马铃薯叶片早疫病的高光谱识别研究

徐明珠 ，李　梅，白志鹏，胡耀华，何　勇

(1.西北农林科技大学 机械与电子工程学院，陕西 杨凌　712100；2.浙江大学 生物系统工程与食品科学学院，杭州　310058)



马铃薯叶片早疫病的高光谱识别研究

徐明珠1，李梅1，白志鹏1，胡耀华1，何勇2

(1.西北农林科技大学 机械与电子工程学院，陕西 杨凌712100；2.浙江大学 生物系统工程与食品科学学院，杭州310058)

摘要：为实现马铃薯叶片早疫病的快速识别，达到尽早防治的目的，利用高光谱成像系统连续4天采集375～1018 nm波段内的健康和染病马铃薯叶片的高光谱数据信息，并用ENVI软件提取感兴趣区域的光谱反射率平均值。分别建立基于全光谱(full spectrum, FS)、连续投影算法(SPA)和载荷系数法(x-LW)提取的特征波长的BP网络和LS-SVM识别模型，其中FS-BP、SPA-BP、x-LW-BP模型中预测集识别率分别为100%、100%、98.33%，LS-SVM模型的预测集识别率均为100%；SPA和x-LW提取的特征波长个数均仅占全波长的1.47%，大大简化了模型，提高了运算速率。实验表明：应用高光谱成像技术可以快速、准确地识别出马铃薯叶片早疫病，且SPA和x-LW可以作为特征波长提取的有效方法，为田间马铃薯早疫病的在线实时检测仪器的开发提供理论依据。

关键词：马铃薯；早疫病；高光谱成像技术；特征波长；识别模型

0引言

马铃薯在世界上许多国家和地区都有种植，面积和产量仅次于小麦、水稻和玉米。据统计，2013年马铃薯在全球的种植面积大概2 000万hm2，而在我国种植面积就有488万hm2，几乎为全球的1/4，居全球第1位[1]。马铃薯种植在我国乃至全世界的农业发展中占有非常重要的地位，且今年我国将启动马铃薯主粮化战略，马铃薯已成为我国第四主粮；然而马铃薯早疫病作为田间一种非常常见的作物病害，日渐阻碍着我国马铃薯产业的发展。

由茄链格孢(Alternariasolani)和链格孢(Alternariaalternata)引起的马铃薯早疫病，是一种非常严重的真菌性病害，在全球各大地区均有所发生，其危害程度被认为仅次于马铃薯晚疫病。近年来，马铃薯早疫病在我国各个地区均有不同程度的发生，部分地区的危害程度甚至超过了晚疫病。针对作物病害检测方面，目前已经有一些相关报道，人工感官判断和理化检测是传统的两种作物病害检测手段，但这两种方法却存在很多缺陷。人工感官判断很容易受到气候条件、情绪等主观、客观因素的影响；而理化检测需要操作者应具备专业知识，且工作繁琐、破坏样本、时效性差。因此，有必要探索出一种既准确又快速的病害检测方法。

高光谱成像技术在近几年发展很快，它合并了传统光谱和计算机图像信息技术，使其具有分辨率高、波段数多和图谱合一等众多优点，目前在农业生产及食品检测等领域[2-5]应用广泛。关于应用高光谱成像技术来检测农田病害的研究已经有一些：在国内，梅慧兰等[6]用高光谱技术对柑橘黄龙病进行了鉴别研究，并划分了病害等级；程术希等[7]利用高光谱成像技术对番茄叶片普遍发生的早疫病进行了检测，并采取不同方法获得了有效波长；冯雷等[8]等用高光谱成像技术来检测茄子叶灰霉病的方法是完全可行的；在国外，Bauriegel等[9]用高光谱对小麦的镰刀菌病进行了早期检测；Rumpf等[10]用高光谱反射数据针对甜菜不同病害进行了检测与分类。

目前，还没有关于高光谱技术识别马铃薯叶片早疫病的报道。本研究的目的在于使用高光谱成像技术对马铃薯叶片早疫病进行检测，并建立其定量识别模型，从而为实现田间马铃薯早疫病在线实时检测仪器的开发提供理论依据。

1材料与方法

1.1实验样本

样本为中薯18号品种马铃薯，于2014年10月22日种植于玻璃温室内，共15盆，每盆2株，共30株。实验选取长势好、大小一致、未受虫害影响的叶片60片，其中48片进行马铃薯早疫病菌的离体接种，其余12片作为健康对照。接种方式采用直径大约为5 mm的菌丝块，待接菌完成后，先将其放在25℃黑暗条件下培养12 h，以便于叶片能够感染；然后，将接种叶片放置在人工气候箱中，每天12 h光暗交替，相对湿度100%，25℃连续培养4天。

接种前，先对马铃薯叶片进行一次高光谱数据采集；接种24 h后去掉菌丝块，对其进行第2次高光谱数据采集，此时接种叶片已被菌丝穿透，发病部位变薄；之后，每隔24 h对叶片进行高光谱数据采集，前后共4天，但叶片接种部位病斑并没有明显扩展，发病轻重也无明显界限，所以本文将所测样本仅划分为健康和发病两种情况；最终，选取了健康的样本84个和染病的96个进行分析。从所有健康和染病样本中分别按2:1的原则随机选取，最后得到建模的样本(120个)和预测的样本(60个)，并将健康的样本Y变量设为0，染病的样本Y变量设为1，进行后续研究。

1.2设备与数据处理软件

试验采用北京卓立汉光仪器有限公司研制的Zolix HyperSIS高光谱成像仪(见图1)，主要由高性能光谱仪(V10E-QE型, Spectral Imaging Ltd.,芬兰)、图像采集卡、配套光源、面阵CCD相机(XEVA2616型，XenICsLtd.,比利时)、PSA300-X型电控位移台，以及计算机和暗箱等部件组成。光谱仪的波长范围为375～1 018nm，分辨率为2.8nm。数据分析处理软件采用ENVI4.8 (Research System Inc，Boulder，Co.USA)、Unscrambler9.7 (Camo，ProcessAS，Oslo，Norway)和MatlabR2010a(The Math Works，USA)。

图1　高光谱成像系统

1.3高光谱图像获取与校正

设置图像采集系统的曝光间隔时间为0.05 s，电移动台的速度为20mm/s，叶片距离镜头的竖直高度为65cm；然后，将马铃薯叶片按顺序放置在载物台上，打开计算机的数据采集软件，从而获得样本在375～1 018nm波段范围内的高光谱信息。

为了避免原始高光谱图像中产生的噪声对实验结果造成的影响，需要在实验前进行黑白高光谱仪器校准。在同一环境中，设扫描白色板采集获得全白的标定图像为Wo，盖上镜头盖采集获得全黑的标定图像设为Bo，则原图像Io可按照式(1)进行校正，Ro为校正后的高光谱图像。则

(1)

1.4高光谱数据处理

1.4.1特征波长提取

为简化模型，本文利用连续投影算法(Successive Projections Algorithm, SPA)和载荷系数法(x-Loading Weights, x-LW)从光谱数据中提取有效特征波长。

连续投影算法[11](SPA)作为一种前向循环的特征变量获取手段，对于消除各变量之间的线性相关性非常有效，从而降低模型复杂程度,进而提高运算速率，目前已广泛应用于光谱领域。

载荷系数法(x-LW)是在偏最小二乘法建模过程中获得的[12]。在建模过程中，可以获得一些隐含变量，其重要性依次下降。每个隐含变量下都存在一条载荷值随各个波长的变化曲线，其中x-LW绝对值的大小反映了该处波长对模型的重要性。因而，可以将载荷值绝对值最大处所对应的波长作为新的变量输入到模型，从而提高速率。

1.4.2识别模型

误差反向传播神经网络 (Error Back Propagation，BP)目前已被广泛应用于非线性拟合问题与模式识别等研究领域[13]。该网络具有较强的自学习、自组织能力，算法通过误差反向传播进而不断调整网络权值和阈值，使得误差平方和达到最小值，实现预测值逼近实测值的效果。

最小二乘支持向量机(Least Squares Support Vector Machines，LS-SVM)以最小二乘线性系统为损失函数，通过将传统SVM采用的较复杂的二次规划方程转化为求解一组线性方程，从而降低模型复杂程度，提高计算速度，可有效解决线性与非线性建模问题，并具有很好的适应能力，在光谱检测中应用很广[14]。

2结果与讨论

2.1高光谱反射曲线图

图2(a)与(b)分别为马铃薯叶片在光谱375～1 018nm范围内的所有样本和将健康与染病样本的光谱数据计算平均后的反射率曲线图。其中，横纵坐标分别为波长和光谱反射值。从图2(a)可以发现：变化曲线在开始和结尾处存在一些噪声，健康和染病叶片的光谱反射值的变化走势比较类似，区别比较小；在550 nm附近存在一个反射高峰，在680 nm附近出现一个反射低谷，主要是由于在可见光范围内，叶片反射率的决定因素由叶绿素控制；而在680～750 nm光谱反射值上升很快，从而使得近红外区域内的光谱反射率高于可见光区域，可能是反射特性的主控因素发生变化受到叶片内部结构细胞的控制，从而导致出现“近红外高台阶”。由图2(b)可以看到：染病和健康马铃薯叶片在某些波段范围内存在一定差别，如在560～715nm范围内染病的样本的平均光谱反射值略高于健康的样本；而在715～1 018nm波段范围内染病叶片的平均光谱反射值远低于健康的叶片，区别比较明显。这可能是由于叶片染病早期叶片自我保护机能使其内部一些元素活性增强，导致染病样本的反射率随之增大，在可见光区域表现突出；而随着病菌的入侵，叶片内部组织遭到破坏，使得光谱反射率明显低于健康样本，在近红外短波区域表现突出。

为了提高模型准确度和稳定性，减少噪声对实验模型的影响，在后期数据处理中，本研究只采用450～960nm波段范围内共204个波段的光谱数据来进行分析。

2.2特征波数优选

2.2.1SPA提取特征波长

设定SPA的特征波长数范围为1～30，计算过程通过MatLabR2010a实现，通常把均方根误差最小处对应的波长数作为最佳特征波长数量。其中，图3为均方根误差(RMSE)随模型特征波长个数的变化曲线。当特征波长数量超过3时，其均方根误差减小趋于平缓，据此优选出3个最佳特征波长，分别为710、830、955nm。相比于全波段，特征波长数仅占全波段变量数的1.47%，很大程度上减少了模型的输入变量。

图2　马铃薯叶片的平均光谱反射率曲线

图3　RMSE随SPA选择的特征波长数的变化

2.2.2x-LW提取特征波长

首先将全部的光谱数据作为输入变量，构建偏最小二乘模型，经过分析得出有效隐含变量仅为3。图4为载荷数值随不同波长的变化曲线。把各个隐含变量下的载荷值的绝对值最大处对应的波长当作需要的特征变量提取出来，最终得到3个有效的特征波长，分别是710、718、764 nm，使得模型的输入变量减少了98.53%，从而简化了模型。

图4　载荷系数随波长的变化过程

2.3建模与分析

2.3.1模型参数的选择与设定

BP神经网络：选取tansig为隐含层的传输函数，purelin作为输出层的传输函数，trainrp(回弹BP算法)作为网络训练函数，0.000 1作为均方差目标值，迭代次数为100。由于隐含层神经元数没有确切的理论依据，本文通过反复尝试，比较隐含层个数在2～30之间的网络性能，最终确定的BP网络结构与参数，如表1所示。模型预测值通过四舍五入的方法(即设定0.5为分类界限)，调整为整数。

表1　BP神经网络的结构与参数

LS-SVM模型选择高斯RBF内核作为其核函数，设超参数γ和核参数σ2的范围为2-1～210，算法可以利用网格搜索法结合留一交互验证法确定模型的参数γ和σ2，具体如表2所示。

表2　LS-SVM模型的结构与参数

2.3.2模型建立与分析

将建模集的全光谱(FS)数据、经SPA和x-LW提取的特征波长分别作为BP和LS-SVM模型的输入构建马铃薯叶片早疫病的识别模型，然后利用预测集的数据进行模型的验证，结果如表3所示。

表3　不同模型的识别结果

由表3可知：基于全波段和特征波长建立的6个模型均取得了不错的效果。LS-SVM所有模型的建模集和预测集识别率都达到了100%；BP模型中除x-LW-BP模型的预测集识别率为98.33%，其余也都为100%。通过SPA、x-LW方法提取的特征波长，基本能够全面反映原始光谱中的有用信息，使得模型的输入变量大大减少，且均相当于全波段(450～960nm)变量数的1.47%，模型得到大大简化。

由建模分析可知：BP神经网络容易陷入局部最优值，稳定性差，样本变化时需重新修改参数建立网络，且对于复杂问题效果较差；而LS-SVM建模计算过程稳定，且对于复杂数据也能取得较好的效果，适应能力强。

3结论

本文应用高光谱成像技术对马铃薯叶片早疫病进行了识别研究，基于全波段数据和特征波长信息构建了BP和LS-SVM共6个识别模型。其中，FS-BP、SPA-BP、x-LW-BP模型中建模集鉴别率均达到100%，预测集鉴别率分别为100%、100%、98.33%；LS-SVM所有模型的建模集和预测集鉴别率均为100%，效果更好。SPA和x-LW提取的特征波长分别为710、830、955 nm和710、718、764 nm，其个数均仅占全光谱变量的1.47%，使模型得到大大简化，更方便仪器的开发。研究结果表明：应用高光谱成像技术可以快速识别马铃薯叶片早疫病，且SPA和x-LW可以作为特征波长提取的有效方法，为田间马铃薯早疫病在线实时检测仪器的开发提供了理论依据。

参考文献：

[1]郑慧慧,王泰云,赵娟,等.马铃薯早疫病研究进展及其综合防治[J].中国植保导刊,2013, 33(1):18-21.

[2]Talens P, Moral, Morsy N, et al. Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging [J].Journal of Food Engineering, 2013, 117(3):272-280.

[3]Ray S S, Jain N, Arora R K, et al. Utility of Hyperspectral Data for Potato Late Blight Disease Detection[J].Journal of the Indian Society of Remote Sensing, 2011, 39(2):161-169.

[4]Del Flore A, Reverberi M, Ricella A, et al. Early detection of toxigenic fungi on maize by hyperspectral imaging analysis [J].International Journal of Food Microbiology, 2010, 144(1): 64-71.

[5]Qin J, Burks T F, Ritenour M A, et al. Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence [J]. Journal of Food Engineering, 2009, 93(2): 183-191.

[6]梅慧兰,邓小玲,洪添胜,等.柑橘黄龙病高光谱早期鉴别及病情分级[J].农业工程学报,2014,30(9):140-147.

[7]程术希,谢传奇,王巧男,等.不同波长提取方法的高光谱成像技术检测番茄叶片早疫病的研究[J].光谱学与光谱分析,2014,34(5):1362-1366.

[8]冯雷,张德荣,陈双双,等.基于高光谱成像技术的茄子叶片灰霉病早期检测[J].浙江大学学报:农业与生命科学版,2012,38(3):311-317.

[9]Bauriegel E, Giebel A, Geyer M, et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging [J].Computers and Electronics in Agriculture, 2011, 75(2): 304-312.

[10]Rumpf T, Mahlein A K, Steiner U, et al. Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance [J].Computers and Electronics in Agriculture, 2010, 74(1): 91-99.

[11]Zhang J, Rivard B, Rogge D M. The successive projection algorithm (SPA), an algorithm with a spatial constraint for the automatic search of endmembers in hyperspectral data [J].Sensors, 2008, 8(2): 1321-1342.

[12]Liu F, He Y, Wang L. Determination of effective wavelengths for discrimination of fruit vinegars using near infrared spectroscopy and multivariate analysis [J].Analytica chimica Acta, 2008, 615(1): 10-17.

[13]He Y,Li X,Deng X.Discrimination of varieties of tea using near infrared spectroscopy by principal component analysis and BP model [J].Journal of Food Engineering, 2007, 79(4): 1238-1242.

[14]Zhang X, Liu F, He Y. Detecting macronutrients content and distribution in oilseed rape leaves based on hyperspectral imaging [J].Biosystems Engineering, 2013, 115(1): 56-65.

Identification of Early Blight Disease on Potato Leaves Using Hyperspectral Imaging Technique

Xu Mingzhu1, Li Mei1, Bai Zhipeng1, Hu Yaohua1, He Yong2

(1.College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China; 2.College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China)

Abstract：The purpose of this paper is to realize identification of early blight of potato leaves rapidly, and to achieve early prevention. Hyperspectral data of healthy and infected potato leaves were obtained by hyperspectral imaging system within the wavelength range of 375～1018 nm for four consecutive days, and the average spectral reflectance of the region of interests were extracted by ENVI software. Effective wavelengths were selected by successive projections algorithm (SPA) and x-loading weights (x-LW), respectively. Error back propagation (BP) neural network and least squares support vector machines (LS-SVM) identification models were established based on full spectrum (FS), SPA, and x-LW, respectively. The results showed that the identification rates of the prediction set are 100%, 100% and 98.33% in FS-BP, SPA-BP, x-LW-BP models and 100% in all of LS-SVM models, respectively. The number of effective wavelength extracted by SPA and x-LW, respectively, accounts for only 1.47% of the total number of wavelengths, simplifying the models and improving the rate of operation greatly. The results indicated that it is feasible to identify early blight on potato leaves exactly and quickly using hyperspectral imaging, SPA and x-LW are effective methods to extract characteristic wavelengths and it provides a theoretical basis for the development of online real-time detection instrument of early blight of potato in the field.

Key words：potatoes; early blight; hyperspectral imaging technique; effective wavelengths；identification of models

文章编号：1003-188X(2016)06-0205-05

中图分类号：S122

文献标识码：A

作者简介：徐明珠(1989-)，男，河北保定人，硕士研究生，(E-mail) xmz2009012454@163.com。通讯作者：胡耀华(1973-)，女，江西奉新人，教授，博士，(E-mail) huyaohua@nwsuaf.edu.cn。

基金项目：国家高技术研究发展计划项目(2011AA100705)；国家自然科学基金项目(31071332)

收稿日期：2015-06-01