基于近紅外光譜和LabVIEW技術(shù)的番茄抗灰霉病檢測(cè)系統(tǒng)

郝婧+劉桂禮+李響

摘要：為了準(zhǔn)確、快速、無損地檢測(cè)番茄灰霉病的抗病性，根據(jù)番茄的近紅外光譜特性，設(shè)計(jì)了一種基于近紅外光譜與LabVIEW技術(shù)的番茄灰霉病抗病檢測(cè)系統(tǒng)。該系統(tǒng)主要包括初始化模塊、參數(shù)讀取模塊、光譜數(shù)據(jù)實(shí)時(shí)采集模塊和算法模塊。利用該檢測(cè)系統(tǒng)對(duì)番茄葉片進(jìn)行抗病性檢測(cè)實(shí)時(shí)分類試驗(yàn)，以驗(yàn)證系統(tǒng)性能。利用支持向量機(jī)算法，對(duì)收集的番茄葉片樣本進(jìn)行實(shí)時(shí)處理。結(jié)果表明，基于近紅外光譜與LabVIEW技術(shù)的近紅外光譜番茄抗病檢測(cè)系統(tǒng)能夠較好地完成對(duì)番茄葉片樣本的分類。

關(guān)鍵詞：番茄灰霉病；抗病性；近紅外光譜；支持向量機(jī)；LabVIEW；檢測(cè)系統(tǒng)

中圖分類號(hào)： TP391；S436.412.1+3 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2016）11-0408-03

番茄具有品種多、營養(yǎng)豐富、產(chǎn)量高等特點(diǎn)，受到廣大消費(fèi)者喜愛，是中國種植面積最大的蔬菜作物之一。目前，灰霉病病毒是番茄常見的疾病，危害十分嚴(yán)重[1]。選用抗病毒的番茄品種是比較經(jīng)濟(jì)、有效、安全的病毒防控途徑。由于外界環(huán)境等因素，培養(yǎng)的番茄植株并不都具有抗病特性。為降低農(nóng)業(yè)生產(chǎn)成本，需要從培養(yǎng)的番茄植株中高效準(zhǔn)確地挑選抗病植株，進(jìn)行培育。人工識(shí)別、圖像處理、人工接種等傳統(tǒng)檢測(cè)方法有著耗時(shí)長、污染環(huán)境、損害樣本和易受環(huán)境影響的缺點(diǎn)[2]，而近紅外光譜分析技術(shù)彌補(bǔ)了這些缺點(diǎn)，推進(jìn)了在農(nóng)業(yè)領(lǐng)域檢測(cè)中的發(fā)展[3]。

本研究利用近紅外光譜分析技術(shù)對(duì)番茄種類進(jìn)行定性分析，并在LabVIEW平臺(tái)搭建實(shí)時(shí)檢測(cè)系統(tǒng)完成番茄抗病品種的分類，以期為番茄抗病性檢測(cè)提供一種快速、簡便、有效的檢測(cè)方法。

1 檢測(cè)原理及方法

近紅外光譜分析技術(shù)是利用近紅外光譜包含的物質(zhì)信息，用于有機(jī)物質(zhì)定性和定量分析的一種技術(shù)。近紅外光譜屬于紅外光譜，該譜區(qū)內(nèi)的信息主要由若干個(gè)不同基頻的倍頻和合頻譜帶組成。近紅外光譜的常規(guī)分析技術(shù)有透射光譜（NITS）和漫反射光譜（NIRDRS）兩大類。其中，漫反射光譜是根據(jù)反射與入射光強(qiáng)的比例關(guān)系獲得物質(zhì)在近紅外區(qū)的吸收光譜。近紅外光譜分析具有測(cè)試簡單、速度快、效率高、過程無污染、適用范圍廣及對(duì)樣品無損傷等優(yōu)勢(shì)。

光譜定量算法分析過程大致包括光譜測(cè)量數(shù)據(jù)預(yù)處理、波長選擇以提高模型預(yù)測(cè)精度和簡化模型、建立校正模型、評(píng)價(jià)建模及預(yù)測(cè)效果[4]。本研究采取支持向量機(jī)為基礎(chǔ)的定量分析方法，與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)相比，支持向量機(jī)具有結(jié)構(gòu)簡單的特點(diǎn)，并且它能夠較好地解決非線性、小樣本、局部極小點(diǎn)和高維數(shù)等實(shí)際問題，各項(xiàng)技術(shù)性能特別是泛化能力有明顯的提高[5]。但是SVM參數(shù)的選擇對(duì)其預(yù)測(cè)能力有非常重要的影響，目前在SVM參數(shù)選擇方面，國際上還沒有統(tǒng)一的模式[6]。

通過在LabVIEW中調(diào)用DLL，并選擇所需函數(shù)進(jìn)行讀取數(shù)據(jù)或控制參數(shù)，達(dá)到計(jì)算機(jī)與光譜儀的實(shí)時(shí)連接，在此基礎(chǔ)上對(duì)光譜數(shù)據(jù)進(jìn)行運(yùn)算，從而達(dá)到對(duì)光譜數(shù)據(jù)的實(shí)時(shí)處理，實(shí)現(xiàn)番茄葉片近紅外光譜實(shí)時(shí)分類的檢測(cè)。

2 番茄抗病檢測(cè)系統(tǒng)

本系統(tǒng)的建立是基于近紅外光譜檢測(cè)系統(tǒng)，運(yùn)用支持向量機(jī)算法建立近紅外光譜分析模型。通過采集樣本數(shù)據(jù)并建立支持向量機(jī)校正模型，從而運(yùn)用LabVIEW來建立檢測(cè)系統(tǒng)。

2.1 樣品制備與光譜采集

試驗(yàn)所用樣本是在北京市農(nóng)林科學(xué)院蔬菜研究中心試驗(yàn)田所取，選用的番茄植株主要分為2類：抗灰霉病和非抗灰霉病番茄植株。在同一期番茄植株中，選擇健壯的新、老葉片，保證采集的葉片完整、無損，并盡可能地使在不同植株上選用的葉片大小相似。

硬件系統(tǒng)包括樣本放置臺(tái)、PC機(jī)、光源等通過光纖連接在一起。而光譜采集則通過光譜分析儀完成。本次試驗(yàn)使用的光譜儀型號(hào)是AvaSpec-NIR256-1.7，它是AvaSpec-NIR256 型中的一種波長在900～1 750 nm的光譜儀類型。光譜儀與PC機(jī)通過USB接口相連。具體鏈路見圖1。

2.2 SVM算法建模

建立校正模型的步驟大致如下：首先，對(duì)具有代表性的一定數(shù)量樣品進(jìn)行采集，并運(yùn)用近紅外光譜儀對(duì)其進(jìn)行光譜信號(hào)采集，剔除異常數(shù)據(jù)后，將這些數(shù)據(jù)分為校正集和預(yù)測(cè)集；其次，對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理后，運(yùn)用支持向量機(jī)等定性分析方法建立被測(cè)樣品的近紅外光譜數(shù)據(jù)校正模型；再次，將預(yù)測(cè)集的光譜數(shù)據(jù)帶入該校正模型中，驗(yàn)證并評(píng)價(jià)校正模型；最后是模型的優(yōu)化，輸出最后的校正模型，具體流程見圖2。

2.3 實(shí)時(shí)采集

本研究中，番茄葉片的光譜數(shù)據(jù)采集是通過光譜儀來完成的，通過編寫的LabVIEW調(diào)用程序，以動(dòng)態(tài)鏈接庫的形式采集從USB接口得到的數(shù)據(jù)[7]（圖3）。所編寫的程序中，調(diào)用AVS_Init程序模塊進(jìn)行所連接光譜儀的初始化，之后再運(yùn)行AVS_Measure模塊來啟動(dòng)光譜儀，進(jìn)行番茄葉片光譜的采集，同時(shí)AVS_GetLambda模塊將可用像素的頻率值顯示出來，從而完成實(shí)時(shí)采集圖像的繪制，最后便是通過AVS_StopMeasure、AVS_Deactivate、AVS_Done這些模塊來完成光譜儀最后的停止、關(guān)閉等工作。本試驗(yàn)所選用光譜儀的生產(chǎn)廠家提供了光譜儀與計(jì)算機(jī)底層通信的DLL，使計(jì)算機(jī)能夠通過此DLL讀取光譜儀的數(shù)據(jù)并對(duì)光譜儀進(jìn)行控制。

通過在LabVIEW中調(diào)用DLL，并選擇所需函數(shù)進(jìn)行讀取數(shù)據(jù)或控制參數(shù)，達(dá)到計(jì)算機(jī)與光譜儀的實(shí)時(shí)連接，在此基礎(chǔ)上對(duì)光譜數(shù)據(jù)進(jìn)行運(yùn)算，從而達(dá)到對(duì)光譜數(shù)據(jù)的實(shí)時(shí)處理，實(shí)現(xiàn)番茄葉片近紅外光譜的實(shí)時(shí)分類。

2.4 前面板界面設(shè)計(jì)

DLL使得LabVIEW平臺(tái)能夠與光譜儀設(shè)備實(shí)時(shí)連接，并根據(jù)LabVIEW優(yōu)化特性對(duì)系統(tǒng)進(jìn)行了四大模塊的構(gòu)思設(shè)計(jì)，主要包括波形顯示、參數(shù)顯示、結(jié)果顯示、分類顯示等4方面，形成了如圖4的系統(tǒng)界面。通過參數(shù)顯示、結(jié)果顯示兩大模塊記錄光譜儀的運(yùn)行參數(shù)，通過波形顯示來實(shí)時(shí)記錄當(dāng)前樣本放置臺(tái)上番茄葉片的近紅外光譜圖形，分類結(jié)果則顯示了該分類系統(tǒng)完成番茄樣本分類的最終結(jié)果。

3 試驗(yàn)過程與結(jié)果分析

3.1 試驗(yàn)過程

3.1.1 SVM建模與最佳參數(shù)選擇 2015年2月在北京市農(nóng)林科學(xué)院試驗(yàn)基地對(duì)佳紅8號(hào)番茄葉片進(jìn)行近紅外光譜測(cè)量。本試驗(yàn)共采集到123個(gè)樣本數(shù)據(jù)，其中抗灰霉病番茄和非抗灰霉病番茄的比例約為1 ∶1。這2類品種番茄波形圖對(duì)比見圖5。由圖5可以看出，2種類型的番茄光譜圖是不可線性區(qū)分的。

對(duì)于異常的樣品采用F統(tǒng)計(jì)顯著性校驗(yàn)的方法來進(jìn)行判別。F統(tǒng)計(jì)量的計(jì)算公式為[8]：

由表2可看出，徑向基核函數(shù)所對(duì)應(yīng)77個(gè)樣本數(shù)據(jù)的預(yù)測(cè)正確率83.12%為最高。所以在本試驗(yàn)中，徑向基核函數(shù)被選為建立SVM模型的核函數(shù)。

3.1.2 檢測(cè)系統(tǒng)分類結(jié)果 分別采取個(gè)數(shù)為20、40、60、80、…等9組不同數(shù)量梯度的番茄葉片樣本，每組抗病番茄葉片與普通番茄葉片樣本的比例為1 ∶1，進(jìn)行結(jié)果預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與模型預(yù)測(cè)值進(jìn)行比較，分別計(jì)算其預(yù)測(cè)相對(duì)誤差和平均預(yù)測(cè)相對(duì)誤差（表3）。

預(yù)測(cè)相對(duì)誤差=預(yù)測(cè)值-模型參考值模型參考值×100%。

由表3可以看出，隨著樣本個(gè)數(shù)的增多，預(yù)測(cè)值逐漸變大，并且趨近于模型參考值。當(dāng)樣本個(gè)數(shù)在100個(gè)以上時(shí)，相對(duì)誤差逐漸減小，模型預(yù)測(cè)效果越來越趨于穩(wěn)定。

3.2 結(jié)果與分析

實(shí)現(xiàn)SVM算法對(duì)番茄葉片的樣本數(shù)據(jù)進(jìn)行有效的分類，對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，采用預(yù)測(cè)濃度殘差的方法剔除異常樣品，根據(jù)含量梯度法完成訓(xùn)練集和測(cè)試集的分類。將訓(xùn)練集樣本作為輸入部分，建立SVM模型。根據(jù)不同核函數(shù)，預(yù)測(cè)集樣本的預(yù)測(cè)正確率選取最優(yōu)核函數(shù)：徑向基核函數(shù)。通過比較不同參數(shù)，選取最佳懲罰參數(shù)和核函數(shù)參數(shù)，最后得到最優(yōu)的SVM模型。最后得出所測(cè)結(jié)果與模型參考值之間差異不顯著，可見該方法的重復(fù)性良好，認(rèn)為對(duì)番茄灰霉病抗病性的檢測(cè)是比較成功的。

4 結(jié)論

設(shè)計(jì)了一套基于近紅外光譜和LabVIEW技術(shù)的番茄抗病檢測(cè)系統(tǒng)，通過LabVIEW檢測(cè)系統(tǒng)并利用DLL的方法實(shí)現(xiàn)光譜儀與PC機(jī)之間的實(shí)時(shí)采集工作。對(duì)通過光譜儀采集到的數(shù)據(jù)進(jìn)行處理分析，完成番茄品種的實(shí)時(shí)分類，實(shí)時(shí)完成了抗病性番茄和普通番茄的分類。

綜上可得，基于近紅外光譜的番茄抗病檢測(cè)系統(tǒng)能夠完成番茄品種的實(shí)時(shí)分類，并且對(duì)采用支持向量機(jī)算法的系統(tǒng)分類準(zhǔn)確率接近83%。

參考文獻(xiàn)：

[1]紀(jì)軍建，張小風(fēng)，王文橋，等. 番茄灰霉病防治研究進(jìn)展[J]. 中國農(nóng)學(xué)通報(bào)，2012，28（31）：109-113.

[2]宋學(xué)貞，楊國正. 棉花抗黃萎病育種研究進(jìn)展[J]. 中國農(nóng)學(xué)通報(bào)，2013，29（21）：16-22.

[3]孫 通，徐惠榮，應(yīng)義斌. 近紅外光譜分析技術(shù)在農(nóng)產(chǎn)品/食品品質(zhì)在線無損檢測(cè)中的應(yīng)用研究進(jìn)展[J]. 光譜學(xué)與光譜分析，2009（1）：122-126.

[4]蒙杰丹. 近紅外光譜法快速無損分析測(cè)定中藥活性成分的研究[D]. 重慶：西南大學(xué)，2012.

[5]Niazi A，Jameh-Bozxorghis S，Nori-Shargh D. Prediction of toxicity of nitrobenzenes using ab initio and least squares support vector machines.[J]. Journal of Hazardous Materials，2008，151（2）：603-609.

[6]王 梅. 一種改進(jìn)的核函數(shù)參數(shù)選擇方法[D]. 西安：西安科技大學(xué)，2011.

[7]廟立交，楊新華，王 巍. 基于LabVIEW的動(dòng)態(tài)鏈接庫的設(shè)計(jì)與調(diào)用[J]. 工業(yè)儀表與自動(dòng)化裝置，2010 （4）：71-73.

[8]祝詩平，王一鳴. 近紅外光譜建模異常樣品剔除準(zhǔn)則與方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35（4）：115-119.

[9]王炳建. 近紅外油頁巖含油率快速檢測(cè)方法的研究[D]. 長春：吉林大學(xué)，2014.