白粉病是一種世界性的小麥真菌病害，是造成小麥產(chǎn)量損失和品質(zhì)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(jù)侵染后期出現(xiàn)的一些可見癥狀由人工檢測方式鑒定，所以不僅費(fèi)時(shí)、費(fèi)力、易出錯(cuò)，且因感染時(shí)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(jìn)一步預(yù)防病害蔓延的重大要求，也有助于減少殺菌劑的應(yīng)用。然而高光譜成像作為一種無損檢測技術(shù)，在小麥白粉病的早期診斷和發(fā)病機(jī)制監(jiān)測方面具有潛力。

山東農(nóng)業(yè)大學(xué)邵園園副教授團(tuán)隊(duì)利用我司高光譜設(shè)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(shè)置閾值為0.12創(chuàng)建二值圖像。選取剔除兩端的每片葉片作為感興趣區(qū)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(shí)序響應(yīng)特征曲線

獲取小麥白粉病高光譜時(shí)序響應(yīng)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(qū)分能力，觀測分析了不同染病階段樣本的分類散點(diǎn)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(diǎn)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(xù)投影算法（SPA）進(jìn)行特征波長選擇的過程。當(dāng)RMSE達(dá)到*小值0.31時(shí)，確定了12個(gè)特征波長，分別是457，491，540，634，677，790，831，857，888，933，952，967nm。*終以光譜數(shù)據(jù)建立PLS-DA模型得到校正和交叉驗(yàn)證的總分類準(zhǔn)確率分別為93.8%和89.2%，在驗(yàn)證集的預(yù)測中，總分類準(zhǔn)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(gè)紋理變量。由紋理特征建立PLS-DA模型，*終得到校準(zhǔn)、交叉驗(yàn)證和驗(yàn)證中總分類準(zhǔn)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(shù)據(jù)每個(gè)樣本產(chǎn)生21個(gè)變量，包括12個(gè)特征波長和9個(gè)紋理特征。校正和交叉驗(yàn)證的總分類精度分別為97.7%和93.8%，在驗(yàn)證集的預(yù)測中，總分類準(zhǔn)確率高達(dá)91.4%。此外，借助光譜角映射（SAM）方法進(jìn)行不同染病階段的病斑識別，實(shí)現(xiàn)了小麥白粉病發(fā)病過程可視化監(jiān)測（圖7）。

圖7 SAM病斑識別與發(fā)病過程可視化監(jiān)測

本文采用的高光譜設(shè)備具體參數(shù)如圖8所示。

通訊作者簡介：

邵園園，工學(xué)博士，山東農(nóng)業(yè)大學(xué)副教授，碩士生導(dǎo)師。

主要研究方向：1、農(nóng)業(yè)機(jī)械設(shè)計(jì)，包括播種育苗移栽機(jī)械、免耕播種機(jī)械、秸稈后處理機(jī)械及蘋果、花生、甘薯收獲機(jī)械等。

2、機(jī)構(gòu)運(yùn)動與動力學(xué)優(yōu)化仿真；精準(zhǔn)農(nóng)業(yè)、農(nóng)產(chǎn)品檢測、圖像識別、高光譜圖像處理等。

參考文獻(xiàn)：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.