基于高光譜特征提取的甜瓜白粉病早期識別

摘要：白粉病是危害甜瓜產(chǎn)量和品質(zhì)的主要病害之一，利用高光譜技術(shù)進(jìn)行甜瓜白粉病早期病害識別研究。以溫室甜瓜為研究對象，使用高光譜成像儀采集甜瓜葉片包含128個(gè)波段的高光譜圖像，其中接種白粉病菌1～4天內(nèi)的早期無病斑葉片為染病葉片，未接種病菌的葉片為健康葉片。采用連續(xù)投影算法（SPA）和競爭性自適應(yīng)重加權(quán)算法（CARS）兩種算法提取特征波長，運(yùn)用主成分分析算法（PCA）對原始數(shù)據(jù)進(jìn)行特征降維。分別以原始波長（Original）、SPA特征波長（8個(gè)）、CARS特征波長（9個(gè)）和PCA主成分（4個(gè)）作為早期識別模型的輸入變量，結(jié)合隨機(jī)森林（RF）和自適應(yīng)增強(qiáng)（AdaBoost）兩種集成學(xué)習(xí)算法，構(gòu)建出8種甜瓜白粉病早期識別模型：Original-RF、SPA-RF、CARS-RF、PCA-RF、Original-AdaBoost、SPA-AdaBoost、CARS-AdaBoost、PCA-AdaBoost，并使用十折交叉驗(yàn)證方法對模型進(jìn)行評價(jià)。結(jié)果表明，所建模型準(zhǔn)確率均在90%以上，其中使用全波段的Original-AdaBoost和Original-RF模型平均準(zhǔn)確率最高，分別為94.3%和93.8%；SPA-AdaBoost有效降低模型輸入，在染病第1天識別準(zhǔn)確率就達(dá)到93.3%，平均準(zhǔn)確率達(dá)到93.5%。

關(guān)鍵詞：甜瓜；白粉病；高光譜；特征波長；機(jī)器學(xué)習(xí)；早期識別

中圖分類號：S436； TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：2095?5553 （2024） 11?0172?06

Early identification of melon powdery mildew based on hyperspectral feature extraction

Bai Dayu1， Shi Qinghua2， Wang Jianquan2， Sun Fenggang1， Li Hongwei1， Lan Peng1

（1. College of Information Science and Engineering， Shandong Agricultural University， Tai'an， 271018， China;

2. College of Horticultural Science and Engineering， Shandong Agricultural University， Tai'an， 271018， China）

Abstract： Powdery mildew is one of the major diseases affecting the yield and quality of melon， hyperspectral technology was used to realize the early disease identification of melon powdery mildew. By using greenhouse melon as the research object， hyperspectral images of melon leaves containing 128 bands were collected， in which leaves within 1-4 days of inoculation with powdery mildew fungus were classified as the early diseased leaves and leaves with no fungus inoculation were healthy ones. Two algorithms， such as Successive Projections Algorithm （SPA） and Competitive Adaptive Reweighted Sampling （CARS）， were used to extract characteristic wavelengths， and Principal Component Analysis （PCA） was applied to reduce the dimensionality of the original data. The original wavelength （Original）， SPA characteristic wavelength （8）， CARS characteristic wavelength （9） and PCA principal components （4） were used as the input variables of the recognition models， respectively. Combined with two ensemble leaning methods， Random Forests （RF） and Adaptive Boosting （AdaBoost）. Eight early identification models of melon powdery mildew were constructed， including Original-RF， SPA-RF， CARS-RF， PCA-RF， Original-AdaBoost， SPA-AdaBoost， CARS-AdaBoost， PCA-AdaBoost. The model was evaluated by the ten-fold cross-validation method. The results showed that the accuracy of the proposed models were all above 90%， among which the Original-AdaBoost and Original-RF models had the highest average accuracy of 94.3% and 93.8%， respectively. SPA-AdaBoost effectively reduced the model input and achieved 93.3% recognition accuracy on the 1st day of the disease， with an average accuracy of 93.5%.

Keywords： melon; powdery mildew; hyperspectral; characteristic wavelength; machine learning; early identification

0 引言

甜瓜是世界性的水果型蔬菜作物，但在栽培過程中易受白粉病侵害。白粉菌通過釋放分生孢子感染甜瓜葉片，影響甜瓜光合作用，在病情嚴(yán)重時(shí)會(huì)導(dǎo)致甜瓜死亡，嚴(yán)重影響甜瓜的品質(zhì)和產(chǎn)量[1]。然而，白粉病染病早期葉片無明顯肉眼可辨病斑，難以在染病早期對病害進(jìn)行準(zhǔn)確識別，從而錯(cuò)失除治的最佳時(shí)機(jī)。雖然可通過提前噴灑藥物進(jìn)行防治，但由于難以區(qū)分是否發(fā)病，容易導(dǎo)致施藥過量、抬高成本、環(huán)境污染等問題。因此，開展甜瓜葉片白粉病早期快速識別研究對指導(dǎo)實(shí)際生產(chǎn)具有重要意義。

目前，作物病害識別大多通過病害部位在可見光、多光譜等波段的特征差異進(jìn)行識別[2?6]。然而，可見光方式主要基于肉眼可辨病斑進(jìn)行識別分類，難以在染病早期無明顯病斑時(shí)應(yīng)用；多光譜方式所含波段范圍少，難以準(zhǔn)確提取反應(yīng)病害影響的特征波段。高光譜技術(shù)可獲取成百上千個(gè)波段，實(shí)現(xiàn)圖譜合一，突破可見光和多光譜的限制，結(jié)合現(xiàn)代建模和數(shù)據(jù)分析方法，為早期病害識別提供了有力條件[7?9]?？蝶惖萚10]通過高光譜技術(shù)結(jié)合支持向量機(jī)算法實(shí)現(xiàn)水稻稻瘟病的病害分級。程術(shù)希等[11]基于多種特征波長提取算法對番茄葉片高光譜數(shù)據(jù)進(jìn)行特征波長提取，實(shí)現(xiàn)對番茄早疫病的研究。吳葉蘭等[12]利用高光譜成像技術(shù)，通過多種數(shù)據(jù)處理方法結(jié)合機(jī)器學(xué)習(xí)對柑橘的4種葉片病害進(jìn)行分類識別，全波段下模型識別率在88%以上。趙森等[13]通過高光譜技術(shù)實(shí)現(xiàn)對刺五加葉片黑斑病的檢測，識別精度達(dá)到92.77%。劉燕德等[14]基于高光譜成像技術(shù)對臍橙葉片的葉綠素、水分和氮素進(jìn)行快速無損定量分析。Zhao等[15]通過葉片高光譜反射率實(shí)現(xiàn)人參根部病害的早期檢測。在白粉病識別方面，Tapia等[16]通過將冠層反射率光譜分析與基因信息相結(jié)合，提出了草莓白粉病的預(yù)測方法。Fernández等[17]探究了黃瓜葉片在接種白粉病菌后不同天數(shù)光譜對比，使用支持向量機(jī)算法實(shí)現(xiàn)了95%的總體準(zhǔn)確性。Wang等[18]對草莓葉片的白粉病通過擬合方程定量評價(jià)侵染階段。Xuan等[19]基于高光譜對小麥白粉病早期診斷中融合特征波長和紋理特征建立模型驗(yàn)證集的準(zhǔn)確率達(dá)到91.4%。馮子恒等[20]結(jié)合高光譜與機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)小麥白粉病病情指數(shù)的檢測。蔡葦荻等[21]基于小波特征與紋理特征結(jié)合構(gòu)建小麥白粉病早期識別模型，其總體分類精度達(dá)到81.17%。上述研究表明，高光譜技術(shù)在作物病害識別方面，結(jié)合傳統(tǒng)機(jī)器學(xué)習(xí)方法已取得較好結(jié)果，但目前有關(guān)甜瓜白粉病早期識別研究仍較少。

本研究以溫室甜瓜為研究對象，對甜瓜健康與染病葉片進(jìn)行逐日采集，利用高光譜技術(shù)分析白粉病發(fā)病早期與健康葉片的光譜差異，通過連續(xù)投影算法、競爭性自適應(yīng)加權(quán)算法和主成分分析法對原始數(shù)據(jù)進(jìn)行特征波長提取和數(shù)據(jù)降維，構(gòu)建甜瓜白粉病早期識別模型，以實(shí)現(xiàn)對溫室甜瓜白粉病早期的高精度識別。

1 材料與方法

1.1 材料

試驗(yàn)樣本為山東農(nóng)業(yè)大學(xué)園藝學(xué)院培養(yǎng)的250株甜瓜幼苗，將其分為接種白粉病植株125株和正常植株125株。甜瓜品種為羊角蜜，在培養(yǎng)箱中進(jìn)行培育。將甜瓜幼苗培育到兩葉一心到三葉一心階段時(shí)，采用噴灌法進(jìn)行白粉病菌的接種。在染病后以及病狀顯現(xiàn)前每隔1天進(jìn)行1次采集，每次測25株染病植株和25株健康植株。圖1是健康與染病不同時(shí)期的甜瓜葉片。染病前4天的葉片均無肉眼可見病斑，在第5天時(shí)染病葉片已表現(xiàn)出肉眼可見白斑。本試驗(yàn)研究的是病斑不可見狀態(tài)下的甜瓜白粉病早期識別，故選取前4天的數(shù)據(jù)作為本試驗(yàn)所研究對象。

1.2 高光譜數(shù)據(jù)采集

高光譜成像儀主要由SOC710 VP主機(jī)、鏡頭、電源線、鹵素?zé)艉洼d物臺組成。與電腦連接后，通過HyperScanne軟件控制操作，光譜范圍為350～1 050 nm，光譜分辨率2.1 nm，共包含128個(gè)光譜波段，光圈選用f/5.6，曝光時(shí)間20 ms。為防止自然光線對試驗(yàn)數(shù)據(jù)的影響，數(shù)據(jù)采集在暗室中進(jìn)行。將待測葉片正面朝上平鋪在載物臺的黑色背景板上進(jìn)行數(shù)據(jù)采集。

1.3 高光譜數(shù)據(jù)處理

使用高光譜儀器配套軟件SRAnal710e來完成數(shù)據(jù)標(biāo)定、圖像處理、數(shù)據(jù)查看等功能。采集的原始數(shù)據(jù)是像元亮度值DN（Digital Number），為獲取不同波段所對應(yīng)的反射率值，需要將像元亮度轉(zhuǎn)化為光譜反射率。首先選出DN值，然后調(diào)入?yún)⒖及宸瓷渎饰募?，?zhí)行反射率數(shù)據(jù)獲取運(yùn)算。為了保證葉片所有信息的不丟失，框選整個(gè)葉片區(qū)域作為感興趣區(qū)域（Region of Insterst， ROI）提取并保存全波段ROI的平均反射率。分別對每個(gè)階段的光譜曲線進(jìn)行觀察分析，剔除嚴(yán)重偏離樣本中心的數(shù)據(jù)，最后共選用甜瓜葉片160片，其中包含健康葉片75片，染病葉片85片，逐日的樣本分類情況如表1所示。

1.4 特征波長選取與數(shù)據(jù)降維

在高光譜數(shù)據(jù)中，通常包含上百個(gè)波段，而這些波段間存在大量冗余信息。為防止過擬合，并提高模型的準(zhǔn)確性和可靠性，需要對高光譜數(shù)據(jù)進(jìn)行降維處理。在實(shí)現(xiàn)數(shù)據(jù)降維過程中，特征波長的提取一直是光譜分析領(lǐng)域中最為關(guān)鍵的研究之一。通過提取的特征波長，可以獲得高光譜數(shù)據(jù)中最重要的信息，降低數(shù)據(jù)冗余度，同時(shí)縮小數(shù)據(jù)維度，減少數(shù)據(jù)中的噪聲，從而更好地為后續(xù)的數(shù)據(jù)分析或建模奠定基礎(chǔ)。本文使用連續(xù)投影算法（Successive Projections Algorithm， SPA）、競爭性自適應(yīng)重加權(quán)算法（Competitive Adaptive Reweighted Sampling， CARS）和主成分分析（Principal Component Analysis， PCA）對光譜數(shù)據(jù)進(jìn)行特征波長的提取和數(shù)據(jù)降維。

SPA是一種基于最小二乘原理的特征選擇方法，用于選擇一組最具有預(yù)測能力的特征，以提高模型的泛化性能。SPA算法的基本思想是將待選擇特征子集看作是低維空間中的一個(gè)子空間，將全局空間中向量逐步投影到該子空間中，并求解最小的殘差平方和。SPA選擇的是含有最少冗余信息及最小共線性的變量組合。

CARS是一種基于競爭自適應(yīng)重加權(quán)采樣的特征選擇方法，旨在選擇具有代表性、互補(bǔ)性和預(yù)測能力的特征子集，以提高模型的泛化性能。CARS算法的主要思想是采用一種自適應(yīng)重加權(quán)采樣方法，在不同的采樣迭代中動(dòng)態(tài)調(diào)整特征權(quán)重，選擇出代表性和互補(bǔ)性較好的特征子集。CARS算法能夠減少光譜重疊、噪聲等干擾因素對結(jié)果的影響。

PCA是一種實(shí)現(xiàn)數(shù)據(jù)降維的統(tǒng)計(jì)方法，原理是將原特征變量的線性相關(guān)變量轉(zhuǎn)換為一組線性不相關(guān)的主成分，并通過主成分的貢獻(xiàn)率進(jìn)行特征值選取。本試驗(yàn)中，選取主成分的依據(jù)為累計(jì)貢獻(xiàn)率需達(dá)到99%以上，使原始數(shù)據(jù)的信息得以充分保留。

1.5 模型構(gòu)建與評估

甜瓜白粉病早期識別是一個(gè)分類問題，可分別利用PCA所提取主成分、SPA所篩選特征波段以及CARS所提取特征波段作為特征進(jìn)行模型訓(xùn)練。試驗(yàn)中采用兩種典型集成學(xué)習(xí)算法，分別為隨機(jī)森林（RF）和自適應(yīng)提升算法（AdaBoost）。

RF是一種基于Bagging的集成學(xué)習(xí)方法，其核心思想是將多個(gè)決策樹組成一個(gè)森林，通過對決策樹投票或取平均值來做出最終預(yù)測。RF算法能夠在處理大規(guī)模、高維度數(shù)據(jù)時(shí)可保持較高的精度和泛化能力，且能避免過擬合。

AdaBoost是一種基于boosting的集成學(xué)習(xí)方法，其核心思想是利用同一個(gè)訓(xùn)練數(shù)據(jù)集來訓(xùn)練不同分類器（弱分類器），然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）。AdaBoost算法檢測速度較高，且不易出現(xiàn)過擬合。

為探究所建模型對染病不同時(shí)期葉片與健康葉片的識別性能，將數(shù)據(jù)集按照3：1分為訓(xùn)練集和測試集，采取十折交叉驗(yàn)證進(jìn)行模型評估。采用交叉驗(yàn)證準(zhǔn)確率AC作為模型評價(jià)指標(biāo)，計(jì)算如式（1）所示。

[AC=TP+TNTP+FP+TN+FN] （1）

式中： TP——真值和預(yù)測值都是染病樣本的個(gè)數(shù)；

FP——真值是健康樣本，預(yù)測值是染病樣本的個(gè)數(shù)；

TN——真值和預(yù)測值都是健康樣本的個(gè)數(shù)；

FN——真值是染病樣本，預(yù)測值是健康樣本的個(gè)數(shù)。

2 結(jié)果與分析

2.1 原始光譜圖像分析

為分析甜瓜接種白粉病不同階段的光譜曲線變化，對不同時(shí)期的健康葉片和患病葉片的光譜反射率取平均值。甜瓜健康葉片和接種白粉病后葉片分別在1～4天的平均光譜曲線變化如圖2所示。

葉片在不同時(shí)期均有相似的變化趨勢，但在部分波段反射率差異較大。在476～500 nm藍(lán)光波段，反射率低，形成一個(gè)波谷；在526～576 nm綠光波段，反射率先升后降，附近形成明顯的波峰，此范圍內(nèi)染病葉片的平均反射率高于健康葉片；在550 nm綠光波段，染病葉片反射率高于健康葉片，這是葉綠素的反射作用，染病葉片由于白粉病菌入侵導(dǎo)致葉綠素降解；在680 nm紅光波段，反射率較低，這是因?yàn)槿~綠素對紅光波段有強(qiáng)吸收作用；在780～1 000 nm近紅外波段，由于水分含量的降低，染病葉片的平均反射率低于健康葉片。

2.2 特征波長選取

2.2.1 SPA算法選擇特征波長

為探究甜瓜白粉病早期的特征波段，采用SPA算法進(jìn)行特征選擇。SPA利用向量的投影分析，通過將波長投影到其他波長上，比較投影向量大小，以投影向量最大的波長為待選波長，然后基于待選波長建立多元線性回歸分析MLR（Multiple Linear Regression）模型，得到建模集均方根誤差RMSE（Root Mean Squared Error）所對應(yīng)不同的候選子集。SPA算法中設(shè)置選取最小波長個(gè)數(shù)為2，最大為28，MLR模型分別采用7∶3進(jìn)行訓(xùn)練集和測試集的劃分。圖3是不同波長個(gè)數(shù)所對應(yīng)的均方根誤差，圖4是所選取的特征波長。

由圖3和圖4可知，在RMSE達(dá)到最小值0.27時(shí)，所選取特征波長為8個(gè)，分別是396.39 nm、525.77 nm、556.12 nm、768.47 nm、940.23 nm、962.07 nm、1 011.51 nm和1 039.15 nm。與原始波長個(gè)數(shù)相比，波長數(shù)量減少93.75%，極大減少波長信息的冗余，且所選取特征波段范圍與原始光譜圖像分析中的結(jié)論一致。

2.2.2 CARS算法選擇特征波長

使用CARS算法選擇特征波長，設(shè)置迭代次數(shù)為50次，偏最小二乘回歸保留的主成分最大值為10，使用十折交叉驗(yàn)證法求均方根誤差。圖5不同迭代次數(shù)對應(yīng)的均方根誤差，圖6是不同迭代次數(shù)所選取的特征波長數(shù)，迭代次數(shù)為31次時(shí)，RMSE達(dá)到最小為0.25，此時(shí)可篩選出9個(gè)特征波段，分別為396.39 nm、465.62 nm、515.19 nm、556.12 nm、880.59 nm、929.34 nm、1 011.51 nm、1 017.03 nm和1 033.61 nm。相比原始波長個(gè)數(shù)，波長數(shù)量減少了92.97%，并且所選波段范圍與原始光譜圖像分析中的結(jié)論相一致。

2.3 數(shù)據(jù)降維

使用PCA算法對原始樣本數(shù)據(jù)進(jìn)行降維，前6個(gè)主成分（PC）特征值和累積貢獻(xiàn)率如表2所示。其中PC1的貢獻(xiàn)率最大，為90.199%；累積貢獻(xiàn)率將隨著主成分PC個(gè)數(shù)逐步提高，但提升幅度逐漸變小；前4個(gè)PC的累積貢獻(xiàn)率達(dá)到99.038%，因此，選擇前4個(gè)主成分作為后續(xù)模型的輸入。

2.4 建模分析

運(yùn)用RF和AdaBoost算法，分別以原始（Original）128個(gè)波段、SPA提取的8個(gè)波段、CARS提取的9個(gè)波段和PCA提取到的4個(gè)主成分來構(gòu)建模型，包括：Original-AdaBoost、Original-RF、SPA-AdaBoost、SPA-RF、CARS-AdaBoost、CARS-RF、PCA-AdaBoost和PCA-RF。通過十折交叉驗(yàn)證后不同染病天數(shù)甜瓜葉片識別的準(zhǔn)確率和平均準(zhǔn)確率如表3所示。

由表3可知，隨著染病天數(shù)的不斷增加，不同識別算法的識別準(zhǔn)確率得到逐步提升。使用全部波段的Original-AdaBoost和Original-RF模型普遍優(yōu)于其他模型，其中又以O(shè)riginal-AdaBoost性能最佳。Original-AdaBoost對染病第1天到第4天的分類準(zhǔn)確率分別達(dá)到93.3%、93.3%、95.0%和97.5%。但Original-AdaBoost和Original-RF需使用全部128個(gè)波段，易產(chǎn)生數(shù)據(jù)過擬合問題，且占用更多的計(jì)算和存儲(chǔ)資源。為此，使用SPA、CARS和PCA對特征波段進(jìn)行選擇和降維。SPA-AdaBoost、CARS-AdaBoost和PCA-AdaBoost模型的平均準(zhǔn)確率分別為93.5%、92.8%和91.6%，相比Original-AdaBoost模型識別平均準(zhǔn)確率略有降低，但模型特征輸入分別降低了93.75%、92.97%和96.88%；SPA-AdaBoost模型在8個(gè)特征波長下，第1天到第4天的分類準(zhǔn)確率分別為93.3%、92.5%、93.3%和95.0%，該模型實(shí)現(xiàn)了甜瓜白粉病的早期識別，并且通過特征提取和數(shù)據(jù)降維所得的結(jié)果為便捷式光譜設(shè)備的研發(fā)提供了理論支持。

3 結(jié)論

1） 通過高光譜成像技術(shù)對甜瓜白粉病早期各階段病害葉片進(jìn)行識別，使用SPA、CARS和PCA進(jìn)行特征波長選擇和降維，并搭建出基于RF和AdaBoost的甜瓜白粉病早期識別模型。

2） 根據(jù)甜瓜白粉病高光譜數(shù)據(jù)，在526～576 nm和780～1 000 nm波段范圍內(nèi)，甜瓜白粉病葉片和正常葉片具有明顯的差異性，這和SPA、CARS算法所選擇的特征波長范圍相一致，兩種方法分別的得到8個(gè)（396.39 nm、525.77 nm、556.12 nm、768.47 nm、940.23 nm、962.07 nm、1 011.51 nm和1 039.15 nm）和9個(gè)（396.39 nm、465.62 nm、515.19 nm、556.12 nm、880.59 nm、929.34 nm、1 011.51 nm、1 017.03 nm和1 033.61 nm）特征波長；通過特征波長所建立的SPA-AdaBoost和CARS-AdaBoost模型取得了較好的識別率，平均準(zhǔn)確率分別是93.5%和92.8%；PCA算法具有很好的降維效果，在4個(gè)特征值的情況下，平均準(zhǔn)確率達(dá)到91.6%，有效減少模型特征輸入。

3） 結(jié)果表明，高光譜成像技術(shù)可用于甜瓜白粉病早期識別的檢測研究，SPA、CARS和PCA是有效的特征提取和數(shù)據(jù)降維算法，高光譜成像技術(shù)為甜瓜白粉病早期識別提供一種可行方法。

參 考 文 獻(xiàn)

[ 1 ] 崔浩楠， 朱強(qiáng)龍， 朱子成， 等. 甜瓜白粉病及其抗性分子遺傳研究進(jìn)展[J]. 中國瓜菜， 2018， 31（3）： 1-7.

Cui Haonan， Zhu Qianglong， Zhu Zicheng， et al. Advance on powdery mildew and molecular genetic base of resistance in melon [J]. China Cucurbits and Vegetables， 2018， 31（3）： 1-7.

[ 2 ] 李鑫星， 朱晨光， 白雪冰， 等. 基于可見光譜和支持向量機(jī)的黃瓜葉部病害識別方法研究[J]. 光譜學(xué)與光譜分析， 2019， 39（7）： 2250-2256.

Li Xinxing， Zhu Chenguang， Bai Xuebing， et al. Recognition method of cucumber leaves diseases based on visual spectrum and support vector machine [J]. Spectroscopy and Spectral Analysis， 2019， 39（7）： 2250-2256.

[ 3 ] 李凱雨， 張慧， 馬浚誠， 等. 基于語義分割和可見光譜圖的作物葉部病斑分割方法[J]. 光譜學(xué)與光譜分析， 2023， 43（4）： 1248-1253.

Li Kaiyu， Zhang Hui， Ma Juncheng， et al. Segmentation method for crop leaf spot based on semantic segmentation and visible spectral images [J]. Spectroscopy and Spectral Analysis， 2023， 43（4）： 1248-1253.

[ 4 ] 趙曉陽， 張建， 張東彥， 等. 低空遙感平臺下可見光與多光譜傳感器在水稻紋枯病病害評估中的效果對比研究[J]. 光譜學(xué)與光譜分析， 2019， 39（4）： 1192-1198.

Zhao Xiaoyang， Zhang Jian， Zhang Dongyan， et al. Comparison between the effects of visible light and multispectral sensor based on low altitude remote sensing platform in the evaluation of rice sheath blight [J]. Spectroscopy and Spectral Analysis， 2019， 39（4）： 1192-1198.

[ 5 ] 張昭， 王鵬， 姚志鳳， 等. 基于多光譜熒光成像技術(shù)和SVM的葡萄霜霉病早期檢測研究[J]. 光譜學(xué)與光譜分析， 2021， 41（3）： 828-834.

Zhang Zhao， Wang Peng， Yao Zhifeng， et al. Eary detection of downy mildew on grape leaves using multicolor fluorescence imaging and model SVM [J]. Spectroscopy and Spectral Analysis， 2021， 41（3）： 828-834.

[ 6 ] 劉浪， 許金釵， 翁海勇， 等. 基于多光譜成像技術(shù)的水稻葉部病害檢測裝置設(shè)計(jì)與試驗(yàn)[J]. 福建農(nóng)林大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 52（2）： 280-284.

Liu Lang， Xu Jinchai， Weng Haiyong， et al. Development of a portable detection device for rice leaf diseases using multispectral imaging [J]. Journal of Fujian Agriculture and Forestry University （Natural Science Edition）， 2023， 52（2）： 280-284.

[ 7 ] 張凝， 楊貴軍， 趙春江， 等. 作物病蟲害高光譜遙感進(jìn)展與展望[J]. 遙感學(xué)報(bào)， 2021， 25（1）： 403-422.

[ 8 ] 徐衍向， 張敬智， 蘭玉彬， 等. 基于紅外熱成像和機(jī)器學(xué)習(xí)的作物早期病害識別研究進(jìn)展[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（5）： 188-197.

Xu Yanxiang， Zhang Jingzhi， Lan Yubin， et al. Research progress of early crop disease identification based on infrared thermal imaging and machine learning [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（5）： 188-197.

[ 9 ] 謝亞平， 陳豐農(nóng)， 張競成， 等. 基于高光譜技術(shù)的農(nóng)作物常見病害監(jiān)測研究[J]. 光譜學(xué)與光譜分析， 2018， 38（7）： 2233-2240.

Xie Yaping， Cheng Fengnong， Zhang Jingcheng， et al. Study on monitoring of common diseases of crops based on hyperspectral technology [J]. Spectroscopy and Spectral Analysis， 2018， 38（7）： 2233-2240.

[10] 康麗， 袁建清， 高睿， 等. 高光譜成像的水稻稻瘟病早期分級檢測[J]. 光譜學(xué)與光譜分析， 2021， 41（3）： 898-902.

Kang Li， Yuan Jianqing， Gao Rui， et al. Early detection and identification of rice blast based on hyperspectral image [J]. Spectroscopy and Spectral Analysis， 2021， 41（3）： 898-902.

[11] 程術(shù)希， 謝傳奇， 王巧男， 等. 不同波長提取方法的高光譜成像技術(shù)檢測番茄葉片早疫病的研究[J]. 光譜學(xué)與光譜分析， 2014， 34（5）： 1362-1366.

Cheng Shuxi， Xie Chuanqi， Wang Qiaonan， et al. Different wavelengths selection methods for identification of early blight on tomato leaves by using hyperspectral imaging technique [J]. Spectroscopy and Spectral Analysis， 2014， 34（5）： 1362-1366.

[12] 吳葉蘭， 陳怡宇， 廉小親， 等. 高光譜成像的柑橘病蟲害葉片識別方法[J]. 光譜學(xué)與光譜分析， 2021， 41（12）： 3837-3843.

Wu Yelan， Chen Yiyu， Lian Xiaoqin， et al. Study on the identification method of citrus leaves based on hyperspectral imaging technique [J]. Spectroscopy and Spectral Analysis， 2021， 41（12）： 3837-3843.

[13] 趙森， 付蕓， 崔江南， 等. 高光譜的刺五加黑斑病的早期檢測研究[J]. 光譜學(xué)與光譜分析， 2021， 41（6）： 1898-1904.

Zhao Sen， Fu Yun， Cui Jiangnan， et al. Application of hyperspectral imaging in the diagnosis of acanthopanax senticosus black spot disease [J]. Spectroscopy and Spectral Analysis， 2021， 41（6）： 1898-1904.

[14] 劉燕德， 姜小剛， 周衍華， 等. 基于高光譜成像技術(shù)對臍橙葉片的葉綠素、水分和氮素定量分析[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2016， 37（3）： 218-224.

Liu Yande， Jiang Xiaogang， Zhou Yanhua， et al. Quantitative analysis of chlorophyll、water and nitrogen for Nacel orange leaf based on hyperspectral imaging technology [J]. Journal of Chinese Agricultural Mechanization， 2016， 37（3）： 218-224.

[15] Zhao G， Pei Y， Yang R， et al. A non?destructive testing method for early detection of ginseng root diseases using machine learning technologies based on leaf hyperspectral reflectance [J]. Frontiers in Plant Science， 2022， 13： 1031030.

[16] Tapia R， Abd?Elrahman A， Osorio L， et al. Combining canopy reflectance spectrometry and genome?wide prediction to increase response to selection for powdery mildew resistance in cultivated strawberry [J]. Journal of Experimental Botany， 2022， 73（15）： 5322-5335.

[17] Fernández C I， Leblon B， Wang J， et al. Cucumber powdery mildew detection using hyperspectral data [J]. Canadian Journal of Plant Science， 2021， 102（1）： 20-32.

[18] Wang Q， Zhang S， Xu J， et al. Monitoring the infection of powdery mildew pathogen on strawberry leaves by ATR-IR technique [J]. Journal of Phytopathology， 2022， 170（9）： 579-587.

[19] Xuan G， Li Q， Shao Y， et al. Early diagnosis and pathogenesis monitoring of wheat powdery mildew caused by blumeria graminis using hyperspectral imaging [J]. Computers and Electronics in Agriculture， 2022， 197： 106921.

[20] 馮子恒， 李曉， 段劍釗， 等. 基于特征波段選擇和機(jī)器學(xué)習(xí)的小麥白粉病高光譜遙感監(jiān)測[J]. 作物學(xué)報(bào)， 2022， 48（9）： 2300-2314.

[21] 蔡葦荻， 張羽， 劉海燕， 等. 基于成像高光譜的小麥冠層白粉病早期監(jiān)測方法[J]. 中國農(nóng)業(yè)科學(xué)， 2022， 55（6）： 1110-1126.

Cai Weidi， Zhang Yu， Liu Haiyan， et al. Early detection on wheat canopy powdery mildew with hyperspectral imaging [J]. Scientia Agricultura Sinica， 2022， 55（6）： 1110-1126.