基于葉綠素?zé)晒獬上竦臏厥尹S瓜植株病害分類(lèi)與病情監(jiān)測(cè)

王迎旭,孫曄,李玉花,孫國(guó)祥,汪小旵

(南京農(nóng)業(yè)大學(xué)工學(xué)院/江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實(shí)驗(yàn)室,江蘇 南京 210031)

近20年來(lái),黃瓜褐斑病(cucumber brown spot disease)與炭疽病(cucumber anthracnose)廣泛發(fā)生于世界各國(guó),主要危害黃瓜葉片,病斑類(lèi)型復(fù)雜,已成為黃瓜生產(chǎn)中重要的病害[1]。這2種患病黃瓜植株由于其病斑類(lèi)似,往往在種植過(guò)程中難以直接區(qū)分。若對(duì)植株所患病情區(qū)分錯(cuò)誤,不能對(duì)癥下藥,則會(huì)嚴(yán)重危害正常的農(nóng)業(yè)生產(chǎn)[2]。同時(shí),在植株發(fā)病早期,人們往往用肉眼難以觀察及預(yù)測(cè)其病害情況。因此,黃瓜病害的早期識(shí)別以及病害種類(lèi)的區(qū)分對(duì)保證溫室黃瓜產(chǎn)量和質(zhì)量非常重要。

傳統(tǒng)農(nóng)作物生長(zhǎng)狀況、病蟲(chóng)害的監(jiān)測(cè)主要依靠農(nóng)業(yè)生產(chǎn)者的經(jīng)驗(yàn)判斷,需要通過(guò)人眼觀察來(lái)推測(cè)植物生理狀況。這種方法工作量大、效率低,準(zhǔn)確率不能保障,不能滿足日益增長(zhǎng)的農(nóng)業(yè)生產(chǎn)。目前,溫室作物監(jiān)測(cè)系統(tǒng)主要集中于對(duì)環(huán)境物理參數(shù)信息的監(jiān)測(cè)[3-4],而植物生理狀態(tài)監(jiān)測(cè)系統(tǒng)的研究相對(duì)較弱。目前,植物生理狀態(tài)及病害的檢測(cè)方法包括:機(jī)器視覺(jué)與深度學(xué)習(xí)[5-7]、近紅外光譜[8]、多光譜[9]、高光譜圖像[10-12]、偏振高光譜[13]等。其中,馬浚誠(chéng)等[7]采用對(duì)植株不同種類(lèi)病害的RGB圖像進(jìn)行深度學(xué)習(xí)CNN(卷積神經(jīng)網(wǎng)絡(luò))算法的分類(lèi),達(dá)到滿意的效果。深度學(xué)習(xí)算法復(fù)雜度較高,對(duì)硬件的要求也非常高,致使時(shí)間及硬件成本需求較大。葉綠素?zé)晒饧夹g(shù)是通過(guò)對(duì)光合作用的分析,提取特征參數(shù),大大簡(jiǎn)化特征提取的過(guò)程,從而降低成本。盡管研究人員已經(jīng)證明上述方法在對(duì)植物的病害檢測(cè)中具有一定潛力,但與它們相比,葉綠素?zé)晒饧夹g(shù)具有植物無(wú)損“探針”之稱(chēng),主要通過(guò)監(jiān)測(cè)植物光合作用時(shí)葉綠素電子由激發(fā)態(tài)轉(zhuǎn)為基態(tài)時(shí)所產(chǎn)生的熒光強(qiáng)度,來(lái)判斷植物的光合作用強(qiáng)度,進(jìn)而判斷植物的健康情況以及內(nèi)部結(jié)構(gòu)的變化[14-15]。當(dāng)植物葉片受到病害威脅時(shí),葉綠素含量及其光合能力會(huì)發(fā)生改變,葉綠素?zé)晒鈴?qiáng)度也會(huì)隨之改變,且葉綠素?zé)晒庑盘?hào)完全來(lái)自于觀測(cè)植物,沒(méi)有背景噪聲,提高了檢測(cè)精度。同時(shí),相較其他方法使用傳感器對(duì)葉片進(jìn)行參數(shù)測(cè)量易對(duì)葉片造成損傷,對(duì)后續(xù)結(jié)果造成不良影響,葉綠素?zé)晒獗O(jiān)測(cè)技術(shù)作為一種無(wú)損檢測(cè)的方法,可通過(guò)熒光的變化表現(xiàn)出光合作用的變化及能量的變化[16-17],不會(huì)對(duì)植物產(chǎn)生任何損傷[18]。

葉綠素?zé)晒鈾z測(cè)技術(shù)已被應(yīng)用于由病毒、細(xì)菌和真菌感染引起的生理狀態(tài)變化的檢測(cè)。在病害脅迫下植物葉片的Fv/Fm值相較于健康葉片呈下降趨勢(shì),病原菌的入侵破壞了葉綠素合成和降解的動(dòng)態(tài)平衡,葉綠素合成受阻,染病葉片葉綠體PSⅡ活性受到抑制[19-21]。Lei等[22]通過(guò)葉綠素?zé)晒獬上?、穩(wěn)態(tài)熒光和非光化學(xué)猝滅(NPQ)分析探討病毒感染對(duì)煙草葉片光合作用的影響,結(jié)果表明該技術(shù)可以作為研究植物病毒感染機(jī)制的方法。Tung等[23]利用葉綠素?zé)晒獬上窦夹g(shù)檢測(cè)煙草葉片的炭疽病,以Fv/Fm圖像分析煙草不同染病程度,結(jié)果表明葉綠素?zé)晒獬上窦夹g(shù)可實(shí)現(xiàn)病害區(qū)分及染病程度檢測(cè)。Cen等[24]應(yīng)用葉綠素?zé)晒獬上窦夹g(shù)診斷柑橘黃龍病,建立了柑橘葉片黃龍病診斷模型(健康、染病、缺素),模型診斷精度最高可達(dá)97%。隋媛媛等[25]采用葉片上小區(qū)域的葉綠素?zé)晒夤庾V對(duì)黃瓜進(jìn)行病害檢測(cè)和區(qū)分,結(jié)果表明小區(qū)域的熒光光譜分析對(duì)病害的預(yù)測(cè)有一定效果。以上研究說(shuō)明葉綠素?zé)晒饧夹g(shù)可用于檢測(cè)植物的染病情況。但目前對(duì)黃瓜相似病害的區(qū)分研究較少,且對(duì)植株葉綠素?zé)晒獾奶崛≈饕性谌~片小面積區(qū)域,不能充分反映整株植物的狀態(tài)和健康情況。因此,本文旨在設(shè)計(jì)一種可監(jiān)測(cè)全植株染病狀態(tài)的葉綠素?zé)晒獬上裣到y(tǒng),分析早期黃瓜褐斑病和炭疽病的發(fā)展?fàn)顟B(tài),并對(duì)2種病癥進(jìn)行區(qū)分,為黃瓜褐斑病和炭疽病的識(shí)別與早期診斷提供新的方法。

1 材料與方法

1.1 試驗(yàn)材料

選擇水果黃瓜‘83-16’(山東省壽光市宏偉種業(yè)有限公司)為試驗(yàn)材料,試驗(yàn)于2018年11月在南京農(nóng)業(yè)大學(xué)工學(xué)院進(jìn)行。將種子在溫水中浸泡約8 h后,轉(zhuǎn)移到用濕紗布包裹的塑料袋中,并放入28 ℃的培養(yǎng)箱。2 d后,約70%的種子開(kāi)始發(fā)芽(徑向根長(zhǎng)0.3～0.4 mm)。將發(fā)芽的種子移植到1個(gè)7×10孔的塑料育苗盤(pán)(30 cm×40 cm)中,用消毒后的土壤在28 ℃的培養(yǎng)箱中進(jìn)行培養(yǎng)。當(dāng)幼苗長(zhǎng)出3片真葉后,選擇長(zhǎng)勢(shì)大致相同的植株移栽至15 cm直徑花盆中。3 d后,選取長(zhǎng)勢(shì)大致相同的100株黃瓜作為試驗(yàn)樣本,其中40株接種褐斑病病菌,40株接種炭疽病病菌,另外20株作為對(duì)照組?；ㄅ璺謩e置于不同人工氣候箱中進(jìn)行隔離培養(yǎng),晝/夜培養(yǎng)時(shí)間為18 h/16 h,平均溫度為28 ℃/18 ℃,相對(duì)濕度85%。其中接種病菌的樣本在接種前采集1次熒光圖像,在接種后,每24 h采集病害組和對(duì)照組黃瓜植株的熒光圖像及葉片葉綠素和氮含量,連續(xù)采集4次。一共獲取5次熒光圖像,得到每株黃瓜不同染病程度下葉綠素?zé)晒鈭D像。本試驗(yàn)對(duì)黃瓜植株的對(duì)照樣本共監(jiān)測(cè)5 d,每天的樣本量為20;對(duì)最終產(chǎn)生病害的黃瓜樣本除第0天未接種病菌外共監(jiān)測(cè)4 d。從每種病害組中最終染病的樣本中各選30個(gè)染病成功樣本,提取其熒光數(shù)據(jù)。數(shù)據(jù)中有100組正常生長(zhǎng)的黃瓜植株葉綠素?zé)晒鈹?shù)據(jù),褐斑病病害樣本和炭疽病病害樣本各120組。

1.2 葉綠素?zé)晒獬上裣到y(tǒng)構(gòu)成及數(shù)據(jù)采集

為了便于對(duì)溫室黃瓜植株進(jìn)行葉綠素?zé)晒鈪?shù)測(cè)量,本試驗(yàn)設(shè)計(jì)開(kāi)發(fā)了葉綠素?zé)晒獬上裣到y(tǒng)(圖1)。系統(tǒng)由高性能CCD相機(jī)(Lumenera Infinity3-1URC,加拿大)、中心波長(zhǎng)為460 nm的LED光源(BL100×100)、可編程直流電源(eTM-L305SP)和計(jì)算機(jī)(KH770 i7-4500 u)組成。8盞LED燈,從4個(gè)方向照明,每塊LED板尺寸為100 mm×100 mm,額定電壓25 V。相機(jī)分辨率為1 280×720,支持30幀·s-1的視頻錄制,配有515 nm長(zhǎng)通濾光片(NF515-02),可以濾除激發(fā)光,收集葉綠素激發(fā)的熒光。試驗(yàn)中采用55 mm偏振片(MC-CPL-55mm)濾除光束中的直射光。

本系統(tǒng)中,通過(guò)改變電壓的大小得到試驗(yàn)所需的3種激發(fā)光:測(cè)量光、光化光和飽和光。經(jīng)過(guò)調(diào)節(jié)電源電壓,并使用光強(qiáng)傳感器(ZZ-S-LM-A)的檢測(cè)和轉(zhuǎn)換得出:當(dāng)電壓為20.0 V時(shí),LED光源的光照強(qiáng)度滿足測(cè)量光強(qiáng)度;當(dāng)電壓為23.2 V時(shí),光照強(qiáng)度滿足光化光強(qiáng)度;當(dāng)電壓為25.0 V時(shí),光照強(qiáng)度滿足飽和光強(qiáng)度。為了獲得葉綠素?zé)晒鈪?shù),植物必須先在黑暗環(huán)境中放置一段時(shí)間,進(jìn)行暗適應(yīng)。暗適應(yīng)后,通過(guò)運(yùn)行程序可獲得原始熒光數(shù)據(jù)F0(暗適應(yīng)狀態(tài)下的最小熒光)和Fm(暗適應(yīng)狀態(tài)下的最大熒光量),在光化光下獲得F(穩(wěn)態(tài)熒光水平)。此時(shí),PSⅡ反應(yīng)中心部分打開(kāi);經(jīng)過(guò)一段時(shí)間的光化,給出短時(shí)間飽和脈沖光,PSⅡ反應(yīng)中心將處于完全封閉狀態(tài),原本用于光合作用的能量將轉(zhuǎn)化為葉綠素?zé)晒夂蜔崃?因此葉綠素?zé)晒釬′m為測(cè)量光適應(yīng)狀態(tài)下的最大熒光。這個(gè)過(guò)程循環(huán)5次,直到植株達(dá)到穩(wěn)定的生理狀態(tài)。最終得到此時(shí)的平均F和F′m。采用下列公式計(jì)算出Fv/Fm(光系統(tǒng)Ⅱ最大光合量子效率)、ΦPSⅡ(光系統(tǒng)Ⅱ?qū)嶋H量子效率)、NPQ(非光化學(xué)淬滅)、qN(非光化學(xué)淬滅系數(shù))和qP(光化學(xué)淬滅)的參數(shù)。利用熒光系統(tǒng)對(duì)每個(gè)黃瓜樣品進(jìn)行處理,通過(guò)相機(jī)拍攝得到所需熒光數(shù)據(jù)共12幅(F0、Fm、F×5和F′m×5),再進(jìn)一步對(duì)圖像進(jìn)行處理,得到葉綠素?zé)晒鈹?shù)據(jù)。

Fv/Fm=(Fm-F0)/Fm

(1)

ΦPSⅡ=(F′m-F)/F′m

(2)

NPQ=Fm/F′m-1

(3)

qN=(Fm-F′m)/(Fm-F′0)

(4)

qP=(F′m-F)/(F′m-F′0)

(5)

1.3 葉片營(yíng)養(yǎng)參數(shù)測(cè)定

為了進(jìn)一步研究樣品的葉綠素?zé)晒鈪?shù)與營(yíng)養(yǎng)參數(shù)和葉綠素含量的關(guān)系,在每次葉綠素?zé)晒鈹?shù)據(jù)提取試驗(yàn)結(jié)束后,采用便攜式葉綠素儀(SPAD-502,日本)和便攜式植物營(yíng)養(yǎng)儀(TYS-4N,中國(guó))測(cè)定樣品的葉片葉綠素含量和氮含量。分別選取葉片上的3個(gè)點(diǎn)進(jìn)行測(cè)量,獲得葉綠素含量和氮含量的3個(gè)讀數(shù),并取平均值,同時(shí)準(zhǔn)確記錄檢測(cè)區(qū)域,以便后續(xù)提取對(duì)應(yīng)區(qū)域的熒光參數(shù)。

1.4 數(shù)據(jù)處理

1.4.1 病斑區(qū)域的分割病斑區(qū)域的分割是為了下一步更有效地提取病斑區(qū)域的特征。通過(guò)對(duì)圖像的粗分割、精分割、病斑分割及病斑區(qū)域膨脹的方法獲得病斑區(qū)域。由于本試驗(yàn)的試驗(yàn)環(huán)境封閉,背景噪聲較為單一,因此首先采用RGB閾值分割的方法大致分割出植株區(qū)域,完成第1步粗分割。然后采用中值濾波對(duì)點(diǎn)噪聲進(jìn)行清除,完成對(duì)圖像的精分割,得到已去除背景的黃瓜植株的熒光RGB圖像。再使用RGB閾值分割方法,分割出圖像病斑區(qū)域的模板,最終對(duì)病斑區(qū)域的模板進(jìn)行熒光圖像的膨脹,得到試驗(yàn)所需的病斑區(qū)域及周?chē)信d趣區(qū)域。由于有的病斑區(qū)域較小,極易與噪聲混淆,從而對(duì)后續(xù)試驗(yàn)造成干擾,試驗(yàn)沒(méi)有使用RGB閾值分割方法直接分割出病斑區(qū)域,而是在過(guò)程中加入中值濾波去除噪聲;并且,在中間加入精分割的步驟可以有效避免病斑區(qū)域與噪聲的混淆。

1.4.2 參數(shù)提取本試驗(yàn)采用Lab空間中的L(亮度)分量來(lái)表示圖像中的熒光強(qiáng)度信息,將黃瓜植株病斑區(qū)域的熒光RGB圖像轉(zhuǎn)化到Lab色彩空間進(jìn)行表示,再通過(guò)提取Lab色彩空間中的L分量,得到每個(gè)像素點(diǎn)的亮度值。將這些像素點(diǎn)上的亮度值累加后再除以總體的像素點(diǎn)數(shù)量即可得到每幅熒光圖像中熒光強(qiáng)度的平均值。通過(guò)相機(jī)采集,每株植物都獲得了12幅熒光圖像,將圖像進(jìn)行上述處理即可得到熒光參數(shù)F0、Fm、F和F′m的數(shù)值。

1.4.3 參數(shù)分析在本試驗(yàn)中,以褐斑病處理作為可控因素,即對(duì)照組和病害組,葉綠素含量和氮含量作為觀測(cè)變量,進(jìn)行單因素方差分析。通過(guò)比較分析各種分類(lèi)算法,如:K-means、支持向量機(jī)(SVM)、極端梯度提升(XGBoost)、邏輯回歸(LR)等,最終選擇2種在分類(lèi)中表現(xiàn)較好的常用算法:SVM和XGBoost。

SVM算法是一種監(jiān)督學(xué)習(xí)算法,廣泛應(yīng)用于統(tǒng)計(jì)分類(lèi)以及回歸分析中,本試驗(yàn)選用線性核(linear kernel)作為SVM的核函數(shù)[26]。XGBoost算法也是一種監(jiān)督學(xué)習(xí)算法,是將多個(gè)弱分類(lèi)器集成在一起,形成一個(gè)強(qiáng)分類(lèi)器的算法,并通過(guò)計(jì)算分類(lèi)器的殘差確定每個(gè)分類(lèi)器的權(quán)重,同時(shí)加入正則項(xiàng)防止數(shù)據(jù)過(guò)擬合,在計(jì)算殘差時(shí)對(duì)代價(jià)函數(shù)進(jìn)行二階泰勒展開(kāi),得到的結(jié)果更加精確[27-28]。

單因素方差分析由IBM SPSS Statistics 19(IBM corporation,USA)完成,SVM算法由Matlab 2017(The MathWorks,Inc.,Natick,MA,USA)完成,XGBoost算法由PyCharm(JetBrains,The Czech Republic)集成開(kāi)發(fā)環(huán)境完成。

2 結(jié)果與分析

2.1 葉綠素?zé)晒鈪?shù)的提取

將采集到的熒光圖像(圖3-a)經(jīng)過(guò)RGB閾值分割(R通道閾值約為20/255,G通道閾值約為160/255)得到粗分割后的圖像(圖3-b),圖像粗分割后雖然大部分背景噪聲被濾除,但仍存在一些點(diǎn)噪聲,會(huì)影響后續(xù)處理。而中值濾波方法對(duì)于去除點(diǎn)噪聲的效果卓越,因此采用中值濾波(參數(shù)為5×5)對(duì)粗分割后的圖像進(jìn)一步處理得到精分割圖像(圖3-c)。此步驟后,背景噪聲基本被濾除,再次采用RGB閾值分割(G通道閾值約為170/255,B通道閾值約為110/255)得到病斑區(qū)域圖像(圖3-d),最終通過(guò)圖像膨脹得到感興趣的病害區(qū)域(圖3-e)。使用Matlab繪圖區(qū)打開(kāi)圖像,通過(guò)滑動(dòng)數(shù)據(jù)游標(biāo)觀察得到具體閾值。由于各個(gè)植株拍攝環(huán)境及病害特征類(lèi)似,所以該分割適用于本試驗(yàn)所有樣本。該分割方法是各種圖像分割方法中速度最快、計(jì)算最簡(jiǎn)單的方法,能滿足本試驗(yàn)的要求。后續(xù)則對(duì)該區(qū)域進(jìn)行熒光參數(shù)特征提取。其中,健康植株進(jìn)行到第4步提取病斑時(shí)出現(xiàn)全黑圖像,沒(méi)有病斑點(diǎn)。因此,使用精分割后的圖像進(jìn)行后續(xù)處理。由于少數(shù)早期病害的植株,其病斑區(qū)域小,病斑顏色變化不明顯,在提取病斑時(shí)表現(xiàn)和健康植株一樣,此時(shí)則與健康植株一樣處理,采用精分割后的圖像進(jìn)行后續(xù)操作。由于精分割后的圖像是整株植物的圖像,早期病害植株整體葉綠素?zé)晒廨^健康植株仍有差異,所以這樣操作對(duì)后續(xù)試驗(yàn)結(jié)果影響較小。

2.2 葉片營(yíng)養(yǎng)參數(shù)及熒光參數(shù)的變化

2.2.1 葉片葉綠素和氮含量變化從表1可見(jiàn):病害組植株葉綠素含量及氮含量呈逐漸下降趨勢(shì),對(duì)照組植株的葉綠素含量和氮含量基本保持穩(wěn)定。同時(shí),病害組的氮含量及葉綠素含量的標(biāo)準(zhǔn)差比對(duì)照組大,說(shuō)明不同植株受病害影響的程度也有一定差異。病害組在接種后第2天,其葉綠素含量和氮含量與對(duì)照組相比存在明顯變化,而對(duì)照組在監(jiān)測(cè)期間基本無(wú)顯著性差異。

餐廳老板推廣餐廳，是真的用心！在媒體上引流推廣，也是真的花錢(qián)！可，這樣的員工隊(duì)伍和待客狀態(tài)，餐廳推廣力度越大死得越快！——除了產(chǎn)品、服務(wù)之外，員工的狀態(tài)和團(tuán)隊(duì)氛圍，也是【顧客體驗(yàn)】。

表1 黃瓜植株的生長(zhǎng)參數(shù)變化Table 1 Changes of growth parameters of cucumber plants

接種病菌前,2組病害組黃瓜植株的氮含量與葉綠素含量差異不大。而接種病菌后,褐斑病組葉片的氮含量與葉綠素含量下降相對(duì)較快,而炭疽病組的氮含量與葉綠素含量下降相對(duì)較慢。因此,褐斑病與炭疽病對(duì)植株?duì)I養(yǎng)參數(shù)產(chǎn)生不同影響,也為后續(xù)區(qū)分2種病害提供了理論基礎(chǔ)。

2.2.2 染病后黃瓜植株葉綠素?zé)晒鈪?shù)變化從圖5可知:病害組的Fv/Fm參數(shù)整體變化最為明顯,呈逐漸下降趨勢(shì),而對(duì)照組基本保持穩(wěn)定。參數(shù)ΦPSⅡ、NPQ、qN及qP的變化規(guī)律不明顯,病害組的ΦPSⅡ參數(shù)呈略微下降趨勢(shì),NPQ、qN與qP總體均呈上升趨勢(shì);而對(duì)照組的ΦPSⅡ、NPQ、qN與qP基本保持穩(wěn)定狀態(tài)。單個(gè)葉綠素?zé)晒鈪?shù)雖然具有一定規(guī)律,但遠(yuǎn)未達(dá)到對(duì)植株受到病害脅迫情況進(jìn)行預(yù)測(cè)的程度,因此,需要結(jié)合各個(gè)熒光參數(shù)及各個(gè)熒光圖像所提取的數(shù)據(jù)特征,區(qū)分正常植株與患病植株,對(duì)病害情況和種類(lèi)進(jìn)行預(yù)測(cè)。

2.3 黃瓜褐斑病與炭疽病的分類(lèi)

通過(guò)12個(gè)熒光強(qiáng)度(F0、Fm、F×5和F′m×5)和7個(gè)熒光參數(shù)(ΔF、Fv、Fv/Fm、ΦPSⅡ、NPQ、qN和qP)對(duì)黃瓜褐斑病植株、炭疽病植株及對(duì)照植株采用支持向量機(jī)(SVM)和極端梯度提升(XGBoost)算法進(jìn)行分類(lèi),并對(duì)其病害情況進(jìn)行評(píng)估,具體分類(lèi)結(jié)果如表2—表5。

表2 基于SVM算法分類(lèi)的黃瓜植株對(duì)照組分別與褐斑病組和炭疽病組的2組分類(lèi)結(jié)果Table 2 Classification results of cucumber plants in control group and disease group based on SVM algorithm

表5 基于XGBoost算法分類(lèi)的黃瓜植株對(duì)照組與褐斑病組和炭疽病組的3組分類(lèi)結(jié)果Table 5 Classification results of cucumber plants in control group,brown spot group

表2和表4展示的是2種算法對(duì)黃瓜植株對(duì)照組分別與褐斑病病害組和炭疽病病害組的2組分類(lèi)結(jié)果。對(duì)于褐斑病,分類(lèi)算法給出的最高準(zhǔn)確率為94.6%,而炭疽病則最高為89.2%。表明分類(lèi)算法對(duì)2種病害的區(qū)分均有不錯(cuò)的效果。

表4 基于XGBoost算法分類(lèi)的黃瓜植株對(duì)照組分別與褐斑病組和炭疽病組的2組分類(lèi)結(jié)果Table 4 Classification results of cucumber plants in control group and disease group based on XGBoost algorithm

表3和表5展示的是2種算法對(duì)對(duì)照組與褐斑病組及炭疽病組的3組分類(lèi)結(jié)果。對(duì)于3組分類(lèi),分類(lèi)算法達(dá)到的最高準(zhǔn)確率為88.6%,分類(lèi)算法對(duì)于對(duì)照組和炭疽病組的誤分率有明顯提高,而對(duì)于褐斑病,2種分類(lèi)算法的分類(lèi)準(zhǔn)確率都在95%以上。

表3 基于SVM算法分類(lèi)的黃瓜植株對(duì)照組與褐斑病組和炭疽病組的3組分類(lèi)結(jié)果Table 3 Classification results of cucumber plants in control group,brown spot group

結(jié)合4個(gè)表來(lái)看,無(wú)論是2組分類(lèi)還是3組分類(lèi),褐斑病組分類(lèi)準(zhǔn)確率都比炭疽病組更高?？赡艿脑蚴窃囼?yàn)中炭疽病的潛伏期較長(zhǎng),病菌對(duì)植株葉綠體的破壞較慢所致;也與患有褐斑病的黃瓜植株?duì)I養(yǎng)參數(shù)變化明顯吻合。這說(shuō)明褐斑病組對(duì)植株葉綠素的影響相比炭疽病組大。該結(jié)果相較于馬浚誠(chéng)等[7]使用卷積神經(jīng)網(wǎng)絡(luò)的方法對(duì)2種病斑區(qū)別較為顯著的黃瓜植株RGB圖片(霜霉病和白粉病)分類(lèi)的準(zhǔn)確率減少約5%。本試驗(yàn)采用的是病斑RGB圖片類(lèi)似的植株,且采用的葉綠素?zé)晒鈪?shù)代替深度學(xué)習(xí)方法的圖像特征提取過(guò)程,將原先使用深度學(xué)習(xí)算法無(wú)差別分析每個(gè)像素點(diǎn)的方法優(yōu)化為對(duì)熒光參數(shù)進(jìn)行分類(lèi),節(jié)約運(yùn)算成本,對(duì)植株病害分類(lèi)的應(yīng)用很有前景。

2.4 黃瓜炭疽病與褐斑病的早期監(jiān)測(cè)

試驗(yàn)發(fā)現(xiàn),病害組樣本在接種24 h時(shí)葉片無(wú)明顯變化,在接種48 h左右部分葉片出現(xiàn)輕微病斑,72 h后出現(xiàn)明顯病斑,因此,將未發(fā)生明顯變化的樣本定義為病害早期樣本(接種后1、2 d)共60(30×2)個(gè),將發(fā)生明顯病害的樣本定義為病害晚期樣本(接種后3、4 d),晚期樣本也為60(30×2)個(gè)。早期病害樣本與晚期病害樣本如圖5所示。

表6—表9是使用SVM和XGBoost對(duì)病害程度進(jìn)行分類(lèi)的結(jié)果。表6和表8展示的是通過(guò)2種算法對(duì)對(duì)照組分別與褐斑病和炭疽病2種病害在病害早期和病害晚期的分類(lèi)結(jié)果。褐斑病的病害程度分類(lèi)準(zhǔn)確率最高為87.8%,炭疽病的病害程度分類(lèi)準(zhǔn)確率最高為85.1%,XGBoost算法分類(lèi)準(zhǔn)確率較SVM算法更高。相較于表2和表4,在添加了分類(lèi)條件后,分類(lèi)的準(zhǔn)確率雖有下降,但整體降幅不大,XGBoost算法的總體準(zhǔn)確率仍然在85%以上。對(duì)褐斑病早期植株的分類(lèi)準(zhǔn)確率略高于晚期植株的分類(lèi)準(zhǔn)確率。對(duì)炭疽病早期植株的分類(lèi)準(zhǔn)確率略小于晚期植株的分類(lèi)準(zhǔn)確率。病害早期植株較晚期植株更容易被誤分為對(duì)照組植株。

表6 基于SVM算法分類(lèi)的黃瓜植株對(duì)照組、病害早期組與病害晚期組的3組分類(lèi)結(jié)果Table 6 Classification results of three groups of cucumber plants in control group,early stage disease group

表8 基于XGBoost算法分類(lèi)的黃瓜植株對(duì)照組、病害早期組與病害晚期組的3組分類(lèi)結(jié)果Table 8 Classification results of three groups of cucumber plants in control group,early

表9 基于XGBoost算法分類(lèi)的黃瓜植株對(duì)照組、褐斑病病害早期組與病害晚期組及炭疽病病害早期與病害晚期組的5組分類(lèi)結(jié)果

表7與表9是2種算法對(duì)黃瓜植株對(duì)照組、褐斑病早期組與晚期組及炭疽病早期與病害晚期組的 5組分類(lèi)結(jié)果。XGBoost分類(lèi)器取得的分類(lèi)準(zhǔn)確率更高,總體為78.9%。各個(gè)分組的分類(lèi)準(zhǔn)確率相對(duì)其他的分類(lèi)結(jié)果都有明顯下降,最終分類(lèi)成功率接近80%,具有一定研究意義。褐斑病植株早期的分類(lèi)準(zhǔn)確率高于晚期,而炭疽病植株晚期的分類(lèi)準(zhǔn)確率高于早期。

表7 基于SVM算法分類(lèi)的黃瓜植株對(duì)照組、褐斑病早期組與晚期組及炭疽病早期與晚期組的5組分類(lèi)結(jié)果Table 7 Classification results of five groups of cucumber plants in control group,early stage group and late stage group of

通過(guò)表6—表9中褐斑病早、晚期和炭疽病早、晚期準(zhǔn)確率存在差異的試驗(yàn)結(jié)果,推斷出褐斑病早期與晚期的葉綠素變化不明顯,而病害組早期與對(duì)照組的變化相對(duì)明顯,因此病害早期植株的分類(lèi)準(zhǔn)確率略大于病害晚期植株的。炭疽病早期葉綠素變化不明顯,而晚期葉綠素變化較為明顯,與炭疽病相對(duì)褐斑病葉綠素和氮含量變化相對(duì)速度較慢的結(jié)果相對(duì)應(yīng)。炭疽病菌相較于褐斑病菌可能有更長(zhǎng)的潛伏時(shí)間。

綜上,由于褐斑病病害程度預(yù)測(cè)準(zhǔn)確率整體較炭疽病高,推測(cè)褐斑病對(duì)植株葉綠體的影響較炭疽病大。同時(shí),XGBoost算法的分類(lèi)結(jié)果比SVM算法整體較優(yōu),可能的原因是XGBoost算法使用了一階和二階導(dǎo)數(shù)來(lái)優(yōu)化損失函數(shù),使用正則項(xiàng)來(lái)解決過(guò)擬合的問(wèn)題,使分類(lèi)結(jié)果更優(yōu)。但總體來(lái)說(shuō),SVM算法也是一種運(yùn)用較廣、且算法原理較為成熟的方法,可以根據(jù)實(shí)際情況選用。

3 結(jié)論

本文通過(guò)設(shè)計(jì)葉綠素?zé)晒鈭D像采集系統(tǒng)對(duì)整株植物頂端部位的葉綠素?zé)晒鈪?shù)進(jìn)行提取,并分析發(fā)病黃瓜植株生長(zhǎng)參數(shù)(葉綠素含量及氮含量)的變化。通過(guò)對(duì)葉綠素?zé)晒鈪?shù)(Fv/Fm、ΦPSⅡ、NPQ、qN、qP)的分析,發(fā)現(xiàn)Fv/Fm隨病害程度的加深而顯著降低。將提取的熒光強(qiáng)度與熒光動(dòng)力學(xué)參數(shù)結(jié)合,并使用SVM算法及XGBoost算法對(duì)染病黃瓜植株進(jìn)行分類(lèi)和早期監(jiān)測(cè),其中XGBoost算法對(duì)于黃瓜植株病害的分類(lèi)準(zhǔn)確率和病情分類(lèi)準(zhǔn)確率整體較高,為較優(yōu)算法。黃瓜褐斑病相較于炭疽病對(duì)于植株葉綠素的影響更為明顯。該系統(tǒng)實(shí)現(xiàn)了溫室黃瓜褐斑病和炭疽病的準(zhǔn)確識(shí)別,隨著數(shù)據(jù)的進(jìn)一步完善,該系統(tǒng)可在現(xiàn)有基礎(chǔ)上擴(kuò)充病害種類(lèi),進(jìn)一步提升其應(yīng)用價(jià)值。