(biāo)定圖像為Wo，蓋上鏡頭蓋采集獲得全黑的標(biāo)定圖像設(shè)為Bo，則原圖像Io可按照式(1)進(jìn)行校正，Ro為校正后的高光譜圖像。則

(1)

1.4高光譜數(shù)據(jù)處理

1.4.1特征波長提取

為簡化模型，本文利用連續(xù)投影算法(Successive Projections Algorithm, SPA)和載荷系數(shù)法(x-Loading Weights, x-LW)從光譜數(shù)據(jù)中提取有效特征波長。

連續(xù)投影算法[11](SPA)作為一種前向循環(huán)的特征變量獲取手段，對于消除各變量之間的線性相關(guān)性非常有效，從而降低模型復(fù)雜程度,進(jìn)而提高運算速率，目前已廣泛應(yīng)用于光譜領(lǐng)域。

載荷系數(shù)法(x-LW)是在偏最小二乘法建模過程中獲得的[12]。在建模過程中，可以獲得一些隱含變量，其重要性依次下降。每個隱含變量下都存在一條載荷值隨各個波長的變化曲線，其中x-LW絕對值的大小反映了該處波長對模型的重要性。因而，可以將載荷值絕對值最大處所對應(yīng)的波長作為新的變量輸入到模型，從而提高速率。

1.4.2識別模型

誤差反向傳播神經(jīng)網(wǎng)絡(luò) (Error Back Propagation，BP)目前已被廣泛應(yīng)用于非線性擬合問題與模式識別等研究領(lǐng)域[13]。該網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)、自組織能力，算法通過誤差反向傳播進(jìn)而不斷調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使得誤差平方和達(dá)到最小值，實現(xiàn)預(yù)測值逼近實測值的效果。

最小二乘支持向量機(jī)(Least Squares Support Vector Machines，LS-SVM)以最小二乘線性系統(tǒng)為損失函數(shù)，通過將傳統(tǒng)SVM采用的較復(fù)雜的二次規(guī)劃方程轉(zhuǎn)化為求解一組線性方程，從而降低模型復(fù)雜程度，提高計算速度，可有效解決線性與非線性建模問題，并具有很好的適應(yīng)能力，在光譜檢測中應(yīng)用很廣[14]。

2結(jié)果與討論

2.1高光譜反射曲線圖

圖2(a)與(b)分別為馬鈴薯葉片在光譜375～1 018nm范圍內(nèi)的所有樣本和將健康與染病樣本的光譜數(shù)據(jù)計算平均后的反射率曲線圖。其中，橫縱坐標(biāo)分別為波長和光譜反射值。從圖2(a)可以發(fā)現(xiàn)：變化曲線在開始和結(jié)尾處存在一些噪聲，健康和染病葉片的光譜反射值的變化走勢比較類似，區(qū)別比較小；在550 nm附近存在一個反射高峰，在680 nm附近出現(xiàn)一個反射低谷，主要是由于在可見光范圍內(nèi)，葉片反射率的決定因素由葉綠素控制；而在680～750 nm光譜反射值上升很快，從而使得近紅外區(qū)域內(nèi)的光譜反射率高于可見光區(qū)域，可能是反射特性的主控因素發(fā)生變化受到葉片內(nèi)部結(jié)構(gòu)細(xì)胞的控制，從而導(dǎo)致出現(xiàn)“近紅外高臺階”。由圖2(b)可以看到：染病和健康馬鈴薯葉片在某些波段范圍內(nèi)存在一定差別，如在560～715nm范圍內(nèi)染病的樣本的平均光譜反射值略高于健康的樣本；而在715～1 018nm波段范圍內(nèi)染病葉片的平均光譜反射值遠(yuǎn)低于健康的葉片，區(qū)別比較明顯。這可能是由于葉片染病早期葉片自我保護(hù)機(jī)能使其內(nèi)部一些元素活性增強(qiáng)，導(dǎo)致染病樣本的反射率隨之增大，在可見光區(qū)域表現(xiàn)突出；而隨著病菌的入侵，葉片內(nèi)部組織遭到破壞，使得光譜反射率明顯低于健康樣本，在近紅外短波區(qū)域表現(xiàn)突出。

為了提高模型準(zhǔn)確度和穩(wěn)定性，減少噪聲對實驗?zāi)Ｐ偷挠绊懀诤笃跀?shù)據(jù)處理中，本研究只采用450～960nm波段范圍內(nèi)共204個波段的光譜數(shù)據(jù)來進(jìn)行分析。

2.2特征波數(shù)優(yōu)選

2.2.1SPA提取特征波長

設(shè)定SPA的特征波長數(shù)范圍為1～30，計算過程通過MatLabR2010a實現(xiàn)，通常把均方根誤差最小處對應(yīng)的波長數(shù)作為最佳特征波長數(shù)量。其中，圖3為均方根誤差(RMSE)隨模型特征波長個數(shù)的變化曲線。當(dāng)特征波長數(shù)量超過3時，其均方根誤差減小趨于平緩，據(jù)此優(yōu)選出3個最佳特征波長，分別為710、830、955nm。相比于全波段，特征波長數(shù)僅占全波段變量數(shù)的1.47%，很大程度上減少了模型的輸入變量。

圖2　馬鈴薯葉片的平均光譜反射率曲線

圖3　RMSE隨SPA選擇的特征波長數(shù)的變化

2.2.2x-LW提取特征波長

首先將全部的光譜數(shù)據(jù)作為輸入變量，構(gòu)建偏最小二乘模型，經(jīng)過分析得出有效隱含變量僅為3。圖4為載荷數(shù)值隨不同波長的變化曲線。把各個隱含變量下的載荷值的絕對值最大處對應(yīng)的波長當(dāng)作需要的特征變量提取出來，最終得到3個有效的特征波長，分別是710、718、764 nm，使得模型的輸入變量減少了98.53%，從而簡化了模型。

圖4　載荷系數(shù)隨波長的變化過程

2.3建模與分析

2.3.1模型參數(shù)的選擇與設(shè)定

BP神經(jīng)網(wǎng)絡(luò)：選取tansig為隱含層的傳輸函數(shù)，purelin作為輸出層的傳輸函數(shù)，trainrp(回彈BP算法)作為網(wǎng)絡(luò)訓(xùn)練函數(shù)，0.000 1作為均方差目標(biāo)值，迭代次數(shù)為100。由于隱含層神經(jīng)元數(shù)沒有確切的理論依據(jù)，本文通過反復(fù)嘗試，比較隱含層個數(shù)在2～30之間的網(wǎng)絡(luò)性能，最終確定的BP網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)，如表1所示。模型預(yù)測值通過四舍五入的方法(即設(shè)定0.5為分類界限)，調(diào)整為整數(shù)。

表1　BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)

LS-SVM模型選擇高斯RBF內(nèi)核作為其核函數(shù)，設(shè)超參數(shù)γ和核參數(shù)σ2的范圍為2-1～210，算法可以利用網(wǎng)格搜索法結(jié)合留一交互驗證法確定模型的參數(shù)γ和σ2，具體如表2所示。

表2　LS-SVM模型的結(jié)構(gòu)與參數(shù)

2.3.2模型建立與分析

將建模集的全光譜(FS)數(shù)據(jù)、經(jīng)SPA和x-LW提取的特征波長分別作為BP和LS-SVM模型的輸入構(gòu)建馬鈴薯葉片早疫病的識別模型，然后利用預(yù)測集的數(shù)據(jù)進(jìn)行模型的驗證，結(jié)果如表3所示。

表3　不同模型的識別結(jié)果

由表3可知：基于全波段和特征波長建立的6個模型均取得了不錯的效果。LS-SVM所有模型的建模集和預(yù)測集識別率都達(dá)到了100%；BP模型中除x-LW-BP模型的預(yù)測集識別率為98.33%，其余也都為100%。通過SPA、x-LW方法提取的特征波長，基本能夠全面反映原始光譜中的有用信息，使得模型的輸入變量大大減少，且均相當(dāng)于全波段(450～960nm)變量數(shù)的1.47%，模型得到大大簡化。

由建模分析可知：BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)值，穩(wěn)定性差，樣本變化時需重新修改參數(shù)建立網(wǎng)絡(luò)，且對于復(fù)雜問題效果較差；而LS-SVM建模計算過程穩(wěn)定，且對于復(fù)雜數(shù)據(jù)也能取得較好的效果，適應(yīng)能力強(qiáng)。

3結(jié)論

本文應(yīng)用高光譜成像技術(shù)對馬鈴薯葉片早疫病進(jìn)行了識別研究，基于全波段數(shù)據(jù)和特征波長信息構(gòu)建了BP和LS-SVM共6個識別模型。其中，F(xiàn)S-BP、SPA-BP、x-LW-BP模型中建模集鑒別率均達(dá)到100%，預(yù)測集鑒別率分別為100%、100%、98.33%；LS-SVM所有模型的建模集和預(yù)測集鑒別率均為100%，效果更好。SPA和x-LW提取的特征波長分別為710、830、955 nm和710、718、764 nm，其個數(shù)均僅占全光譜變量的1.47%，使模型得到大大簡化，更方便儀器的開發(fā)。研究結(jié)果表明：應(yīng)用高光譜成像技術(shù)可以快速識別馬鈴薯葉片早疫病，且SPA和x-LW可以作為特征波長提取的有效方法，為田間馬鈴薯早疫病在線實時檢測儀器的開發(fā)提供了理論依據(jù)。

參考文獻(xiàn)：

[1]鄭慧慧,王泰云,趙娟,等.馬鈴薯早疫病研究進(jìn)展及其綜合防治[J].中國植保導(dǎo)刊,2013, 33(1):18-21.

[2]Talens P, Moral, Morsy N, et al. Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging [J].Journal of Food Engineering, 2013, 117(3):272-280.

[3]Ray S S, Jain N, Arora R K, et al. Utility of Hyperspectral Data for Potato Late Blight Disease Detection[J].Journal of the Indian Society of Remote Sensing, 2011, 39(2):161-169.

[4]Del Flore A, Reverberi M, Ricella A, et al. Early detection of toxigenic fungi on maize by hyperspectral imaging analysis [J].International Journal of Food Microbiology, 2010, 144(1): 64-71.

[5]Qin J, Burks T F, Ritenour M A, et al. Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence [J]. Journal of Food Engineering, 2009, 93(2): 183-191.

[6]梅慧蘭,鄧小玲,洪添勝,等.柑橘黃龍病高光譜早期鑒別及病情分級[J].農(nóng)業(yè)工程學(xué)報,2014,30(9):140-147.

[7]程術(shù)希,謝傳奇,王巧男,等.不同波長提取方法的高光譜成像技術(shù)檢測番茄葉片早疫病的研究[J].光譜學(xué)與光譜分析,2014,34(5):1362-1366.

[8]馮雷,張德榮,陳雙雙,等.基于高光譜成像技術(shù)的茄子葉片灰霉病早期檢測[J].浙江大學(xué)學(xué)報:農(nóng)業(yè)與生命科學(xué)版,2012,38(3):311-317.

[9]Bauriegel E, Giebel A, Geyer M, et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging [J].Computers and Electronics in Agriculture, 2011, 75(2): 304-312.

[10]Rumpf T, Mahlein A K, Steiner U, et al. Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance [J].Computers and Electronics in Agriculture, 2010, 74(1): 91-99.

[11]Zhang J, Rivard B, Rogge D M. The successive projection algorithm (SPA), an algorithm with a spatial constraint for the automatic search of endmembers in hyperspectral data [J].Sensors, 2008, 8(2): 1321-1342.

[12]Liu F, He Y, Wang L. Determination of effective wavelengths for discrimination of fruit vinegars using near infrared spectroscopy and multivariate analysis [J].Analytica chimica Acta, 2008, 615(1): 10-17.

[13]He Y,Li X,Deng X.Discrimination of varieties of tea using near infrared spectroscopy by principal component analysis and BP model [J].Journal of Food Engineering, 2007, 79(4): 1238-1242.

[14]Zhang X, Liu F, He Y. Detecting macronutrients content and distribution in oilseed rape leaves based on hyperspectral imaging [J].Biosystems Engineering, 2013, 115(1): 56-65.

Identification of Early Blight Disease on Potato Leaves Using Hyperspectral Imaging Technique

Xu Mingzhu1, Li Mei1, Bai Zhipeng1, Hu Yaohua1, He Yong2

(1.College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China; 2.College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China)

Abstract：The purpose of this paper is to realize identification of early blight of potato leaves rapidly, and to achieve early prevention. Hyperspectral data of healthy and infected potato leaves were obtained by hyperspectral imaging system within the wavelength range of 375～1018 nm for four consecutive days, and the average spectral reflectance of the region of interests were extracted by ENVI software. Effective wavelengths were selected by successive projections algorithm (SPA) and x-loading weights (x-LW), respectively. Error back propagation (BP) neural network and least squares support vector machines (LS-SVM) identification models were established based on full spectrum (FS), SPA, and x-LW, respectively. The results showed that the identification rates of the prediction set are 100%, 100% and 98.33% in FS-BP, SPA-BP, x-LW-BP models and 100% in all of LS-SVM models, respectively. The number of effective wavelength extracted by SPA and x-LW, respectively, accounts for only 1.47% of the total number of wavelengths, simplifying the models and improving the rate of operation greatly. The results indicated that it is feasible to identify early blight on potato leaves exactly and quickly using hyperspectral imaging, SPA and x-LW are effective methods to extract characteristic wavelengths and it provides a theoretical basis for the development of online real-time detection instrument of early blight of potato in the field.

Key words：potatoes; early blight; hyperspectral imaging technique; effective wavelengths；identification of models

文章編號：1003-188X(2016)06-0205-05

中圖分類號：S122

文獻(xiàn)標(biāo)識碼：A

作者簡介：徐明珠(1989-)，男，河北保定人，碩士研究生，(E-mail) xmz2009012454@163.com。通訊作者：胡耀華(1973-)，女，江西奉新人，教授，博士，(E-mail) huyaohua@nwsuaf.edu.cn。

基金項目：國家高技術(shù)研究發(fā)展計劃項目(2011AA100705)；國家自然科學(xué)基金項目(31071332)

收稿日期：2015-06-01