基于近紅外光譜和LabVIEW技術的番茄抗灰霉病檢測系統(tǒng)

郝婧+劉桂禮+李響

摘要：為了準確、快速、無損地檢測番茄灰霉病的抗病性，根據番茄的近紅外光譜特性，設計了一種基于近紅外光譜與LabVIEW技術的番茄灰霉病抗病檢測系統(tǒng)。該系統(tǒng)主要包括初始化模塊、參數讀取模塊、光譜數據實時采集模塊和算法模塊。利用該檢測系統(tǒng)對番茄葉片進行抗病性檢測實時分類試驗，以驗證系統(tǒng)性能。利用支持向量機算法，對收集的番茄葉片樣本進行實時處理。結果表明，基于近紅外光譜與LabVIEW技術的近紅外光譜番茄抗病檢測系統(tǒng)能夠較好地完成對番茄葉片樣本的分類。

關鍵詞：番茄灰霉病；抗病性；近紅外光譜；支持向量機；LabVIEW；檢測系統(tǒng)

中圖分類號： TP391；S436.412.1+3 文獻標志碼： A

文章編號：1002-1302（2016）11-0408-03

番茄具有品種多、營養(yǎng)豐富、產量高等特點，受到廣大消費者喜愛，是中國種植面積最大的蔬菜作物之一。目前，灰霉病病毒是番茄常見的疾病，危害十分嚴重[1]。選用抗病毒的番茄品種是比較經濟、有效、安全的病毒防控途徑。由于外界環(huán)境等因素，培養(yǎng)的番茄植株并不都具有抗病特性。為降低農業(yè)生產成本，需要從培養(yǎng)的番茄植株中高效準確地挑選抗病植株，進行培育。人工識別、圖像處理、人工接種等傳統(tǒng)檢測方法有著耗時長、污染環(huán)境、損害樣本和易受環(huán)境影響的缺點[2]，而近紅外光譜分析技術彌補了這些缺點，推進了在農業(yè)領域檢測中的發(fā)展[3]。

本研究利用近紅外光譜分析技術對番茄種類進行定性分析，并在LabVIEW平臺搭建實時檢測系統(tǒng)完成番茄抗病品種的分類，以期為番茄抗病性檢測提供一種快速、簡便、有效的檢測方法。

1 檢測原理及方法

近紅外光譜分析技術是利用近紅外光譜包含的物質信息，用于有機物質定性和定量分析的一種技術。近紅外光譜屬于紅外光譜，該譜區(qū)內的信息主要由若干個不同基頻的倍頻和合頻譜帶組成。近紅外光譜的常規(guī)分析技術有透射光譜（NITS）和漫反射光譜（NIRDRS）兩大類。其中，漫反射光譜是根據反射與入射光強的比例關系獲得物質在近紅外區(qū)的吸收光譜。近紅外光譜分析具有測試簡單、速度快、效率高、過程無污染、適用范圍廣及對樣品無損傷等優(yōu)勢。

光譜定量算法分析過程大致包括光譜測量數據預處理、波長選擇以提高模型預測精度和簡化模型、建立校正模型、評價建模及預測效果[4]。本研究采取支持向量機為基礎的定量分析方法，與傳統(tǒng)的人工神經網絡相比，支持向量機具有結構簡單的特點，并且它能夠較好地解決非線性、小樣本、局部極小點和高維數等實際問題，各項技術性能特別是泛化能力有明顯的提高[5]。但是SVM參數的選擇對其預測能力有非常重要的影響，目前在SVM參數選擇方面，國際上還沒有統(tǒng)一的模式[6]。

通過在LabVIEW中調用DLL，并選擇所需函數進行讀取數據或控制參數，達到計算機與光譜儀的實時連接，在此基礎上對光譜數據進行運算，從而達到對光譜數據的實時處理，實現番茄葉片近紅外光譜實時分類的檢測。

2 番茄抗病檢測系統(tǒng)

本系統(tǒng)的建立是基于近紅外光譜檢測系統(tǒng)，運用支持向量機算法建立近紅外光譜分析模型。通過采集樣本數據并建立支持向量機校正模型，從而運用LabVIEW來建立檢測系統(tǒng)。

2.1 樣品制備與光譜采集

試驗所用樣本是在北京市農林科學院蔬菜研究中心試驗田所取，選用的番茄植株主要分為2類：抗灰霉病和非抗灰霉病番茄植株。在同一期番茄植株中，選擇健壯的新、老葉片，保證采集的葉片完整、無損，并盡可能地使在不同植株上選用的葉片大小相似。

硬件系統(tǒng)包括樣本放置臺、PC機、光源等通過光纖連接在一起。而光譜采集則通過光譜分析儀完成。本次試驗使用的光譜儀型號是AvaSpec-NIR256-1.7，它是AvaSpec-NIR256 型中的一種波長在900～1 750 nm的光譜儀類型。光譜儀與PC機通過USB接口相連。具體鏈路見圖1。

2.2 SVM算法建模

建立校正模型的步驟大致如下：首先，對具有代表性的一定數量樣品進行采集，并運用近紅外光譜儀對其進行光譜信號采集，剔除異常數據后，將這些數據分為校正集和預測集；其次，對光譜數據進行預處理后，運用支持向量機等定性分析方法建立被測樣品的近紅外光譜數據校正模型；再次，將預測集的光譜數據帶入該校正模型中，驗證并評價校正模型；最后是模型的優(yōu)化，輸出最后的校正模型，具體流程見圖2。

2.3 實時采集

本研究中，番茄葉片的光譜數據采集是通過光譜儀來完成的，通過編寫的LabVIEW調用程序，以動態(tài)鏈接庫的形式采集從USB接口得到的數據[7]（圖3）。所編寫的程序中，調用AVS_Init程序模塊進行所連接光譜儀的初始化，之后再運行AVS_Measure模塊來啟動光譜儀，進行番茄葉片光譜的采集，同時AVS_GetLambda模塊將可用像素的頻率值顯示出來，從而完成實時采集圖像的繪制，最后便是通過AVS_StopMeasure、AVS_Deactivate、AVS_Done這些模塊來完成光譜儀最后的停止、關閉等工作。本試驗所選用光譜儀的生產廠家提供了光譜儀與計算機底層通信的DLL，使計算機能夠通過此DLL讀取光譜儀的數據并對光譜儀進行控制。

通過在LabVIEW中調用DLL，并選擇所需函數進行讀取數據或控制參數，達到計算機與光譜儀的實時連接，在此基礎上對光譜數據進行運算，從而達到對光譜數據的實時處理，實現番茄葉片近紅外光譜的實時分類。

2.4 前面板界面設計

DLL使得LabVIEW平臺能夠與光譜儀設備實時連接，并根據LabVIEW優(yōu)化特性對系統(tǒng)進行了四大模塊的構思設計，主要包括波形顯示、參數顯示、結果顯示、分類顯示等4方面，形成了如圖4的系統(tǒng)界面。通過參數顯示、結果顯示兩大模塊記錄光譜儀的運行參數，通過波形顯示來實時記錄當前樣本放置臺上番茄葉片的近紅外光譜圖形，分類結果則顯示了該分類系統(tǒng)完成番茄樣本分類的最終結果。

3 試驗過程與結果分析

3.1 試驗過程

3.1.1 SVM建模與最佳參數選擇 2015年2月在北京市農林科學院試驗基地對佳紅8號番茄葉片進行近紅外光譜測量。本試驗共采集到123個樣本數據，其中抗灰霉病番茄和非抗灰霉病番茄的比例約為1 ∶1。這2類品種番茄波形圖對比見圖5。由圖5可以看出，2種類型的番茄光譜圖是不可線性區(qū)分的。

對于異常的樣品采用F統(tǒng)計顯著性校驗的方法來進行判別。F統(tǒng)計量的計算公式為[8]：

由表2可看出，徑向基核函數所對應77個樣本數據的預測正確率83.12%為最高。所以在本試驗中，徑向基核函數被選為建立SVM模型的核函數。

3.1.2 檢測系統(tǒng)分類結果 分別采取個數為20、40、60、80、…等9組不同數量梯度的番茄葉片樣本，每組抗病番茄葉片與普通番茄葉片樣本的比例為1 ∶1，進行結果預測，并將預測結果與模型預測值進行比較，分別計算其預測相對誤差和平均預測相對誤差（表3）。

預測相對誤差=預測值-模型參考值模型參考值×100%。

由表3可以看出，隨著樣本個數的增多，預測值逐漸變大，并且趨近于模型參考值。當樣本個數在100個以上時，相對誤差逐漸減小，模型預測效果越來越趨于穩(wěn)定。

3.2 結果與分析

實現SVM算法對番茄葉片的樣本數據進行有效的分類，對光譜數據進行預處理，采用預測濃度殘差的方法剔除異常樣品，根據含量梯度法完成訓練集和測試集的分類。將訓練集樣本作為輸入部分，建立SVM模型。根據不同核函數，預測集樣本的預測正確率選取最優(yōu)核函數：徑向基核函數。通過比較不同參數，選取最佳懲罰參數和核函數參數，最后得到最優(yōu)的SVM模型。最后得出所測結果與模型參考值之間差異不顯著，可見該方法的重復性良好，認為對番茄灰霉病抗病性的檢測是比較成功的。

4 結論

設計了一套基于近紅外光譜和LabVIEW技術的番茄抗病檢測系統(tǒng)，通過LabVIEW檢測系統(tǒng)并利用DLL的方法實現光譜儀與PC機之間的實時采集工作。對通過光譜儀采集到的數據進行處理分析，完成番茄品種的實時分類，實時完成了抗病性番茄和普通番茄的分類。

綜上可得，基于近紅外光譜的番茄抗病檢測系統(tǒng)能夠完成番茄品種的實時分類，并且對采用支持向量機算法的系統(tǒng)分類準確率接近83%。

參考文獻：

[1]紀軍建，張小風，王文橋，等. 番茄灰霉病防治研究進展[J]. 中國農學通報，2012，28（31）：109-113.

[2]宋學貞，楊國正. 棉花抗黃萎病育種研究進展[J]. 中國農學通報，2013，29（21）：16-22.

[3]孫 通，徐惠榮，應義斌. 近紅外光譜分析技術在農產品/食品品質在線無損檢測中的應用研究進展[J]. 光譜學與光譜分析，2009（1）：122-126.

[4]蒙杰丹. 近紅外光譜法快速無損分析測定中藥活性成分的研究[D]. 重慶：西南大學，2012.

[5]Niazi A，Jameh-Bozxorghis S，Nori-Shargh D. Prediction of toxicity of nitrobenzenes using ab initio and least squares support vector machines.[J]. Journal of Hazardous Materials，2008，151（2）：603-609.

[6]王 梅. 一種改進的核函數參數選擇方法[D]. 西安：西安科技大學，2011.

[7]廟立交，楊新華，王 巍. 基于LabVIEW的動態(tài)鏈接庫的設計與調用[J]. 工業(yè)儀表與自動化裝置，2010 （4）：71-73.

[8]祝詩平，王一鳴. 近紅外光譜建模異常樣品剔除準則與方法[J]. 農業(yè)機械學報，2004，35（4）：115-119.

[9]王炳建. 近紅外油頁巖含油率快速檢測方法的研究[D]. 長春：吉林大學，2014.