高光谱技术诊断马铃薯叶片晚疫病的研究

胡耀华，平学文，徐明珠，单卫星，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. 西北农林科技大学植物保护学院，陕西 杨凌 712100 3. 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058

高光谱技术诊断马铃薯叶片晚疫病的研究

胡耀华1，平学文1，徐明珠1，单卫星2，何 勇3*

1. 西北农林科技大学机械与电子工程学院，陕西 杨凌 712100 2. 西北农林科技大学植物保护学院，陕西 杨凌 712100 3. 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058

鉴于晚疫病可对马铃薯造成毁灭性灾害，对受晚疫病胁迫的马铃薯叶片进行了高光谱图像特征研究。旨在探索马铃薯叶片的高光谱图象特征与晚疫病害程度的关联，以实现准确、快速、无损的晚疫病诊断。采用60片马铃薯叶片，对其中48片采用离体方式接种晚疫病菌，所剩12片作为对照，染病前后连续观测7天，得到染病和健康样本。健康和染病样本按照染病时间和染病程度不同采用374～1 018 nm波段范围的可成像高光谱仪分别采样，基于ENVI软件处理平台提取图像中感兴趣区的光谱信息，并采用移动平均平滑、导数处理、光谱变换、基线变换等预处理方法提高信噪比，建立了最小二乘支持向量机(LS-SVM)的识别模型。9个模型中，基于原始光谱(不预处理)和光谱变换预处理后的数据所建立的模型预测效果最好，识别率均达到了94.87%。表明基于高光谱成像技术可以实现晚疫病胁迫下马铃薯病害程度的有效区分。

高光谱成像技术； 马铃薯； 晚疫病； 最小二乘支持向量机

引 言

马铃薯是一种适应性强，分布广，用途多，高产高效的经济作物，是世界上第三大消费作物。马铃薯晚疫病是由致病疫霉引起，易导致马铃薯茎叶死亡和块茎腐烂的毁灭性流行性真菌病害，在全世界马铃薯各产区均有发生。1845年，由于马铃薯晚疫病席卷欧洲，造成爱尔兰近百万人丧命、200万人大移民的“爱尔兰饥馑”事件[1]。晚疫病是马铃薯生产的巨大威胁[2]。染病时间是判断其严重程度的一个重要指标，如果能把晚疫病感染时间准确地判断出来，则在作业管理中可准确地按病情的严重程度定量施用农药，可显著提高马铃薯产量与品质，减少环境污染。

植物病害检测常用的方法主要有人工感官判定和理化检测两种，它们都存在一定程度的缺陷。人工感官判定法检测容易受气候条件、健康状况、情绪等主观因素和客观因素的影响，从而导致误判； 而理化检测对操作者的技术要求高，且存在步骤繁琐、对样品具有破坏性和时效性差等缺点。这两种方法的缺陷导致其很难准确地指导生产实践，因此，一种准确、快速、实时无损的早期鉴别马铃薯叶片晚疫病的方法显得极其重要。

植物病害的无损检测方法中，可见/近红外光谱技术与多光谱技术是最为常用的两种方法，国内外均有大量研究报道[3-4]。在国外，Bravo等[5]利用460～900 nm波段的可见/近红外光谱反射率数据对小麦的黄锈病进行了早期检测； Muir等[6]以马铃薯块茎为研究对象，研究了其在感染病害但肉眼尚不能发现的阶段的光谱反射率特征，以实现病害的早期诊断。在国内，吴迪等[7]采用可见/近红外光谱技术对茄子叶片灰霉病进行早期检测，在室内采集茄子叶片的光谱信息，建立检测模型，获得了100%以及88%的识别率。但是，利用光谱技术在田间近距离采集植物数据时，会受到田间环境的影响，而降低其可靠性。吴迪等进一步采用多光谱成像技术对茄子灰霉病进行了无损检测研究，主要是通过采集绿(550 nm)、红(650 nm)、近红外(800 nm)三个波段的图像对发病茄子叶片进行病斑识别，能够在有干燥的土壤和枯叶等干扰条件下对灰霉病斑进行较好的识别。冯雷等利用多光谱成像技术建立稻叶瘟病情检测分级模型，包括绿、红、近红外三通道信息，识别营养生长期的水稻苗瘟和叶瘟病害，准确率可达98%和90%。

仅用光谱信息分析不能对植株叶片或茎秆上的单位点逐个分析光谱特性，多光谱成像技术克服了这个不足之处，但由于其使用的探测波段数目有限，无法进一步获悉植物发病后相关的生理信息。

而高光谱成像技术可以在很宽的光谱波段范围内连续地采集光谱和图像信息，其光谱分辨率可达到2～3 nm，能充分反映被测物信息的细微变化，其图像信息则可以在经过预处理后提取被测物的色彩、位置等外部特征信息。这种图谱合一的优点可以有效地克服单纯依靠外在特征和光谱特征的不足，能够明显地提高植物病害诊断的准确度。目前，把高光谱成像技术用于植物病害检测已有相关报道[8]。Steddom等[9]利用高光谱遥感数据和冠层多光谱数据分析甜菜的五种植被指数，结果表明正常的甜菜与有丛根病症状的甜菜的五种植被指数有显著差异； 张东彦等利用成像高光谱仪在小麦叶片感染病害时，既能定量地识别每个叶片的病斑个数，又可定性地区分感染面积对叶片造成的影响； 谢传奇等[10]基于高光谱成像技术分别从光谱特征和纹理特征两个方面提取了番茄的染病和健康叶片感兴趣区域的光谱反射率值和基于灰度共生矩阵的纹理特征值，实现了番茄叶片早疫病的早期识别。而采用高光谱成像技术诊断马铃薯晚疫病还鲜有报道。

本研究以马铃薯叶片为研究对象，利用其光谱信息，对马铃薯植株感染晚疫病的程度进行检测与分级，提取反映染病程度的特征光谱信息建立病害程度识别模型，为今后马铃薯晚疫病快速检测仪器的开发提供理论依据。

1 实验部分

1.1 样本

供试马铃薯品种为中薯20号，共10盆，每盆3株，共30株，于2014年1月16日种植，置于玻璃温室内培养，于2014年4月21日从30株马铃薯植株上，每株采集2片叶片，共采集叶片60片，随机抽取48片进行离体马铃薯晚疫病菌接种，剩下的12片作为健康对照。马铃薯晚疫病菌的制备和培养由西北农林科技大学植物保护学院相关人员实施，接种部位为叶片背面二级叶脉之间，接种量为100 μL/叶，覆盖叶片面积约25 mm2。接菌完后，18 ℃下黑暗培养18 h，次日翻转叶片，擦除接种液滴，防止交叉感染。置入人工气候箱进行培养，人工气候箱设置在相对湿度100%，温度为18 ℃，保持每天16 h光照和8 h暗培养的条件，连续培养6 d。

接种前，对60片马铃薯叶片进行第一次高光谱数据采集。接种后24 h，对12片健康叶片和48个接菌叶片进行第二次高光谱数据采集，之后5天每隔24 h对叶片进行一次高光谱数据采集，并进行病害严重度(disease severity，DS)[11]记录，共进行7 d，得到样本420个。接种前后7 d内采集的样本病害严重程度记录如表1所示。其中，完全健康的样本的DS参考值设为0，接种并发生晚疫病的样本按严重程度分为三等，DS小于10%的样本参考值设为1，DS大于等于10%且小于30%的样本参考值设为2，DS大于等于30%的样本参考值设为3。

Table 1 Disease severity of all samples

注： 表中dai是day after inoculation的缩写，表示接种后第几天

由表1可以看出，1级样本主要集中在接种后的第2、3、4天，2级样本集中在接种后的第5天，3级样本集中在第5和第6天。由于样本众多，且健康样本只选取第0天采得的用于接菌的叶片的数据，剔除其中的不合格样本后，最后得到样本236个，其中健康样本48个，参考值为1，2和3的样本分别为78，28和82个。从236个样本中，每个等级的样本以2∶1的比例随机选取出建模集样本(158个)和预测集样本(78个)。

1.2 高光谱成像系统与数据采集

高光谱数据由高光谱成像系统采集得到，该系统由可见/近红外成像光谱仪(V10E-QE型, Spectral Imaging Ltd., 芬兰)，像素为320×256的面阵CCD相机(XEVA2616型，XenICsLtd., 比利时)，高稳定性的卤钨灯白光光源，高精度的电控平移台装置和计算机等组成。该系统的示意图如图1所示，其中暗箱未画出。图中编号的原件依次为： 1.高光谱成像仪； 2.光源； 3.带有高光谱数据采集软件的计算机； 4.电控位移台； 5.样本放置平台。

Fig.1 Hyperspectral imaging system

高光谱成像仪放置在室温20 ℃，相对湿度为40%的实验室中。高光谱成像系统的曝光时间设置为50 ms，将马铃薯叶片放置在移动平台上，然后开始采集高光谱数据。高光谱摄像头的图像分辨率设置为336×256，样本距离镜头高度为65 cm，采集得到光谱范围是374～1 018 nm之间共256个波段下的图像。

1.3 高光谱图像校正

黑白校正能有效消除由高光谱摄像头中存在的暗电流以及噪音光源的强度在各波段下的分布不均匀所造成的光源分布较弱的波段下的较大噪音。在同一采集环境条件下，设扫描标准白板得到的全白的标定图像Wλ(反射率接近99%)，关闭相机镜头采集图像所得到的全黑标定图像为Bλ(反射率接近0%), 然后根据式(1)对原始图像进行校正。

(1)

式中，Rλ为校正后的高光谱图像，Iλ为用高光谱采集系统采集到的原始高光谱图像。

所有高光谱数据的采集都是利用该高光谱成像系统，数据处理用到的软件有ENVI4.8，Unscrambler9.7和Matlab R2013a。

2 结果与讨论

2.1 高光谱图像感兴趣区域的选择

图2为一个典型发病叶片在染病前后7 d天内的伪彩色图像，图3为其染病区域在此7 d内的平均光谱曲线，横坐标是波长，纵坐标是光谱反射率值。由于光谱数据中首尾段噪声较大，为了减少噪音的影响，提高所建立模型的准确性，在后期的数据处理过程中，只选取450～900 nm范围内共计180个波段的数据进行分析。

Fig.2 Pseudo color of one sample inoculated from 0 to 6 days(dai: day after inoculation)

Fig.3 Spectra curves of the sample’s affected region from 0 to 6 days

图4为236个样本的光谱反射率曲线，横纵坐标也分别为波长和反射率值。通过图3和图4可以看出，健康和染病样本的光谱曲线轮廓相似，差异不是很显著，在550和750 nm附近都有一个反射峰值，在680～750 nm波长范围内反射率显著增强，近红外区域的反射率值明显高于可见光区域，这与谢传奇等[12]发现的同为茄科植物的番茄叶片在灰霉病胁迫下的光谱曲线规律相一致。

Fig.4 Spectra reflectance curves of all samples

2.2 高光谱预处理与检测模型建立

最小二乘支持向量机(least squares-support vector mechine，LS-SVM)已被广泛地运用于光谱数据建模过程，通过核函数将低维数的非线性关系转化为高维数的线性关系，有效地解决复杂的多元线性和非线性变量问题，提高计算效率。

马铃薯叶片的高光谱经过多元散射校正(MSC)、移动平均平滑(S.M.A)、光谱变换(Spectroscopic)、标准化(Normalize)、导数处理(D.G.S)、基线变换(Baseline)、标准正态变换(SNV)等预处理方法提高光谱的信噪比预处理后，建立光谱矩阵与染病程度之间的LS-SVM模型，不同的预处理方法所建立的LS-SVM模型的预测效果差别显著(见表2)。通过表2可以看出，基于原始光谱(不预处理)和光谱变换后的数据所建立的LS-SVM模型识别率最高，达到94.87%。

Table 2 Prediction results of LS-SVM models with different pretreatment

基于原始光谱和经过八种预处理方法后的数据建立的LS-SVM模型的识别率未能超过95%的判别率的原因在于。

(1)可能由于马铃薯叶片较小，病斑区域的光谱信息难于准确提取。

(2)实验过程中，光谱测定条件与气候箱的环境条件有差别, 导致叶片上存在一定的结露, 造成样本在不同波段光谱数据的变化，从而导致误判。

3 结 论

以马铃薯叶片为研究对象，采用高光谱成像技术连续七天采集了健康和感染晚疫病马铃薯叶片的图像和光谱信息。通过ENVI平台提取马铃薯叶片感兴趣区域的光谱信息，并进行了移动平滑、标准化、光谱变换等方法的预处理，建立了九种LS-SVM模型，其中基于原始光谱和光谱变换预处理后的数据建立的模型识别率最高，达到94.87%。结果表明，利用高光谱成像技术对马铃薯叶片晚疫病的分级检测是可行的，为马铃薯晚疫病的早期诊断预测提供了新的思路。

[1] Ristaino J B. Microbes and Infection 2002, 4(13): 1369.

[2] Fry W. Molecular Plant Pathology 2008, 9(3): 385.

[3] CHENG Shu-xi, SHAO Yong-ni, WU Di, et al(程术希, 邵咏妮, 吴 迪, 等). Journal of Zhejiang University(Agriculture & Life Sciences)(浙江大学学报·农业与生命科学版), 2011, 37(3): 307.

[4] HUANG Mu-yi, WANG Ji-hua, HUANG Wen-jiang, et al(黄木易, 王纪华, 黄文江, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2003, 19(6): 154.

[5] Bravo C, Moshou D, West J, et al. Biosyst. Eng., 2003, 84(2): 137.

[6] Muir A, Porteous R, Wastie R. Journal of Agricultural Engineering Research, 1982, 27(2): 131.

[7] WU Di, FENG Lei, ZHANG Chuan-qing, et al(吴 迪, 冯 雷, 张传清, 等). Journal of Infrared and Millimeter Waves(红外与毫米波学报), 2007, 26(4): 269.

[8] ElMasry G, Wang N, Vigneault C, et al. LWT-Food Science and Technology，2008, 41(2): 337.

[9] Steddom K, Heidel G, Jones D, et al. Phytopathology, 2003, 93(6): 720.

[10] XIE Chuan-qi, WANG Jia-yue, FENG Lei, et al(谢传奇, 王佳悦, 冯 雷, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2013, 33(6): 1603.

[11] Cooke B M, Jones D G, Kaye B. The Epidemiology of Plant Diseases(Second Edition)(植物病害流行学，第2版). Translated by WANG Hai-guang, MA Zhan-hong(王海光，马占鸿，译). Beijing： Science Press(北京： 科学出版社)，2009. 46.

[12] XIE Chuan-qi, HE Yong, LI Xiao-li, et al(谢传奇, 何 勇, 李晓丽, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2012, 32(12): 3324.

*Corresponding author

Detection of Late Blight Disease on Potato Leaves Using Hyperspectral Imaging Technique

HU Yao-hua1, PING Xue-wen1, XU Ming-zhu1, SHAN Wei-xing2, HE Yong3*

1. College of Mechanical and Electronic Engineering, Northwest A & F University, Yangling 712100, China 2. College of Plant Protection, Northwest A&F University, Yangling 712100, China 3. College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China

Hyperspectral imaging feature on potato leaves stressed by late blight was studied in the present paper. The experiment used 60 potato leaves. Among those 60 potato leaves, 48 leaves were vitro inoculated with pathogen of potato late blight, the rest 12 leaves were used as control samples. The leaves were observed for 7 continuous days before and after inoculated and samples including healthy and infested were acquired. Hyperspectral data of healthy and infected potato samples of different disease severity were obtained by the hyperspectral imaging system from 374 to 1 018 nm and then extract spectral data of region of interest(ROI) from those hyperspectral data by the ENVI software. In order to improve the signal-to-noise ratio, the spectral data were preprocessed using different pretreatment methods such as moving average smoothing, normalization, derivative, baseline etc. The least squares-support vector machine(LS-SVM) models were developed based on the raw and those preprocessed data. Among the nine models, the model that used the raw data and the data after the spectroscopic transformation performed best with the discrimination of 94.87%. It was demonstrated that it is realized to determine the potato late blight disease of different disease severity using hyperspectral imaging technique.

Hyperspectral imaging technique; Potatoes; Late blight disease; LS-SVM

Nov. 20, 2014; accepted Mar. 20, 2015)

2014-11-20，

2015-03-20

国家高技术研究发展计划(863计划)项目(2011AA100705), 国家自然科学基金项目(31071332)和西北农林科技大学青年学术骨干项目(Z111020903)资助

胡耀华, 女，1973年生，西北农林科技大学机械与电子工程学院教授 e-mail: huyaohua@nwsuaf.edu.cn *通讯联系人 e-mail: yhe@zju.edu.cn

S379; TS207.3

A

10.3964/j.issn.1000-0593(2016)02-0515-05