高光譜技術(shù)診斷馬鈴薯葉片晚疫病的研究

胡耀華，平學(xué)文，徐明珠，單衛(wèi)星，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. 西北農(nóng)林科技大學(xué)植物保護(hù)學(xué)院，陜西 楊凌 712100 3. 浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院, 浙江 杭州 310058

高光譜技術(shù)診斷馬鈴薯葉片晚疫病的研究

胡耀華1，平學(xué)文1，徐明珠1，單衛(wèi)星2，何 勇3*

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. 西北農(nóng)林科技大學(xué)植物保護(hù)學(xué)院，陜西 楊凌 712100 3. 浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院, 浙江 杭州 310058

鑒于晚疫病可對馬鈴薯造成毀滅性災(zāi)害，對受晚疫病脅迫的馬鈴薯葉片進(jìn)行了高光譜圖像特征研究。旨在探索馬鈴薯葉片的高光譜圖象特征與晚疫病害程度的關(guān)聯(lián)，以實(shí)現(xiàn)準(zhǔn)確、快速、無損的晚疫病診斷。采用60片馬鈴薯葉片，對其中48片采用離體方式接種晚疫病菌，所剩12片作為對照，染病前后連續(xù)觀測7天，得到染病和健康樣本。健康和染病樣本按照染病時(shí)間和染病程度不同采用374～1 018 nm波段范圍的可成像高光譜儀分別采樣，基于ENVI軟件處理平臺提取圖像中感興趣區(qū)的光譜信息，并采用移動(dòng)平均平滑、導(dǎo)數(shù)處理、光譜變換、基線變換等預(yù)處理方法提高信噪比，建立了最小二乘支持向量機(jī)(LS-SVM)的識別模型。9個(gè)模型中，基于原始光譜(不預(yù)處理)和光譜變換預(yù)處理后的數(shù)據(jù)所建立的模型預(yù)測效果最好，識別率均達(dá)到了94.87%。表明基于高光譜成像技術(shù)可以實(shí)現(xiàn)晚疫病脅迫下馬鈴薯病害程度的有效區(qū)分。

高光譜成像技術(shù)； 馬鈴薯； 晚疫??； 最小二乘支持向量機(jī)

引 言

馬鈴薯是一種適應(yīng)性強(qiáng)，分布廣，用途多，高產(chǎn)高效的經(jīng)濟(jì)作物，是世界上第三大消費(fèi)作物。馬鈴薯晚疫病是由致病疫霉引起，易導(dǎo)致馬鈴薯莖葉死亡和塊莖腐爛的毀滅性流行性真菌病害，在全世界馬鈴薯各產(chǎn)區(qū)均有發(fā)生。1845年，由于馬鈴薯晚疫病席卷歐洲，造成愛爾蘭近百萬人喪命、200萬人大移民的“愛爾蘭饑饉”事件[1]。晚疫病是馬鈴薯生產(chǎn)的巨大威脅[2]。染病時(shí)間是判斷其嚴(yán)重程度的一個(gè)重要指標(biāo)，如果能把晚疫病感染時(shí)間準(zhǔn)確地判斷出來，則在作業(yè)管理中可準(zhǔn)確地按病情的嚴(yán)重程度定量施用農(nóng)藥，可顯著提高馬鈴薯產(chǎn)量與品質(zhì)，減少環(huán)境污染。

植物病害檢測常用的方法主要有人工感官判定和理化檢測兩種，它們都存在一定程度的缺陷。人工感官判定法檢測容易受氣候條件、健康狀況、情緒等主觀因素和客觀因素的影響，從而導(dǎo)致誤判； 而理化檢測對操作者的技術(shù)要求高，且存在步驟繁瑣、對樣品具有破壞性和時(shí)效性差等缺點(diǎn)。這兩種方法的缺陷導(dǎo)致其很難準(zhǔn)確地指導(dǎo)生產(chǎn)實(shí)踐，因此，一種準(zhǔn)確、快速、實(shí)時(shí)無損的早期鑒別馬鈴薯葉片晚疫病的方法顯得極其重要。

植物病害的無損檢測方法中，可見/近紅外光譜技術(shù)與多光譜技術(shù)是最為常用的兩種方法，國內(nèi)外均有大量研究報(bào)道[3-4]。在國外，Bravo等[5]利用460～900 nm波段的可見/近紅外光譜反射率數(shù)據(jù)對小麥的黃銹病進(jìn)行了早期檢測； Muir等[6]以馬鈴薯塊莖為研究對象，研究了其在感染病害但肉眼尚不能發(fā)現(xiàn)的階段的光譜反射率特征，以實(shí)現(xiàn)病害的早期診斷。在國內(nèi)，吳迪等[7]采用可見/近紅外光譜技術(shù)對茄子葉片灰霉病進(jìn)行早期檢測，在室內(nèi)采集茄子葉片的光譜信息，建立檢測模型，獲得了100%以及88%的識別率。但是，利用光譜技術(shù)在田間近距離采集植物數(shù)據(jù)時(shí)，會受到田間環(huán)境的影響，而降低其可靠性。吳迪等進(jìn)一步采用多光譜成像技術(shù)對茄子灰霉病進(jìn)行了無損檢測研究，主要是通過采集綠(550 nm)、紅(650 nm)、近紅外(800 nm)三個(gè)波段的圖像對發(fā)病茄子葉片進(jìn)行病斑識別，能夠在有干燥的土壤和枯葉等干擾條件下對灰霉病斑進(jìn)行較好的識別。馮雷等利用多光譜成像技術(shù)建立稻葉瘟病情檢測分級模型，包括綠、紅、近紅外三通道信息，識別營養(yǎng)生長期的水稻苗瘟和葉瘟病害，準(zhǔn)確率可達(dá)98%和90%。

僅用光譜信息分析不能對植株葉片或莖稈上的單位點(diǎn)逐個(gè)分析光譜特性，多光譜成像技術(shù)克服了這個(gè)不足之處，但由于其使用的探測波段數(shù)目有限，無法進(jìn)一步獲悉植物發(fā)病后相關(guān)的生理信息。

而高光譜成像技術(shù)可以在很寬的光譜波段范圍內(nèi)連續(xù)地采集光譜和圖像信息，其光譜分辨率可達(dá)到2～3 nm，能充分反映被測物信息的細(xì)微變化，其圖像信息則可以在經(jīng)過預(yù)處理后提取被測物的色彩、位置等外部特征信息。這種圖譜合一的優(yōu)點(diǎn)可以有效地克服單純依靠外在特征和光譜特征的不足，能夠明顯地提高植物病害診斷的準(zhǔn)確度。目前，把高光譜成像技術(shù)用于植物病害檢測已有相關(guān)報(bào)道[8]。Steddom等[9]利用高光譜遙感數(shù)據(jù)和冠層多光譜數(shù)據(jù)分析甜菜的五種植被指數(shù)，結(jié)果表明正常的甜菜與有叢根病癥狀的甜菜的五種植被指數(shù)有顯著差異； 張東彥等利用成像高光譜儀在小麥葉片感染病害時(shí)，既能定量地識別每個(gè)葉片的病斑個(gè)數(shù)，又可定性地區(qū)分感染面積對葉片造成的影響； 謝傳奇等[10]基于高光譜成像技術(shù)分別從光譜特征和紋理特征兩個(gè)方面提取了番茄的染病和健康葉片感興趣區(qū)域的光譜反射率值和基于灰度共生矩陣的紋理特征值，實(shí)現(xiàn)了番茄葉片早疫病的早期識別。而采用高光譜成像技術(shù)診斷馬鈴薯晚疫病還鮮有報(bào)道。

本研究以馬鈴薯葉片為研究對象，利用其光譜信息，對馬鈴薯植株感染晚疫病的程度進(jìn)行檢測與分級，提取反映染病程度的特征光譜信息建立病害程度識別模型，為今后馬鈴薯晚疫病快速檢測儀器的開發(fā)提供理論依據(jù)。

1 實(shí)驗(yàn)部分

1.1 樣本

供試馬鈴薯品種為中薯20號，共10盆，每盆3株，共30株，于2014年1月16日種植，置于玻璃溫室內(nèi)培養(yǎng)，于2014年4月21日從30株馬鈴薯植株上，每株采集2片葉片，共采集葉片60片，隨機(jī)抽取48片進(jìn)行離體馬鈴薯晚疫病菌接種，剩下的12片作為健康對照。馬鈴薯晚疫病菌的制備和培養(yǎng)由西北農(nóng)林科技大學(xué)植物保護(hù)學(xué)院相關(guān)人員實(shí)施，接種部位為葉片背面二級葉脈之間，接種量為100 μL/葉，覆蓋葉片面積約25 mm2。接菌完后，18 ℃下黑暗培養(yǎng)18 h，次日翻轉(zhuǎn)葉片，擦除接種液滴，防止交叉感染。置入人工氣候箱進(jìn)行培養(yǎng)，人工氣候箱設(shè)置在相對濕度100%，溫度為18 ℃，保持每天16 h光照和8 h暗培養(yǎng)的條件，連續(xù)培養(yǎng)6 d。

接種前，對60片馬鈴薯葉片進(jìn)行第一次高光譜數(shù)據(jù)采集。接種后24 h，對12片健康葉片和48個(gè)接菌葉片進(jìn)行第二次高光譜數(shù)據(jù)采集，之后5天每隔24 h對葉片進(jìn)行一次高光譜數(shù)據(jù)采集，并進(jìn)行病害嚴(yán)重度(disease severity，DS)[11]記錄，共進(jìn)行7 d，得到樣本420個(gè)。接種前后7 d內(nèi)采集的樣本病害嚴(yán)重程度記錄如表1所示。其中，完全健康的樣本的DS參考值設(shè)為0，接種并發(fā)生晚疫病的樣本按嚴(yán)重程度分為三等，DS小于10%的樣本參考值設(shè)為1，DS大于等于10%且小于30%的樣本參考值設(shè)為2，DS大于等于30%的樣本參考值設(shè)為3。

Table 1 Disease severity of all samples

注： 表中dai是day after inoculation的縮寫，表示接種后第幾天

由表1可以看出，1級樣本主要集中在接種后的第2、3、4天，2級樣本集中在接種后的第5天，3級樣本集中在第5和第6天。由于樣本眾多，且健康樣本只選取第0天采得的用于接菌的葉片的數(shù)據(jù)，剔除其中的不合格樣本后，最后得到樣本236個(gè)，其中健康樣本48個(gè)，參考值為1，2和3的樣本分別為78，28和82個(gè)。從236個(gè)樣本中，每個(gè)等級的樣本以2∶1的比例隨機(jī)選取出建模集樣本(158個(gè))和預(yù)測集樣本(78個(gè))。

1.2 高光譜成像系統(tǒng)與數(shù)據(jù)采集

高光譜數(shù)據(jù)由高光譜成像系統(tǒng)采集得到，該系統(tǒng)由可見/近紅外成像光譜儀(V10E-QE型, Spectral Imaging Ltd., 芬蘭)，像素為320×256的面陣CCD相機(jī)(XEVA2616型，XenICsLtd., 比利時(shí))，高穩(wěn)定性的鹵鎢燈白光光源，高精度的電控平移臺裝置和計(jì)算機(jī)等組成。該系統(tǒng)的示意圖如圖1所示，其中暗箱未畫出。圖中編號的原件依次為： 1.高光譜成像儀； 2.光源； 3.帶有高光譜數(shù)據(jù)采集軟件的計(jì)算機(jī)； 4.電控位移臺； 5.樣本放置平臺。

Fig.1 Hyperspectral imaging system

高光譜成像儀放置在室溫20 ℃，相對濕度為40%的實(shí)驗(yàn)室中。高光譜成像系統(tǒng)的曝光時(shí)間設(shè)置為50 ms，將馬鈴薯葉片放置在移動(dòng)平臺上，然后開始采集高光譜數(shù)據(jù)。高光譜攝像頭的圖像分辨率設(shè)置為336×256，樣本距離鏡頭高度為65 cm，采集得到光譜范圍是374～1 018 nm之間共256個(gè)波段下的圖像。

1.3 高光譜圖像校正

黑白校正能有效消除由高光譜攝像頭中存在的暗電流以及噪音光源的強(qiáng)度在各波段下的分布不均勻所造成的光源分布較弱的波段下的較大噪音。在同一采集環(huán)境條件下，設(shè)掃描標(biāo)準(zhǔn)白板得到的全白的標(biāo)定圖像Wλ(反射率接近99%)，關(guān)閉相機(jī)鏡頭采集圖像所得到的全黑標(biāo)定圖像為Bλ(反射率接近0%), 然后根據(jù)式(1)對原始圖像進(jìn)行校正。

(1)

式中，Rλ為校正后的高光譜圖像，Iλ為用高光譜采集系統(tǒng)采集到的原始高光譜圖像。

所有高光譜數(shù)據(jù)的采集都是利用該高光譜成像系統(tǒng)，數(shù)據(jù)處理用到的軟件有ENVI4.8，Unscrambler9.7和Matlab R2013a。

2 結(jié)果與討論

2.1 高光譜圖像感興趣區(qū)域的選擇

圖2為一個(gè)典型發(fā)病葉片在染病前后7 d天內(nèi)的偽彩色圖像，圖3為其染病區(qū)域在此7 d內(nèi)的平均光譜曲線，橫坐標(biāo)是波長，縱坐標(biāo)是光譜反射率值。由于光譜數(shù)據(jù)中首尾段噪聲較大，為了減少噪音的影響，提高所建立模型的準(zhǔn)確性，在后期的數(shù)據(jù)處理過程中，只選取450～900 nm范圍內(nèi)共計(jì)180個(gè)波段的數(shù)據(jù)進(jìn)行分析。

Fig.2 Pseudo color of one sample inoculated from 0 to 6 days(dai: day after inoculation)

Fig.3 Spectra curves of the sample’s affected region from 0 to 6 days

圖4為236個(gè)樣本的光譜反射率曲線，橫縱坐標(biāo)也分別為波長和反射率值。通過圖3和圖4可以看出，健康和染病樣本的光譜曲線輪廓相似，差異不是很顯著，在550和750 nm附近都有一個(gè)反射峰值，在680～750 nm波長范圍內(nèi)反射率顯著增強(qiáng)，近紅外區(qū)域的反射率值明顯高于可見光區(qū)域，這與謝傳奇等[12]發(fā)現(xiàn)的同為茄科植物的番茄葉片在灰霉病脅迫下的光譜曲線規(guī)律相一致。

Fig.4 Spectra reflectance curves of all samples

2.2 高光譜預(yù)處理與檢測模型建立

最小二乘支持向量機(jī)(least squares-support vector mechine，LS-SVM)已被廣泛地運(yùn)用于光譜數(shù)據(jù)建模過程，通過核函數(shù)將低維數(shù)的非線性關(guān)系轉(zhuǎn)化為高維數(shù)的線性關(guān)系，有效地解決復(fù)雜的多元線性和非線性變量問題，提高計(jì)算效率。

馬鈴薯葉片的高光譜經(jīng)過多元散射校正(MSC)、移動(dòng)平均平滑(S.M.A)、光譜變換(Spectroscopic)、標(biāo)準(zhǔn)化(Normalize)、導(dǎo)數(shù)處理(D.G.S)、基線變換(Baseline)、標(biāo)準(zhǔn)正態(tài)變換(SNV)等預(yù)處理方法提高光譜的信噪比預(yù)處理后，建立光譜矩陣與染病程度之間的LS-SVM模型，不同的預(yù)處理方法所建立的LS-SVM模型的預(yù)測效果差別顯著(見表2)。通過表2可以看出，基于原始光譜(不預(yù)處理)和光譜變換后的數(shù)據(jù)所建立的LS-SVM模型識別率最高，達(dá)到94.87%。

Table 2 Prediction results of LS-SVM models with different pretreatment

基于原始光譜和經(jīng)過八種預(yù)處理方法后的數(shù)據(jù)建立的LS-SVM模型的識別率未能超過95%的判別率的原因在于。

(1)可能由于馬鈴薯葉片較小，病斑區(qū)域的光譜信息難于準(zhǔn)確提取。

(2)實(shí)驗(yàn)過程中，光譜測定條件與氣候箱的環(huán)境條件有差別, 導(dǎo)致葉片上存在一定的結(jié)露, 造成樣本在不同波段光譜數(shù)據(jù)的變化，從而導(dǎo)致誤判。

3 結(jié) 論

以馬鈴薯葉片為研究對象，采用高光譜成像技術(shù)連續(xù)七天采集了健康和感染晚疫病馬鈴薯葉片的圖像和光譜信息。通過ENVI平臺提取馬鈴薯葉片感興趣區(qū)域的光譜信息，并進(jìn)行了移動(dòng)平滑、標(biāo)準(zhǔn)化、光譜變換等方法的預(yù)處理，建立了九種LS-SVM模型，其中基于原始光譜和光譜變換預(yù)處理后的數(shù)據(jù)建立的模型識別率最高，達(dá)到94.87%。結(jié)果表明，利用高光譜成像技術(shù)對馬鈴薯葉片晚疫病的分級檢測是可行的，為馬鈴薯晚疫病的早期診斷預(yù)測提供了新的思路。

[1] Ristaino J B. Microbes and Infection 2002, 4(13): 1369.

[2] Fry W. Molecular Plant Pathology 2008, 9(3): 385.

[3] CHENG Shu-xi, SHAO Yong-ni, WU Di, et al(程術(shù)希, 邵詠妮, 吳 迪, 等). Journal of Zhejiang University(Agriculture & Life Sciences)(浙江大學(xué)學(xué)報(bào)·農(nóng)業(yè)與生命科學(xué)版), 2011, 37(3): 307.

[4] HUANG Mu-yi, WANG Ji-hua, HUANG Wen-jiang, et al(黃木易, 王紀(jì)華, 黃文江, 等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2003, 19(6): 154.

[5] Bravo C, Moshou D, West J, et al. Biosyst. Eng., 2003, 84(2): 137.

[6] Muir A, Porteous R, Wastie R. Journal of Agricultural Engineering Research, 1982, 27(2): 131.

[7] WU Di, FENG Lei, ZHANG Chuan-qing, et al(吳 迪, 馮 雷, 張傳清, 等). Journal of Infrared and Millimeter Waves(紅外與毫米波學(xué)報(bào)), 2007, 26(4): 269.

[8] ElMasry G, Wang N, Vigneault C, et al. LWT-Food Science and Technology，2008, 41(2): 337.

[9] Steddom K, Heidel G, Jones D, et al. Phytopathology, 2003, 93(6): 720.

[10] XIE Chuan-qi, WANG Jia-yue, FENG Lei, et al(謝傳奇, 王佳悅, 馮 雷, 等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2013, 33(6): 1603.

[11] Cooke B M, Jones D G, Kaye B. The Epidemiology of Plant Diseases(Second Edition)(植物病害流行學(xué)，第2版). Translated by WANG Hai-guang, MA Zhan-hong(王海光，馬占鴻，譯). Beijing： Science Press(北京： 科學(xué)出版社)，2009. 46.

[12] XIE Chuan-qi, HE Yong, LI Xiao-li, et al(謝傳奇, 何 勇, 李曉麗, 等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2012, 32(12): 3324.

*Corresponding author

Detection of Late Blight Disease on Potato Leaves Using Hyperspectral Imaging Technique

HU Yao-hua1, PING Xue-wen1, XU Ming-zhu1, SHAN Wei-xing2, HE Yong3*

1. College of Mechanical and Electronic Engineering, Northwest A & F University, Yangling 712100, China 2. College of Plant Protection, Northwest A&F University, Yangling 712100, China 3. College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China

Hyperspectral imaging feature on potato leaves stressed by late blight was studied in the present paper. The experiment used 60 potato leaves. Among those 60 potato leaves, 48 leaves were vitro inoculated with pathogen of potato late blight, the rest 12 leaves were used as control samples. The leaves were observed for 7 continuous days before and after inoculated and samples including healthy and infested were acquired. Hyperspectral data of healthy and infected potato samples of different disease severity were obtained by the hyperspectral imaging system from 374 to 1 018 nm and then extract spectral data of region of interest(ROI) from those hyperspectral data by the ENVI software. In order to improve the signal-to-noise ratio, the spectral data were preprocessed using different pretreatment methods such as moving average smoothing, normalization, derivative, baseline etc. The least squares-support vector machine(LS-SVM) models were developed based on the raw and those preprocessed data. Among the nine models, the model that used the raw data and the data after the spectroscopic transformation performed best with the discrimination of 94.87%. It was demonstrated that it is realized to determine the potato late blight disease of different disease severity using hyperspectral imaging technique.

Hyperspectral imaging technique; Potatoes; Late blight disease; LS-SVM

Nov. 20, 2014; accepted Mar. 20, 2015)

2014-11-20，

2015-03-20

國家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2011AA100705), 國家自然科學(xué)基金項(xiàng)目(31071332)和西北農(nóng)林科技大學(xué)青年學(xué)術(shù)骨干項(xiàng)目(Z111020903)資助

胡耀華, 女，1973年生，西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院教授 e-mail: huyaohua@nwsuaf.edu.cn *通訊聯(lián)系人 e-mail: yhe@zju.edu.cn

S379; TS207.3

A

10.3964/j.issn.1000-0593(2016)02-0515-05