TLBO-ELM模型的番茄灰霉病高光譜潛育期診斷

張 燕， 吳華瑞， 朱華吉*

1. 國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097 2. 北京農(nóng)業(yè)信息技術(shù)研究中心， 北京 100097 3. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息軟硬件產(chǎn)品質(zhì)量檢測(cè)重點(diǎn)實(shí)驗(yàn)室， 北京 100097

引 言

我國(guó)是番茄的主要生產(chǎn)和消費(fèi)國(guó)家， 番茄種植廣泛。 在農(nóng)業(yè)實(shí)際生產(chǎn)過(guò)程中， 番茄灰霉病感染早期無(wú)病斑顯現(xiàn)， 因此無(wú)法被及時(shí)發(fā)現(xiàn)， 導(dǎo)致灰霉病治理不及時(shí)引起的品質(zhì)下降和產(chǎn)量減少， 嚴(yán)重影響了番茄種植的經(jīng)濟(jì)效益[1-2]。 隨著高光譜成像無(wú)損檢測(cè)技術(shù)的發(fā)展能夠在更加微觀的尺度上對(duì)植物內(nèi)部器官進(jìn)行精細(xì)探測(cè)， 適用于在未顯現(xiàn)病斑的病害潛育期進(jìn)行光譜信息提取。 秦立峰等[3]針對(duì)溫室采集的不同環(huán)境光照下的黃瓜早期霜霉病高光譜圖像有效病害特征難以提取的問(wèn)題， 以黃瓜7類感興趣區(qū)域94個(gè)樣本為研究對(duì)象， 提出采用改進(jìn)的競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法CARS結(jié)合連續(xù)投影算法SPA提取融合病害差異信息， 通過(guò)合并去除重復(fù)波段共提取47個(gè)特征波段， 建立最小二乘-支持向量機(jī)檢測(cè)模型。 對(duì)染病1 d的測(cè)試集檢測(cè)識(shí)別率達(dá)到95.83%， 對(duì)染病2 d到發(fā)病12 d均能取得100%的檢測(cè)識(shí)別率， 其中染病樣本的召回率達(dá)到100%。 康麗等(本刊41卷3期)采集大田自然發(fā)病癥狀較輕的水稻稻瘟病葉片和健康葉片為研究對(duì)象， 通過(guò)構(gòu)建對(duì)比多種早期分級(jí)檢測(cè)模型， 發(fā)現(xiàn)CARS-SVM模型對(duì)染病無(wú)病斑樣本識(shí)別準(zhǔn)確率最高， CARS-PCA-SVM模型在復(fù)雜度、 運(yùn)算速度上優(yōu)于CARS-SVM。 牟多鐸等[4]將空間信息分別加入極限學(xué)習(xí)機(jī)(ELM)和支持向量機(jī)(SVM)對(duì)不同低維類別選取適當(dāng)?shù)母吖庾V訓(xùn)練樣本進(jìn)行分類比較， 發(fā)現(xiàn)在分類時(shí)間及精度方面ELM均優(yōu)于支持向量機(jī)SVM。 蘆兵等[5]為了實(shí)現(xiàn)差異病害的準(zhǔn)確預(yù)測(cè)， 分別建立ELM的特征光譜聯(lián)合灰度共生矩陣及LBP紋理信息的預(yù)測(cè)模型CARS-GLCM-ELM和CARS-LBP-ELM， 優(yōu)化后的模型預(yù)測(cè)分類正確率達(dá)92.73%。 陳芊澍等[6]在裂縫發(fā)育帶預(yù)測(cè)中引入了極限學(xué)習(xí)機(jī)算法， 相較于近似支持向量機(jī)， 極限學(xué)習(xí)機(jī)在保證分類準(zhǔn)確度的同時(shí)訓(xùn)練效率更高。 Sevinc等[7]提出TLBO_ELM分類模型對(duì)二進(jìn)制和多類數(shù)據(jù)進(jìn)行分類， 表明TLBO-ELM在分類上優(yōu)于PSO-SVM算法。

因此， 本工作采用基于教學(xué)優(yōu)化算法的極限學(xué)習(xí)機(jī)模型(teaching-learning-based optimization_extreme learning machine, TLBO_ELM)[6-7]進(jìn)行建模， 針對(duì)番茄灰霉病潛育期病斑ROI區(qū)域進(jìn)行特征波長(zhǎng)提取， 并且提取不同病害程度的光譜信息， 通過(guò)對(duì)比不同光譜預(yù)處理效果， 選擇離散小波變換(discrete wavelet transformation, DWT)[8]預(yù)處理方法， 并結(jié)合競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling, CARS)[9-10]進(jìn)行特征波段提取， 建立番茄灰霉病潛育期檢測(cè)教師學(xué)習(xí)-極限學(xué)習(xí)機(jī)(TLBO_ELM)模型， 實(shí)現(xiàn)番茄灰霉病潛育期高精度檢測(cè)及不同病害程度的高精度分類。

主要研究?jī)?nèi)容包括：

(1) 圍繞番茄葉片灰霉病潛育期檢測(cè)方法， 通過(guò)連續(xù)跟蹤采集建立樣本葉片時(shí)序高光譜數(shù)據(jù)， 實(shí)現(xiàn)番茄葉片表面未見(jiàn)明顯病斑的灰霉病潛育期診斷；

(2) 針對(duì)番茄灰霉病潛育期病斑ROI 區(qū)域特征波長(zhǎng)及不同病害程度的光譜信息提取建立基于離散小波變換結(jié)合競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法的特征提取模型；

(3) 針對(duì)極限學(xué)習(xí)機(jī)精度和泛化能力不穩(wěn)定的問(wèn)題， 采用教學(xué)優(yōu)化算法對(duì)極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱藏層的偏差進(jìn)行訓(xùn)練和優(yōu)化， 從而保證了ELM分類模型較高的精度和較好泛化能力。

1 實(shí)驗(yàn)部分

1.1 樣本材料

實(shí)驗(yàn)于2021年3月—4月在石家莊市農(nóng)林科學(xué)研究院農(nóng)業(yè)信息研究中心實(shí)驗(yàn)室(114°54′E， 38°12′N)進(jìn)行。 采用北方大部分地區(qū)設(shè)施大棚中普遍種植的大果型番茄“天明”(撫順市北方農(nóng)業(yè)科學(xué)研究所育成)為樣本， 取生長(zhǎng)狀態(tài)較為一致的番茄幼苗60盆， 移入人工氣候箱備用， 每盆種植1株番茄苗， 塑料花盆大小10 cm×9 cm， 每天定時(shí)注入50 mL水。

灰霉病菌懸液的制備方法： 將灰霉病菌(購(gòu)自中國(guó)農(nóng)業(yè)科學(xué)院蔬菜花卉研究所)在PDA培養(yǎng)基上劃線活化， 25 ℃恒溫培養(yǎng)7 d后挑取活化的病原菌孢子至150 mL的馬鈴薯葡萄糖液體培養(yǎng)基中， 25 ℃， 120RPM震蕩培養(yǎng)7 d得到菌懸液。

番茄苗于光照培養(yǎng)箱中生長(zhǎng)出第七片葉片時(shí)進(jìn)行接種， 接種部位選取第3～5片葉最尖端小葉， 設(shè)置三種接種方式： 全葉涂抹， 葉片局部點(diǎn)涂， 葉片局部針刺點(diǎn)涂。 接種后的植株放置在光照培養(yǎng)箱中培養(yǎng)， 培養(yǎng)條件為： 濕度85%～90%， 溫度25 ℃/22 ℃， 光照9600LX/0， 12 h/12 h， 1 d后進(jìn)行高光譜圖像采集。

1.2 儀器設(shè)備

選用寧波江南儀器有限公司RXZ-600B型號(hào)人工氣候室， 容積600 L， 控溫范圍0～50 ℃， 控溫精度0.1 ℃左右， 控濕范圍50～95%RH， 控濕精度1%RH左右， 光照強(qiáng)度0～400(30 000)， 6級(jí)可調(diào)， 隔板數(shù)量4塊， 工作時(shí)間可定時(shí)控制或連續(xù)運(yùn)行， 外形尺寸1 313×740×1 500。 共購(gòu)置人工氣候箱3臺(tái)， 每臺(tái)可育苗24株。

高光譜采集設(shè)備選用四川雙利合譜科技有限公司的短波紅外便攜式成像光譜系統(tǒng)GaiaField Pro-N17E lite高光譜成像儀， 相機(jī)集成高性能數(shù)據(jù)采集和分享處理系統(tǒng)， 無(wú)需外接計(jì)算機(jī)， 支持Android智能手機(jī)、 Ipad、 Iphone無(wú)線遙控(Wifi模型)， 選配支持遠(yuǎn)距無(wú)線圖像傳輸于遙控操作(串口)。 掃描方式為內(nèi)置推掃， 光譜范圍960～1 640 nm， 光譜分辨率5 nm， 共320個(gè)光譜通道， 掃描速度為4 s·cube-1， 重量為7.5 kg， 內(nèi)置電池可工作2 h以上。

補(bǔ)光燈設(shè)備： (1) 50 W鹵素?zé)簦?輸入電壓12 V， 功率50 W， 輸出光譜為350～2 500 nm寬光譜， 光源經(jīng)過(guò)勻化處理; (2) 調(diào)節(jié)支架： 固定鹵素?zé)舨⒖烧{(diào)節(jié)鹵素?zé)艚嵌龋?高穩(wěn)定性， 高耐熱支架; (3) 穩(wěn)壓穩(wěn)流電源： 高穩(wěn)電源， 輸出電壓12 V， 為四臺(tái)50 W鹵素?zé)艄╇姡?保證鹵素?zé)糨敵龇€(wěn)定光譜。

1.3 高光譜圖像采集

數(shù)據(jù)采集軟件為四川雙利合譜科技有限公司的SpecView， 為保證采集光譜信息的準(zhǔn)確性， 采用補(bǔ)光燈設(shè)備， 四個(gè)補(bǔ)光燈調(diào)整好位置后， 固定不變。 每次采集前進(jìn)行曝光、 調(diào)焦、 白板采集。 根據(jù)采集的番茄葉片調(diào)整方位， 需要采集的番茄葉需位于全局預(yù)覽界面中的右上框中。 距離鏡頭36～46 cm之間， 42 cm為最佳位置， 進(jìn)行采集， 如圖1。 高光譜數(shù)據(jù)采集從接種后第一天即接種24 h后開(kāi)始進(jìn)行連續(xù)跟蹤采集， 每株跟蹤采集三個(gè)葉片， 共連續(xù)采集8 d。

圖1 樣本數(shù)據(jù)采集

1.4 特征波段提取算法

高光譜分辨率在納米數(shù)量級(jí)， 具有數(shù)據(jù)量大， 相關(guān)性較高的特點(diǎn)， 可分性較好的、 相關(guān)性較低的特征波段的提取， 是提高分類識(shí)別模型精度的重要手段。 采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)(competitive adaptive reweighted sampling, CARS)[9-10]算法對(duì)預(yù)處理后的番茄灰霉病潛育期高光譜建模數(shù)據(jù)進(jìn)行特征波段提取。

1.5 基于TLBO-ELM早期診斷模型

極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)[4-5]是2004年由新加坡南洋理工大學(xué)的黃廣斌教授提出的， 是一種運(yùn)算速度快、 泛化能力好的單隱層前饋神經(jīng)網(wǎng)絡(luò)， 因其具有獨(dú)特的優(yōu)勢(shì)， 被廣泛運(yùn)用于解決各類非線性問(wèn)題。

但極限學(xué)習(xí)機(jī)ELM模型主要參數(shù)輸入權(quán)值ω和隱含層閾值b的設(shè)置是隨機(jī)的， 導(dǎo)致模型精度和泛化能力不穩(wěn)定， 為了解決上述問(wèn)題， 基于教學(xué)優(yōu)化的極限學(xué)習(xí)機(jī)分類模型TLBO_ELM (teaching-learning-based optimization_extreme learning machine)[6-7]被提出。

教學(xué)優(yōu)化算法[6]通過(guò)模擬教師的“教學(xué)”和學(xué)生之間的相互“學(xué)習(xí)”來(lái)提高學(xué)生的水平， 是一種新的群智能優(yōu)化算法， 適合求解參數(shù)較多的優(yōu)化問(wèn)題。 在教與學(xué)算法中， 將學(xué)習(xí)知識(shí)范圍對(duì)應(yīng)于搜索空間， 搜索空間中所有點(diǎn)的集合稱為班級(jí)， 某一點(diǎn)(j=1, 2, …,NP)對(duì)應(yīng)著一個(gè)學(xué)生，NP為學(xué)生數(shù)，D為學(xué)生學(xué)習(xí)科目數(shù)(對(duì)應(yīng)于優(yōu)化問(wèn)題中變量的維數(shù))。 班級(jí)中成績(jī)最好的學(xué)生記作老師， 用Xteacher表示。

將ELM的輸入權(quán)值和隱含層閾值編碼成教與學(xué)算法個(gè)體， 初始化班級(jí)， 以EML算法識(shí)別率達(dá)到最大或穩(wěn)定為目標(biāo)進(jìn)行尋優(yōu)獲得最優(yōu)個(gè)體， 解碼得到最優(yōu)的權(quán)值和最優(yōu)閾值b。

TLBO_ELM通過(guò)教學(xué)優(yōu)化算法對(duì)極限學(xué)習(xí)機(jī)的ω和b進(jìn)行訓(xùn)練和優(yōu)化， 從而得到最優(yōu)的權(quán)值ω和最優(yōu)閾值b， 從而保證了ELM分類模型較高的精度和較好泛化能力。 為了驗(yàn)證構(gòu)建模型的能力， 常用測(cè)試集的準(zhǔn)確率Accuracy、 精確率Precision、 召回率Recall和調(diào)和評(píng)價(jià)值F1作為模型評(píng)價(jià)標(biāo)準(zhǔn)。

番茄灰霉病診斷及分類流程如圖2所示。

圖2 番茄灰霉病診斷及分類流程圖

2 結(jié)果與討論

2.1 發(fā)病樣本選擇

高光譜數(shù)據(jù)處理采用四川雙利合譜科技有限公司的SpecSight、 ENVI5.3(Research Systme Inc., Boulder, Colo., USA)和Matlab2019b(The MathWorks Inc., Natick, USA)軟件開(kāi)發(fā)平臺(tái)。

如圖3為從接種第1天(24 h后)到第8天病斑從無(wú)到有的變化過(guò)程圖像， 圖顯均為波段紅通道640.7 nm， 綠通道549.9 nm和藍(lán)通道469.7 nm。

圖3 接種發(fā)病樣本#1高光譜圖像從1～8 d變化過(guò)程圖

2.2 感興趣區(qū)域選擇

番茄葉片感染灰霉病潛育期， 沒(méi)有肉眼可見(jiàn)病斑導(dǎo)致專家無(wú)法直接確認(rèn)葉片樣本是否感染及感染位置， 但是葉片內(nèi)部已發(fā)生生理反應(yīng)， 葉細(xì)胞組織也已開(kāi)始遭到破壞。 為實(shí)現(xiàn)番茄葉片灰霉病潛育期的檢測(cè)， 采取跟蹤采集所有接種后的樣本葉片時(shí)序高光譜圖像數(shù)據(jù)， 來(lái)確定接種樣本葉片是否被感染及感染位置， 選取發(fā)病葉片樣本為本文實(shí)驗(yàn)樣本， 根據(jù)樣本葉片發(fā)病病斑位置確定葉片樣本潛預(yù)期發(fā)病位置。 根據(jù)圖1接種后發(fā)病樣本#1的病斑變化過(guò)程， 按病斑面積將所有選取的ROI劃分為5個(gè)等級(jí)： 無(wú)感染ROI為0級(jí)、 染病無(wú)病斑ROI為1級(jí)(潛預(yù)期)、 病斑面積<10%ROI為2級(jí)(小病斑)、 病斑面積<25% ROI為3級(jí)(大病斑)、 病斑面積>25% ROI為4級(jí)(嚴(yán)重)。 利用ENVI5.3軟件提取接種后發(fā)病樣本1～8 d的感染區(qū)域ROI， ROI大小為10×10， 病斑較大時(shí)， 選取病斑中間位置。 從第1天到第8天采集27(19個(gè)感染ROI+8個(gè)無(wú)感染ROI)個(gè)樣本的高光譜數(shù)據(jù)。 利用ENVI5.3軟件計(jì)算每個(gè)感興趣區(qū)域ROI矩形框內(nèi)所有相似點(diǎn)的光譜反射率平均值作為實(shí)驗(yàn)高光譜數(shù)據(jù)， 共采集213個(gè)ROI平均光譜數(shù)據(jù)， 無(wú)感染ROI為0級(jí)(55個(gè))、 潛預(yù)期ROI為1級(jí)(43個(gè))、 小病斑ROI為2級(jí)(43個(gè))、 大病斑ROI為3級(jí)(39個(gè))， 病斑后期ROI為4級(jí)(33個(gè))。

圖4為213個(gè)樣本不同發(fā)病等級(jí)番茄葉片高光譜平均反射率曲線， 光譜曲線在500～583 nm接近綠通道波長(zhǎng)550 nm附近出現(xiàn)一個(gè)波峰， 潛育期ROI譜線和健康ROI譜線在557 nm之前幾乎重合， 之后潛育期ROI譜線出現(xiàn)紅移現(xiàn)象， 說(shuō)明葉片組織開(kāi)始受到破壞。

圖4 不同時(shí)期番茄葉片高光譜平均反射率曲線

2.3 光譜數(shù)據(jù)預(yù)處理方法選擇

為了消除或減弱外界環(huán)境及各種因素對(duì)光譜的影響， 采用有效的光譜預(yù)處理方法盡可能去除光譜噪聲并對(duì)光譜進(jìn)行平滑及相關(guān)預(yù)處理， 不僅可以提高診斷模型的準(zhǔn)確率和預(yù)測(cè)能力， 還能提高模型的泛化能力及魯棒性。 目前主流的光譜數(shù)據(jù)預(yù)處理方法包括： 數(shù)據(jù)規(guī)范化處理(NOR)[11]、 Savitzky-Golay卷積平滑(SG)[12]、 標(biāo)準(zhǔn)正態(tài)變換(SNV)[13]、 離散小波變換(DWT)[8]、 多元散射校正(MSC)[14]等， 比較上述各個(gè)處理， 如圖5， 發(fā)現(xiàn)對(duì)高光譜數(shù)據(jù)進(jìn)行小波變換濾波處理后， 在681～840 nm波段間番茄灰霉病五個(gè)等級(jí)被清晰的區(qū)分開(kāi)來(lái)， 其中大病斑4級(jí)和嚴(yán)重后期5級(jí)部分混在一起， 說(shuō)明病害發(fā)展到大病斑后光譜相似度較大。 所以對(duì)每一個(gè)類分別進(jìn)行小波濾波變換DWT濾波。

圖5 不同光譜預(yù)處理后光譜對(duì)比

2.4 DWT-CARS特征波段提取

采用經(jīng)過(guò)離散小波變換DWT處理后610～840 nm波段間樣本數(shù)據(jù)， 基于CARS算法對(duì)訓(xùn)練集進(jìn)行特征波段提取， 設(shè)置蒙特卡洛采樣次數(shù)為50， 為解決CARS算法的隨機(jī)性問(wèn)題， 利用CARS進(jìn)行3次特征提取， 3次CARS提取的特征波段過(guò)程位置如圖4所示， 包括樣本變量個(gè)數(shù)(number of sampled variables, NSV)、 交叉驗(yàn)證均方根誤差(RMSECV)和回歸系數(shù)(regression coefficient,rc)隨蒙特卡洛采樣次數(shù)的變化趨勢(shì)。 在RMSECV最小點(diǎn)取最優(yōu)變量個(gè)數(shù)(圖6中的星號(hào)豎線)， 3次提取過(guò)程最小RMSECV分別為： 0.295 9， 0.294 5和0.297 4， 見(jiàn)表1， 將回歸系數(shù)絕對(duì)值大的波段保留， 即為提取的特征波段。 提取的特征波段如圖7所示， 提取的特征數(shù)量分別為5， 5和7， 見(jiàn)表1。 由圖7和表1可知， 3次選取的特征波段位置相近， 滿足穩(wěn)定性要求。 將3次特征波段合并并去除重復(fù)項(xiàng)， 共得到9個(gè)特征波段： 694， 696， 765， 767， 769， 772， 778， 838和840 nm。

圖6 DWT-CARS算法3次提取的特征波段

圖7 DWT-CARS算法3次提取的特征波段

表1 DWT-CARS算法3次提取的特征波段

2.5 TLBO-ELM診斷模型建模與分類

在5個(gè)類213個(gè)樣本中， 每個(gè)類選擇14個(gè)樣本， 5個(gè)類共70個(gè)樣本建立測(cè)試集， 剩余樣本建立訓(xùn)練集， 采用小波濾波變換DWT對(duì)樣本數(shù)據(jù)中每一類分別濾波。 DWT濾波后， 分別選取全波段FC、 610～840 nm波段、 DWT-CARS提取的特征波長(zhǎng)(694， 696， 765， 767， 769， 772， 778， 838和840 nm)建立3個(gè)對(duì)比分類模型DWT-FC-TLBO-ELM， DWT-TLBO-ELM和DWT-CARS-TLBO-ELM進(jìn)行對(duì)比。 用教學(xué)優(yōu)化算法選擇模型的最優(yōu)權(quán)值ω和最優(yōu)閾值b， 由于3個(gè)模型采用的波段不同， 因此TLBO選擇的參數(shù)不同， 如表2所示， 表2中給出了3個(gè)不同模型的最優(yōu)權(quán)值ω和隱藏層最優(yōu)閾值b及對(duì)應(yīng)的測(cè)試集準(zhǔn)確率、 精確率、 召回率和F1值。 由表2可知， DWT-FC-TLBO-ELM與DWT-TLBO-ELM模型在病害等級(jí)識(shí)別能力幾乎相同， 只有精確率略有不同。 而基于DWT-CARS提取的9個(gè)特征波段的識(shí)別率、 精確率、 召回率和F1值都達(dá)到最高100%。 比前兩個(gè)分類模型高4.29個(gè)百分點(diǎn)。

表2 不同模型參數(shù)選擇及相應(yīng)測(cè)試集準(zhǔn)確率、 精確率、 召回率和F1值

圖8為三個(gè)模型的混淆矩陣， 由圖8可知， DWT-FC-TLBO-ELM中， 大病斑類和嚴(yán)重類混淆， 其中三個(gè)嚴(yán)重類測(cè)試樣本被識(shí)別為大病斑， 這是由于大病斑類和嚴(yán)重類部分樣本較為接近； DWT-TLBO-ELM模型健康類和潛育期類存在混淆， 其中有3個(gè)潛育期類樣本被誤識(shí)別為健康類， 也是由于兩個(gè)類部分樣本較為類似； DWT-CARS-TLBO-ELM模型沒(méi)有出現(xiàn)誤識(shí)別， 表現(xiàn)優(yōu)越。 且DWT-CARS-TLBO-ELM模型潛預(yù)期召回率為100%， 表明提出模型不僅能較好的區(qū)分健康類和潛預(yù)期類， 也能較好的區(qū)分5個(gè)不同的病害級(jí)別。

圖8 三個(gè)模型測(cè)試集混淆矩陣

利用高光譜成像技術(shù)對(duì)設(shè)施番茄灰霉病進(jìn)行早期檢測(cè)， 提出基于DWT-CARS特征提取方法， 先對(duì)每一類訓(xùn)練數(shù)據(jù)進(jìn)行小波變換， 通過(guò)CARS算法執(zhí)行3次提取特征波長(zhǎng)， 對(duì)3次提取的特征波長(zhǎng)進(jìn)行合并去除重復(fù)項(xiàng)， 最終提出9個(gè)特征波段： 694， 696， 765， 767， 769， 772， 778， 838和840 nm， 通過(guò)教學(xué)優(yōu)化算法和極限學(xué)習(xí)機(jī)建立DWT-CARS-TLBO-ELM番茄灰霉病識(shí)別模型對(duì)5類染病階段的病害葉片ROI區(qū)域進(jìn)行檢測(cè)， 實(shí)驗(yàn)結(jié)果表明， 提出的番茄灰霉病特征波段提取方法有效， 對(duì)5個(gè)階段的檢測(cè)率、 精準(zhǔn)率、 召回率、 F1值均達(dá)到100%。

3 結(jié) 論

根據(jù)病斑大小選取進(jìn)行數(shù)據(jù)建模利用高光譜成像系統(tǒng)獲取5類感興趣區(qū)域在近紅外高光譜波段388～1 006 nm進(jìn)行數(shù)據(jù)建模， 采用小波濾波變換DWT對(duì)樣本數(shù)據(jù)中每一類分別濾波。 DWT濾波后， 分別選取全波段FC、 610～840 nm波段、 CARS-PLS提取的9個(gè)特征波段建立3個(gè)分類模型DWT-FC-TLBO-ELM， DWT-TLBO-ELM和DWT-CARS-TLBO-ELM進(jìn)行對(duì)比， 分別對(duì)3個(gè)模型采用教學(xué)優(yōu)化算法(TLBO)進(jìn)行最優(yōu)參數(shù)選取， 其中DWT-CARS-TLBO-ELM檢測(cè)精確度最高達(dá)100%， 潛育期召回率100%， 表明提出模型可以實(shí)現(xiàn)番茄灰霉病潛育期無(wú)病斑葉片早期識(shí)別診斷， 為番茄灰霉病早期防治、 精準(zhǔn)施藥提供理論依據(jù)。

下一步工作展望： 進(jìn)一步擴(kuò)大樣本量， 采集不同生長(zhǎng)階段和不同品種番茄以及不同番茄病害的樣本數(shù)據(jù)， 驗(yàn)證并改進(jìn)番茄病害識(shí)別算法。