白粉病是一種世界性的小麥真菌病害，是造成小麥產量損失和品質下降的主要原因。小麥白粉病在侵染初期是無癥狀的，通常根據侵染后期出現的一些可見癥狀由人工檢測方式鑒定，所以不僅費時、費力、易出錯，且因感染時間滯后而不能有效控制疫情。小麥白粉病的早期診斷成為進一步預防病害蔓延的重大要求，也有助于減少殺菌劑的應用。然而高光譜成像作為一種無損檢測技術，在小麥白粉病的早期診斷和發病機制監測方面具有潛力。
山東農業大學邵園園副教授團隊利用我司高光譜設備，以白粉病脅迫下小麥葉片為研究對象，首先在接種前、后分別采集健康0天和2～5天染病樣本的高光譜圖像。選擇800nm左右的高光譜圖像作為掩膜對象，設置閾值為0.12創建二值圖像。選取剔除兩端的每片葉片作為感興趣區域（ROI），如圖1所示。
圖1高光譜圖像的采集與處理
圖2 小麥白粉病高光譜時序響應特征曲線
獲取小麥白粉病高光譜時序響應特征（圖2）。隨后利用主成分分析（PCA）觀察不同感染階段樣本間的區分能力，觀測分析了不同染病階段樣本的分類散點圖（圖3）、主成分特征圖像與載荷曲線（圖4）
圖3 不同染病階段樣本的分類散點圖
圖4 PC特征圖像（a）和載荷曲線（b）
圖5特征波段提取
圖5顯示利用連續投影算法（SPA）進行特征波長選擇的過程。當RMSE達到*小值0.31時，確定了12個特征波長，分別是457，491，540，634，677，790，831，857，888，933，952，967nm。*終以光譜數據建立PLS-DA模型得到校正和交叉驗證的總分類準確率分別為93.8%和89.2%，在驗證集的預測中，總分類準確率為88.6%。利用灰度共生矩陣（GLCM）從前3張PC得分圖像中提取3種紋理特征（能量、熵和對比度），生成9個紋理變量。由紋理特征建立PLS-DA模型，*終得到校準、交叉驗證和驗證中總分類準確率分別為74.6%、73.8%和70.0%。
圖6 紋理特征箱線圖
將高光譜圖像的光譜和紋理特征融合，建立PLS-DA模型。融合數據每個樣本產生21個變量，包括12個特征波長和9個紋理特征。校正和交叉驗證的總分類精度分別為97.7%和93.8%，在驗證集的預測中，總分類準確率高達91.4%。此外，借助光譜角映射（SAM）方法進行不同染病階段的病斑識別，實現了小麥白粉病發病過程可視化監測（圖7）。
圖7 SAM病斑識別與發病過程可視化監測
本文采用的高光譜設備具體參數如圖8所示。
通訊作者簡介：
邵園園，工學博士，山東農業大學副教授，碩士生導師。
主要研究方向：1、農業機械設計，包括播種育苗移栽機械、免耕播種機械、秸稈后處理機械及蘋果、花生、甘薯收獲機械等。
2、機構運動與動力學優化仿真；精準農業、農產品檢測、圖像識別、高光譜圖像處理等。
參考文獻：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, 197(2022): 106921.
8
立即詢價
您提交后，專屬客服將第一時間為您服務