茄科作物常見病害早期檢測技術(shù)的研究進展

沈夢姣 侯海敏 趙宏 張楷文 張艷

摘要：以番茄、馬鈴薯、煙草為主的茄科作物在全球經(jīng)濟作物中占據(jù)重要地位。然而，茄科作物在生長過程中易受早疫病、晚疫病等多種病害侵染，病害的發(fā)病率高且危害范圍廣，嚴重制約了其生產(chǎn)發(fā)展的穩(wěn)定性。利用實時、快速、無損的檢測技術(shù)在茄科作物病害顯癥之前進行早期診斷，可以顯著降低產(chǎn)量損失、提高質(zhì)量，對科學指導生產(chǎn)具有重要意義。本文首先對茄科作物的常見病害的類型、病原菌、主要危害作物及發(fā)病癥狀進行概述，給出對應的病害典型圖片；再簡單介紹作物病害的傳統(tǒng)檢測技術(shù)，并與新型檢測技術(shù)作對比分析，總結(jié)優(yōu)缺點；接著系統(tǒng)闡述如可見光圖像識別技術(shù)、紅外熱成像技術(shù)及高光譜成像技術(shù)等新型檢測技術(shù)的基本原理與相關(guān)研究進展及其應用局限。其中，重點介紹高光譜成像技術(shù)用于作物病害檢測的原理機制和常規(guī)檢測流程，綜述其應用于茄科作物病害早期檢測的國內(nèi)外研究進展，總結(jié)列出了部分茄科作物病害研究的重要檢測波段；最后，指出了目前試驗方法存在的不足并探討了未來研究發(fā)展的方向。

關(guān)鍵詞：茄科作物；常見病害；早期檢測技術(shù)；高光譜成像；紅外熱成像

中圖分類號：S127；TP391.41??文獻標志碼：A??文章編號：1002-1302（2023）09-0017-08

基金項目：國家自然科學基金（編號：62141501）；貴陽學院科研資金（編號：GYU-KY-［2022］）。

作者簡介：沈夢姣（1998—），女， 安徽池州人，碩士研究生，主要從事作物病害的早期無損檢測方面的研究。E-mail：1483995652@qq.com。

通信作者：張?艷，博士，教授，主要從事生物信息無損檢測、激光雷達方面的研究。E-mail：Eileen_zy001@sohu.com。

茄科作物包含多種重要蔬菜、經(jīng)濟作物和觀賞植物。其中，以馬鈴薯、番茄和辣椒為代表的茄科作物，作為重要糧食和蔬菜作物在全球日常飲食類別中占據(jù)重要地位，具有重要的經(jīng)濟價值［1］。煙草是世界性的茄科經(jīng)濟作物，對我國社會經(jīng)濟的逐步提升有重要推動作用。根據(jù)聯(lián)合國糧食及農(nóng)業(yè)組織（FAO）發(fā)布的數(shù)據(jù)顯示，我國是馬鈴薯、番茄、辣椒以及煙草等茄科作物的主產(chǎn)國之一，其產(chǎn)量在我國乃至全球范圍內(nèi)都創(chuàng)造了巨大的經(jīng)濟效益［2］。

然而，茄科作物在生長過程中容易受到多種病害的侵襲，如不及時加以控制，會造成產(chǎn)量和質(zhì)量明顯下降［3］。據(jù)相關(guān)文獻報道，在科學和經(jīng)濟上均具有嚴重危害性的植物病毒 “前10名”中有6種以茄科作物為宿主，包括煙草花葉病毒（TMV）、番茄斑萎病毒（TSWV）、番茄黃葉卷曲病毒（TYLCV）、馬鈴薯Y病毒（PVY）、馬鈴薯X病毒（PYX）和黃瓜花葉病毒（CMV）［4］。隨后Rybicki在此基礎上進一步提出了包括感染茄科植物的3類病毒在內(nèi)的十大經(jīng)濟上重要的植物病毒［5］。

由于大多數(shù)病原菌在植株內(nèi)的潛伏期一般很短，且在此期間人眼能夠捕捉到的病害信息十分有限，因此研究有效針對茄科作物病害的早期檢測方法尤為迫切。從已發(fā)表的綜述文章來看，目前有待對茄科作物病害早期檢測技術(shù)進行系統(tǒng)性報道。因此，本文對多種檢測技術(shù)進行介紹單系統(tǒng)闡述其在茄科作物病害早期檢測領域的應用進展。

1?茄科作物常見病害

茄科作物在栽培和收獲及貯藏期間，易受到世界各地200多種由真菌、細菌、病毒和類病毒病原體等誘發(fā)的多種植物病害的影響，并同步產(chǎn)生高發(fā)病率，造成大面積的作物減產(chǎn)甚至絕收，并同步伴隨質(zhì)量的大幅下降［6-8］。茄科作物常見病害和類型、主要致病菌及發(fā)病的相關(guān)癥狀見表1。其中，病害葉片圖像主要來源于PlantVillage 數(shù)據(jù)集，有利于研究人員或儀器設備進行病害特征識別。

2?傳統(tǒng)檢測技術(shù)與新型檢測技術(shù)的比較分析

傳統(tǒng)作物病害檢測技術(shù)主要分為人工感官鑒定和理化實驗鑒定［9］。前者主要是基于有經(jīng)驗的農(nóng)業(yè)工作者和植保專家通過肉眼觀察作物生長狀況，結(jié)合長期積累的工作經(jīng)驗或相關(guān)植物病理知識進行判斷。后者主要通過光學顯微鏡技術(shù)、聚合酶鏈式反應技術(shù)（PCR）、熒光免疫檢測（IF）、酶聯(lián)免疫吸附試驗（ELISA）、核酸序列分析技術(shù)、血清法等理化分析方法進行檢測［10］。

在對作物病害進行早期預測、普查從而采取各種防治措施的整體農(nóng)業(yè)生產(chǎn)安全實踐中，對作物病害信息進行早期有效識別是極為重要的。目前已有的作物病害檢測技術(shù)各有優(yōu)點同時也具有局限性（表2）。

由表2可知，在對作物病害進行早期預測、普查從而采取各種防治措施的整體農(nóng)業(yè)生產(chǎn)安全實踐中，僅采用傳統(tǒng)檢測技術(shù)顯然已經(jīng)無法滿足實際需求。因此，需要采用更加準確、快速無損的病害早期新型檢測技術(shù)。通過總結(jié)對比相關(guān)檢測技術(shù)的優(yōu)缺點，可以發(fā)現(xiàn)茄科作物病害的早期檢測技術(shù)近些年正在逐步更新完善，但依舊存在易受環(huán)境干擾的通病。與此同時能夠看出高光譜成像在作物病害早期檢測技術(shù)中具有顯著的優(yōu)勢，它綜合了其他檢測技術(shù)檢測效率高、測量范圍大、信息量豐富的優(yōu)勢，能夠嘗試將獲取到的圖譜信息與植物生命活動相關(guān)聯(lián)，深入挖掘作物早期病變特征。

3?茄科作物病害的新型檢測技術(shù)研究進展

3.1?可見光圖像識別技術(shù)

可見光圖像識別技術(shù)主要是采用計算機的各種成像系統(tǒng)模擬人的視覺器官，通過對獲取到的圖像進行去噪、增強、復原、分割、提取特征等處理，從而得到大量具有較好適應性和魯棒性的信息進行分析判別的技術(shù)［11］。絕大部分植物的感病癥狀會在一定程度上體現(xiàn)在其葉片的顏色、形狀和紋理等變化上，因此可以利用可見光圖像識別技術(shù)基于這些變化特征對葉片的病害特征進行有效識別。黨滿意等利用機器視覺技術(shù)對馬鈴薯葉部晚疫病進行檢測，根據(jù)馬鈴薯感病葉片的顏色、紋理和形狀特征參數(shù)與健康葉片的差異性，通過將提取的顏色、紋理以及形狀特征結(jié)合，成功建立了馬鈴薯晚疫病的無病和患病檢測模型［12］。 Chen 等針對圖像采集過程易產(chǎn)生噪聲及不同病害特征相似導致圖像難以識別等問題的干擾提出了一種快速有效的基于ABCK-BWTR和B-ARNet模型的番茄葉片病害識別方法［13］。Trivedi等將感染不同病害的番茄葉片和健康葉片圖像進行預處理，對原始圖像進行分割確定目標區(qū)域；通過提取顏色、紋理和邊緣等特征最終建立了用于檢測和分類番茄葉片病害的深度神經(jīng)網(wǎng)絡模型，模型預測準確率為98.49%［14］。

目前在對可見光圖像進行處理時，僅僅針對可見光波段范圍內(nèi)的灰度圖像或由紅（R）、綠（G）、藍（B） 3 個顏色通道的變化及相互疊加組成的彩色 RGB圖像進行處理，無法對染病茄科作物的生理反應與外部表征聯(lián)合分析，因而對于早期病害檢測的靈敏度低，該技術(shù)一般用于病害的中晚期識別。

3.2?紅外熱成像技術(shù)

紅外熱成像技術(shù)是一種利用被測物體自身對紅外熱輻射的吸收差異并將其轉(zhuǎn)化成與物體表面熱分布相應的可視圖像技術(shù)。植物遭受病害脅迫時，往往會伴隨葉片氣孔異質(zhì)性開閉，水分調(diào)節(jié)失衡等生理指標的變化，造成葉表溫度異常改變。因此葉面溫度可作為植物的重要生理特性和生態(tài)狀況研究的基本參數(shù)用于監(jiān)測診斷植物病害［15］。徐小龍等在溫室條件下，利用熱紅外成像儀連續(xù)監(jiān)測受番茄花葉病侵染的番茄葉片表面的溫度變化，研究發(fā)現(xiàn)葉片的病變部位表面溫度比正常葉片高 0.5～1.2 ℃，證明紅外成像技術(shù)用于番茄花葉病癥前早期監(jiān)測具有可行性［16］。Raza等結(jié)合紅外熱圖像和可見光圖像的信息，使用機器學習技術(shù)以90%以上的高準確率在可見癥狀出現(xiàn)之前成功實現(xiàn)對感染番茄疫霉番茄植株的識別檢測［17］。朱文靜等利用紅外熱像儀連續(xù)9 d監(jiān)測獲取潛育期番茄花葉病葉片的紅外熱像圖，結(jié)果顯示健康葉片與染病葉片的葉表最大溫差值（MTD）差異顯著，通過紅外熱像圖結(jié)合MTD可實現(xiàn)病害發(fā)生區(qū)域的有效判定［18］。

1999年，Chaerle 等針對感染煙草花葉病毒（TMV）的煙草葉片可視化病癥前檢測問題，利用紅外熱成像技術(shù)對TMV的抵抗性進行檢測［19］。通過連續(xù)監(jiān)測病葉的溫度變化，發(fā)現(xiàn)在葉片細胞壞死癥狀出現(xiàn)之前約8 h，受感染葉面溫度會顯著上升，感染部位溫度比周圍組織高0.3～0.4 ℃。圖1為煙草葉片接種TMV后在32 ℃條件下保存24 h，然后轉(zhuǎn)移到21 ℃的不同時間拍攝的可見光圖像及對應的紅外熱像圖（A：34 h；B：41 h；C：4 d），可以看出在接種葉片尚未產(chǎn)生肉眼可見的病斑前，在紅外熱像圖中已經(jīng)能夠體現(xiàn)病斑部位。

可見，紅外熱成像技術(shù)較可見光圖像識別技術(shù)在作物病害的早期檢測中更具優(yōu)勢。然而作物在受到病害脅迫后，除了感病區(qū)域溫度的改變，內(nèi)部活性成分含量乃至細胞結(jié)構(gòu)也會發(fā)生改變，同時由于外界溫度場的不斷變化往往使得被感染區(qū)域溫度趨于同化從而難以區(qū)分辨認，因此僅僅依靠溫度信息對作物病害進行早期檢測是不夠的。

3.3?光譜分析技術(shù)

光譜分析技術(shù)是以光譜的測量為基礎，作物的光譜特性是作物在生長過程中與環(huán)境相互作用的綜合光譜信息。植物病害通常會影響許多波長的葉片光學特性，受病害侵染后的作物光譜特性與健康作物的光譜特性相比，某些特征波段的值會發(fā)生不同程度的變化［20］。Morellos等通過可見光/近紅外光譜儀獲取健康和患病葉片的光譜，同時對病葉進行實時熒光定量聚合酶鏈式反應（RT-qPCR）檢測和量化番茄褪綠病毒（ToCV）滴度，通過特征選擇最后利用多層感知器自動相關(guān)測定（MLP-ARD）成功實現(xiàn)對番茄植株中ToCV的早期檢測［21］。Najjar等利用550～1 100 nm范圍內(nèi)的可見光/近紅外光譜結(jié)合主成分分析（PCA）在染病樣本出現(xiàn)癥狀之前，成功實現(xiàn)番茄果實灰霉病的早期檢測［22］。Azadshahraki等利用可見光/近紅外光譜（400～900 nm）結(jié)合主成分-神經(jīng)網(wǎng)絡（PCA-ANN）建模的方法對番茄植株的早疫病進行快速、無損診斷，并在染病未顯視覺癥狀階段成功識別早疫病因子［23］。Vallejo-Pérez等利用拉曼光譜（RS）和機器學習光譜分析方法開展番茄細菌性潰瘍病無癥狀感染的早期檢測研究，結(jié)果顯示，從被測葉片樣品中獲得的拉曼光譜與細胞成分相關(guān)的峰中，與三萜類化合物和黃酮類化合物相關(guān)的拉曼譜帶可被視為無癥狀期感染的指標［24］。

2010年，佛羅里達大學的Jones等為確定番茄葉片感染細菌性葉斑病的光譜特征，利用可見光/近紅外光譜技術(shù)結(jié)合多種分析方法基于病葉光譜響應建立相關(guān)病害預測模型，研究結(jié)果表明750～760 nm 為與病害高度相關(guān)的重要特征波長，能有效實現(xiàn)番茄細菌性葉斑病嚴重程度的可行性預測［25］。由圖2可以看出，不同感染程度的葉片吸光度在整體上變化趨勢基本一致，但吸光度存在明顯差異，感病程度越嚴重的葉片整體吸光度明顯下降。特別是在500～600 nm波段范圍內(nèi)，隨著感病程度的

增加，葉片的吸光度明顯降低。這主要是由于病原菌侵染導致葉片葉綠素含量下降造成的；在1 453、1 940 nm 的波長下，隨著葉片病害程度的增加，水分含量也在逐步降低，因此感病葉片的吸光度較于健康葉片明顯下降，由此可以說明葉片樣本的光譜變化與其內(nèi)在成分水平的改變密不可分。

光譜分析技術(shù)能夠?qū)颖拘畔⒃诠庾V維度上進一步提取分析，在作物出現(xiàn)可見病癥前及時對病害的光譜信息進行有效捕捉，但在一定程度上局限于樣本單一的光譜信息挖掘，不能與圖像信息相結(jié)合，從而無法追溯到樣本原始圖像的信息，病害的內(nèi)部響應與外部表征不能同時相關(guān)聯(lián)。

3.4?高光譜成像技術(shù)

高光譜成像技術(shù)綜合了圖像技術(shù)和光譜技術(shù)的優(yōu)勢，將2種技術(shù)結(jié)合在一起，具有“圖譜合一”的特性［26］。根據(jù)成像技術(shù)原理，高光譜成像系統(tǒng)的硬件主要由光源、分光模組和面陣CCD攝像頭（光譜相機）、樣本移動臺等部件組成。成像光譜儀將待測樣本反射或投射的光準直照射到分光模組上，經(jīng)分光元件按波長不同進行色散，CCD鏡頭收集后成像在圖像傳感器上。通過高光譜成像儀獲取樣本的圖像信息，同時在光譜維度上進行展開，不僅可以獲取圖像上每個點的光譜數(shù)據(jù)，還可以獲得任意一個譜段的影像信息。

就植物感病檢測機制而言，作物在受到病害侵染時，病原菌可通過氣孔、水孔等自然孔口或者傷口侵入植株，改變健康作物組織中的細胞結(jié)構(gòu)和營養(yǎng)成分。隨著病害侵染活動的逐步加強，作物葉綠體將遭到破壞，光合作用減弱，導致葉綠素含量和光合作用強度下降，細胞代謝、水分吸收等機能衰退，從而導致植物葉片的光譜和圖像特征發(fā)生變化。通常，引起植物葉片反射光譜發(fā)生變化的因素分為結(jié)構(gòu)性因素（葉片厚度、葉片干物質(zhì)、水分含量等）和生理性因素（色素濃度、光合速率、氣孔行為和葉綠素熒光等）［27］。近年來，國內(nèi)外研究學者圍繞高光譜檢測作物病害的機制進行了相關(guān)研究，水分是植物葉片的重要組成部分，水分自身的光譜吸收范圍覆蓋近紅外和短波紅外區(qū)間，比較顯著的吸收峰（谷）有970、1 200、1 450、1 950、2 250 nm［28-29］，因此，葉片含水量的變化對作物的光譜反射率的影響很大。早在1973年，Rouse等研究了植被反射光譜（NDVI）與葉綠素（Chl）含量的關(guān)系，證明NDVI與Chl的含量成正比［30］。隨后在1993年，有研究表明不同的綠色植物的反射光譜有所不同，但在400～2 400 nm 波長范圍內(nèi)的反射光譜特征具有顯著相似性［31］。此外，除了葉綠素和水分含量的改變，實際染病葉片的內(nèi)部成分還體現(xiàn)在蛋白質(zhì)含量、酚類物質(zhì)濃度等相關(guān)活性物質(zhì)水平的變化上。研究證實感病作物與健康作物的光譜特性在特征波段的值會存在不同程度的差異［32］。

作物病害的常規(guī)檢測流程為通過對獲取到的圖像信息進行處理，可提取作物顏色、紋理、感病位置等外部特征；通過對連續(xù)光譜信息進行高維數(shù)據(jù)壓縮和特征波長提取，可用于檢測作物水分、葉綠素含量以及其他活性成分變化等的內(nèi)部特征。再通過將圖像和光譜進行有效地特征融合，從而建立相應的分類識別模型（圖3）。其中，在數(shù)據(jù)采集階段，由于高光譜圖像數(shù)據(jù)量大會導致數(shù)據(jù)存儲與處理不便；在特征提取階段，對采集的高光譜圖像數(shù)據(jù)去冗余，提取具有代表性的重要特征進行特征融合，能夠增加模型的可解釋性；在模型建立階段，需要著重考慮所選特征與模型之間的相適性，顯著提高識別模型性能。

目前，應用高光譜成像技術(shù)實現(xiàn)茄科作物病害早期檢測的研究較為廣泛，主要集中在以番茄、馬鈴薯和煙草為主的作物病害檢測上（表3）。謝傳奇等利用高光譜成像技術(shù)分別從光譜和紋理2個角度提取了染病和健康番茄葉片感興趣區(qū)域的光譜反射率和基于灰度共生矩陣（GLCM）的紋理特征值，實現(xiàn)了番茄葉片早疫病的早期檢測研究［33］。Zhu 等結(jié)合變量選擇方法和機器學習分類器，研究發(fā)現(xiàn)可利用高光譜成像在48 h內(nèi)實現(xiàn)受TMV感染的葉片的癥前快速無損檢測［41］。

2020年，由美國康奈爾大學、威斯康星大學麥迪遜分校等知名研究機構(gòu)的學者聯(lián)合攻關(guān)，對馬鈴薯葉片的早疫病和晚疫病進行癥狀前檢測和區(qū)分，同時將各自葉片的光譜特征與潛在的、不同的病原體生理學和病理學理論相關(guān)聯(lián)［45］。利用高光譜成像技術(shù)（350～2 500 nm）檢測和區(qū)分馬鈴薯葉片早疫病、晚疫病并探索對比2種病害生理學的侵染特征。研究強調(diào)短波紅外波長（SWIR，1 000～2 500 nm）對于區(qū)分健康和染病以及癥狀前后的病原體感染非常重要。通過數(shù)據(jù)顯示，在人眼可見癥狀出現(xiàn)前 2～4 d，通過高光譜檢測可以區(qū)分受感染的植物且準確率在80%以上；利用對照樣品來區(qū)分不同病原體疾病發(fā)展的各個階段的準確率為89%～95%。此外在感染過程中，檢測晚疫病的重要光譜特征發(fā)生了變化，這種光譜變化模式可能與潛在疾病生理學的差異及其病原體生活方式的對比有關(guān)。由圖4可知，在早期感染期間，葉片并無明顯癥狀；隨著感染程度的不斷加重，通過電子顯微鏡可以看出菌絲沿著葉片表面延伸，并通過氣孔進入葉片；隨后生長在表皮細胞的細胞間隙中；細胞間菌絲數(shù)量增加，氣生菌絲從氣孔中出現(xiàn)，病變特征肉眼清晰可見。這就強調(diào)在利用高光譜成像技術(shù)進行作物病害早期檢測時，需要根據(jù)不同病害類型的潛在病原體生物學及相關(guān)病害侵染生理學的差異選擇不同的光譜模型進行識別區(qū)分。

與前面介紹的其他檢測技術(shù)相比，高光譜成像技術(shù)可以彌補僅依靠圖像特征或光譜特征的不足，通過將圖像特征與光譜特征的有效融合，能夠顯著提高作物病害早期檢測和識別的準確度，達到根據(jù)作物內(nèi)、外部綜合特征進行精確識別病害的目的，是一種更加全面準確的無損檢測病害的技術(shù)。從現(xiàn)有的國內(nèi)外研究來看，目前該技術(shù)一方面用于實驗室檢測各類植物病害的早期研究，同時也利用該技術(shù)搭載無人機設備平臺形成高光譜遙感系統(tǒng)，在實時監(jiān)測農(nóng)業(yè)生產(chǎn)安全領域發(fā)揮巨大潛力，成為精準農(nóng)業(yè)的重要技術(shù)手段之一。

4?結(jié)論與展望

通過介紹茄科作物常見病害，強調(diào)了在茄科作物病害潛育期進行早期檢測的重要性；通過對比分析幾種檢測技術(shù)的優(yōu)缺點及新型檢測技術(shù)的相關(guān)研究進展，證明高光譜成像技術(shù)可作為評估植物生理活性及脅迫反應的重要工具，在研究植物生理、病理檢測等問題中發(fā)揮重要作用。目前該技術(shù)在植物病害早期檢測領域已有很多成功的應用案例，但也存在一些問題及相應的改進方向。

（1）目前依舊很難確定與茄科植物某些病害相關(guān)的通用波段范圍。這就需要一方面更多地關(guān)注利用高光譜成像技術(shù)對茄科作物相似基因型和表型品種以及非生物脅迫多樣性的研究；另一方面考慮改進或提出新的高效且更具魯棒性的特征波長選擇算法，從而有助于確定在茄科作物感染病害早期檢測中非常重要的通用波段范圍。

（2）目前應用高光譜成像技術(shù)對茄科作物病害的早期檢測大多停留在實驗室環(huán)境下的離體葉片研究上，且多數(shù)研究僅針對單一病害類型，未考慮不同病害之間的相似性，尚未形成對多種病害進行同步檢測的系統(tǒng)研究，使之無法應用于田間實地檢測。在今后的研究中一方面可考慮對活體植株進行病害早期檢測研究；另一方面增加病害類型，形成對多種病害檢測識別的系統(tǒng)研究。

（3）多學科交叉聯(lián)合攻關(guān)。真正解決作物病害早期檢測的關(guān)鍵是需要將獲取到的感病作物的光譜信息與其自身的病理特征、生理反應、抗性水平等緊密結(jié)合起來研究。這將依靠于微生物學、植物生理病理學、計算機圖像處理技術(shù)等方面的專家共同工作。

參考文獻：

［1］中國科學院中國植物志編輯委員會. 中國植物志（第7卷）［M］. 北京：科學出版社，1978.

［2］FAO. FAOSTAT［DB/OL］.［2022-06-01］. https：//www.fao.org/faostat/en/#data/QCL.

［3］楊泳波，趙遠洋，李振波，等. 基于膠囊SE-Inception的茄科病害識別方法研究［J］. 圖學學報，2022，43（1）：28-35.

［4］Scholthof K B G，Adkins S，Czosnek H，et al. Top 10 plant viruses in molecular plant pathology［J］. Molecular Plant Pathology，2011，12（9）：938-954.

［5］Rybicki E P. A Top Ten list for economically important plant viruses［J］. Archives of Virology，2015，160（1）：17-20.

［6］Panno S，Davino S，Caruso A G，et al. A review of the most common and economically important diseases that undermine the cultivation of tomato crop in the Mediterranean Basin［J］. Agronomy，2021，11（11）：2188.

［7］King K C，Lively C M. Does genetic diversity limit disease spread in natural host populations？［J］. Heredity，2012，109（4）：199-203.

［8］Singh V K，Singh A K，Kumar A. Disease management of tomato through PGPB：current trends and future perspective［J］. 3 Biotech，2017，7（4）：255.

［9］程術(shù)希. 基于光譜和成像技術(shù)的作物病害不同侵染期快速檢測方法研究［D］. 杭州：浙江大學，2014：2-3.

［10］Martinelli F，Scalenghe R，Davino S，et al. Advanced methods of plant disease detection［J］. Agronomy for Sustainable Development，2015，35（1）：1-25.

［11］王彥翔，張?艷，楊成婭，等. 基于深度學習的農(nóng)作物病害圖像識別技術(shù)進展［J］. 浙江農(nóng)業(yè)學報，2019，31（4）：669-676.

［12］黨滿意，孟慶魁，谷?芳，等. 基于機器視覺的馬鈴薯晚疫病快速識別［J］. 農(nóng)業(yè)工程學報，2020，36（2）：193-200.

［13］Chen X，Zhou G，Chen A，et al. Identification of tomato leaf diseases based on combination of ABCK-BWTR and B-ARNet［J］. Computers and Electronics in Agriculture，2020，178：105730.

［14］Trivedi N K，Gautam V，Anand A，et al. Early detection and classification of tomato leaf disease using high-performance deep neural network［J］. Sensors，2021，21（23）：7987.

［15］Berni J，Zarco-Tejada P J，G Sepulcre-Cantó，et al. Mapping canopy conductance and CWSI in olive orchards using high resolution thermal remote sensing imagery［J］. Remote Sensing of Environment，2009，113（11）：2380-2388.

［16］徐小龍，蔣煥煜，杭月蘭. 熱紅外成像用于番茄花葉病早期檢測的研究［J］. 農(nóng)業(yè)工程學報，2012，28（5）：145-149.

［17］Raza S E A，Prince G，Clarkson J P，et al. Automatic detection of diseased tomato plants using thermal and stereo visible light images［J］. PLoS One，2015，10（4）：e0123262.

［18］朱文靜，李?林，李美清，等. 紅外熱成像與近紅外光譜結(jié)合快速檢測潛育期番茄花葉?。跩］. 光譜學與光譜分析，2018，38（9）：2757-2762.

［19］Chaerle L，Caeneghem W V，Messens E，et al. Presymptomatic visualization of plant-virus interactions by thermography［J］. Nature Biotechnology，1999，17（8）：813-816.

［20］馮?雷，高吉興，何?勇，等. 波譜成像技術(shù)在作物病害信息早期檢測中的研究進展［J］. 農(nóng)業(yè)機械學報，2013，44（9）：169-176.

［21］Morellos A，Tziotzios G，Orfanidou C，et al. Non-destructive early detection and quantitative severity stage classification of Tomato Chlorosis Virus （ToCV） infection in young tomato plants using vis-NIR Spectroscopy［J］. Remote Sensing，2020，12（12）：1920.

［22］Najjar K，Abu-Khalaf N.Visible/near-infrared （vis/nir） spectroscopy technique to detect gray mold disease in the early stages of tomato fruit［J］. Journal of Microbiology，Biotechnology and Food Sciences，2021，11（2）：e3108.

［23］Azadshahraki F，Sharifi K，Jamshidi B，et al. Diagnosis of early blight disease in tomato plant based on visible/near-infrared spectroscopy and principal components analysis-artificial neural network prior to visual disease symptoms［J］. Infrared Spectroscopy，2022，12（1）：81-94.

［24］Vallejo-Pérez M R，Sosa-Herrera J A，Navarro-Contreras H R，et al. Raman spectroscopy and machine-learning for early detection of bacterial canker of tomato：the asymptomatic disease condition［J］. Plants，2021，10（8）：1542.

［25］Jones C D，Jones J B，Lee W S. Diagnosis of bacterial spot of tomato using spectral signatures［J］. Computers & Electronics in Agriculture，2010，74（2）：329-335.

［26］張德榮，方?慧，何?勇. 可見/近紅外光譜圖像在作物病害檢測中的應用［J］. 光譜學與光譜分析，2019，39（6）：1748-1756.

［27］Hunt Jr E R，Rock B N. Detection of changes in leaf water content using near-and middle-infrared reflectances［J］. Remote Sensing of Environment，1989，30（1）：43-54.

［28］Rollin E M，Milton E J. Processing of high spectral resolution reflectance data for the retrieval of canopy water content information［J］. Remote Sensing of Environment，1998，65（1）：86-92.

［29］劉?暢，孫鵬森，劉世榮. 植物反射光譜對水分生理變化響應的研究進展［J］. 植物生態(tài)學報，2016，40（1）：80-91.

［30］Rouse Jr J W，Haas R H，Schell J A，et al. Monitoring the vernal advancement and retrogradation （green wave effect） of natural vegetation［R］. Maryland：Goddard Space Flight Center，1973.

［31］金仲輝. 綠色植物反射光譜的特征及其在監(jiān)測農(nóng)作物生長中的應用［J］. 物理，1993，22（11）：673-678.

［32］Kokaly R F，Clark R N. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression［J］. Remote Sensing of Environment，1999，67（3）：267-287.

［33］謝傳奇，王佳悅，馮?雷，等. 應用高光譜圖像光譜和紋理特征的番茄早疫病早期檢測研究［J］. 光譜學與光譜分析，2013，33（6）：1603-1607.

［34］王海龍，楊國國，張?瑜，等. 競爭性自適應重加權(quán)算法和相關(guān)系數(shù)法提取特征波長檢測番茄葉片真菌病害［J］. 光譜學與光譜分析，2017，37（7）：2115-2119.

［35］Lu J Z，Zhou M C，Gao Y W，et al. Using hyperspectral imaging to discriminate yellow leaf curl disease in tomato leaves［J］. Precision Agriculture，2018，19（3）：379-394.

［36］Abdulridha J，Ampatzidis Y，Qureshi J，et al. Laboratory and UAV-based identification and classification of tomato yellow leaf curl，bacterial spot，and target spot diseases in tomato utilizing hyperspectral imaging and machine learning［J］. Remote Sensing，2020，12（17）：2732.

［37］Atherton D，Choudhary R，Watson D. Hyperspectral remote sensing for advanced detection of early blight （Alternaria solani） disease in potato （Solanum tuberosum） plants prior to visual disease symptoms［C］//American Society of Agricultural and Biological Engineers Anual International Meeting.Spokane，2017.

［38］徐明珠. 基于高光譜成像技術(shù)的馬鈴薯早疫病無損檢測研究［D］. 楊凌：西北農(nóng)林科技大學，2016：13-26.

［39］Appeltans S，Pieters J G，Mouazen A M. Potential of laboratory hyperspectral data for in-field detection of Phytophthora infestans on potato［J］. Precision Agriculture，2022，23（3）：876-893.

［40］黃?濤，李小昱，徐夢玲，等. 半透射高光譜成像技術(shù)與支持向量機的馬鈴薯空心病無損檢測研究［J］. 光譜學與光譜分析，??2015，35（1）：198-202.

［41］Zhu H Y，Chu B Q，Zhang C，et al. Hyperspectral imaging for presymptomatic detection of tobacco disease with successive projections algorithm and machine-learning classifiers［J］. Scientific Reports，2017，7：4125.

［42］劉勇昌，耿?麗，高?強，等. 基于葉片光譜分析的煙草馬鈴薯Y病毒病嚴重度診斷［J］. 煙草科技，2021，54（7）：23-28.

［43］Gu Q，Sheng L，Zhang T H，et al. Early detection of tomato spotted wilt virus infection in tobacco using the hyperspectral imaging technique and machine learning algorithms［J］. Computers and Electronics in Agriculture，2019，167：105066.

［44］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］. 浙江大學學報（農(nóng)業(yè)與生命科學版），2012，38（3）：311-317.

［45］Gold K M，Townsend P A，Chlus A，et al. Hyperspectral measurements enable pre-symptomatic detection and differentiation of contrasting physiological effects of late blight and early blight in potato［J］. Remote Sensing，2020，12（2）：286.