秦立峰1,2 張 熹1,2 張曉茜1,3

(1.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100; 2.農業農村部農業物聯網重點實驗室， 陜西楊凌 712100;

3.陜西省農業信息感知與智能服務重點實驗室， 陜西楊凌 712100)

0 引言

溫室黃瓜因處于大棚高濕環境而極易發生病害。其中，黃瓜霜霉病發病快、傳播迅猛，是溫室黃瓜的主要病害之一[1]。霜霉病病原體侵染黃瓜植株的過程分為接觸期、侵入期、潛育期和發病期。在侵入期和潛育期，無法通過肉眼發現病原菌在寄主體內的擴展蔓延。一旦進入發病期，病害便迅速傳播擴散，其防治難度大、成本高[2]。因此，早期進行黃瓜霜霉病害的檢測識別對于病害防治具有十分重要的意義。

目前，在基于圖像和光譜技術的病害早期檢測中，基于可見/近紅外光譜分析的定量分析精度受參考理化分析精度的影響，誤差較大[3-5]；熱紅外技術受環境溫濕度影響較大，對高溫高濕的溫室環境適應性差。高光譜成像技術具有光譜分辨率高、波段數多和圖譜合一等優點[6-8]，可以反映對象內部的細微變化，適于病害早期植物體內部不明顯的病變信息提取，且受溫室環境影響很小，受到了研究者的廣泛關注。文獻[9]借助高光譜成像技術，在400～1 000 nm范圍內針對玉米產毒真菌病害進行了早期檢測研究；文獻[10]基于高光譜成像技術實現了大豆花葉病早期檢測與分級，提出了一種基于CNN模型的大豆花葉病早期檢測方法；文獻[11]研究了基于高光譜成像技術的大麥真菌病害早期檢測，實現了48 h內光譜分析病害檢測及72 h內微小病斑的識別。

研究表明，利用高光譜成像技術進行植物病害早期檢測是可行的，實驗室檢測大多先采摘葉片、再采集信息，使葉片受到永久性損傷，而田間環境下葉片受光照、自然輻射、風速等影響較大。目前，對田間采集的病害早期特征提取的研究較少，且病害早期有效特征波段選擇方法很難兼顧病害信息全面和數據量少的要求。本文以溫室黃瓜的霜霉病為對象，對田間黃瓜葉片從健康至發病連續采集圖像，利用高光譜技術分析病害發病早期與健康葉片的光譜差異，提出一種融合病害差異信息改進的競爭性自適應重加權算法(CARS)與連續投影法(SPA)結合的優化特征提取方法，建立黃瓜霜霉病早期檢測的偏最小二乘-支持向量機(LS-SVM)模型，以實現對溫室黃瓜霜霉病早期的高精度檢測。

1 材料與方法

1.1 材料

實驗采用盆栽培育黃瓜幼苗20盆，共計40株。黃瓜品種為北方大部分地區普遍種植的津優綠褔168，以陜西霖科生態工程有限公司的種植基質進行培植。室外大田搭設小型溫室大棚模擬環境，棚內放置溫濕度計和小興看看Q720型無線高清智能攝像機，實時監控并記錄棚內溫濕度變化及黃瓜植株生長狀況。午間高溫時段敞棚通風降溫和加濕器補充水分，夜間低溫時段閉棚保溫保濕，根據實時監控溫濕度變化調控環境，保證黃瓜健康生長、避免自然感染病害，待生長至結果期、真葉完全伸展至成年人手掌大小時，進行霜霉病病菌接種。于西北農林科技大學北校區園藝場溫室黃瓜大棚中采集感染霜霉病的黃瓜活體葉片，進行病菌孢子分離，制成懸浮液，對實驗黃瓜葉片進行噴灑接種，接種維持棚內相對濕度75%以上，確保病菌成功侵染葉片。

1.2 儀器與設備

采用四川雙利合譜科技有限公司GaiaSky-mini型推掃式高光譜成像系統便攜式高光譜相機，相機及內置控制器質量1.5 kg，光譜范圍為400～1 000 nm，光譜分辨率3.5 nm，共256個光譜通道，單幅拍攝速度10 s，全幅圖像像素分辨率為1 920(空間維)×1 440(光譜維)。

1.3 高光譜圖像采集與預處理

1.3.1高光譜圖像采集

對侵染霜霉病菌后的葉片進行高光譜圖像信息采集。根據植保專家建議，將接病操作后的第3天作為黃瓜葉片成功接染霜霉病第1天，按成功染病后天數和染病程度將高光譜圖像分為染病1 d、2 d、3 d、4 d(肉眼不可見)、5～6 d(肉眼可見顏色變化)、7～8 d(肉眼可見小病斑)、9 d后(病害嚴重)共7類。

相機采用日光光源，考慮到霜霉病從黃瓜中底部葉片開始發病，為方便拍攝，采用如圖1所示的圖像采集方式。用支架固定高光譜相機，設置高光譜鏡頭斜向下45°與葉片垂直距離30 cm架設，并在鏡頭旁綁定標尺以保證鏡頭與葉片距離固定，手托扶葉片進行拉展和垂直鏡頭采集圖像。圖像采集時間分別為每天10:00—11:00光照良好時段和16:00—17:00光照較弱時段，以提高后期所建立識別模型的不同光照條件適應度。每次采集圖像前先對白板和黑板采集記錄，從20盆黃瓜中選出生長狀態良好、葉片平展寬大的10盆共32片葉片。首先采集染病前的健康葉片；再對接種黃瓜霜霉病菌后的葉片逐天連續采集12 d，得到共384幅高光譜圖像。將圖像在ENVI 5.1軟件中讀取，剔除肉眼可見因設備或葉片抖動導致圖像模糊的異常樣本，如圖2a所示，對比每幅圖像的葉片區域光譜曲線，剔除光譜曲線明顯差異于黃瓜葉片光譜曲線的異常樣本，如圖2b紅線所示，對剩余286幅樣本圖像進行實驗。

圖1 圖像采集示意圖Fig.1 Image acquisition diagram1.高光譜相機 2.固定支架 3.樣本葉片 4.操作人員手持托扶架

圖2 異常樣本Fig.2 Abnormal sample

1.3.2高光譜圖像預處理

原始高光譜圖像包含大量的噪聲和背景干擾，需進行預處理以消減噪聲，并去除背景、提取感興趣區域。先用SpecView軟件對葉片高光譜圖像進行黑白校正以消減光照影響，再通過ENVI 5.1軟件讀取高光譜圖像并分離背景后，對整片葉部分提取感興趣區域。

圖3a為葉片樣本在某一波段的高光譜圖像，對比目標葉片區域與背景的光譜曲線(圖3b)可知，在670～750 nm之間黃瓜葉片的光譜曲線出現一個較大躍變，而背景區域的光譜全波段內變化較小。因此，對第120個波長671.0 nm與第150個波長744.6 nm的光譜求取波段比，根據波段比差異可分離葉片與背景區域；通過腐蝕去除背景部分；膨脹后再腐蝕得到整體目標葉片的二值掩模，如圖4a所示；將掩模圖像與原圖像的400～922 nm共217個波段的圖像相乘得到目標整體葉片的感興趣區域，如圖4b所示。感興趣區域的平均光譜如圖4c所示，將它作為該樣本的光譜數據。

圖3 目標葉片區域與背景分割Fig.3 Target leaf area and background segmentation

圖4 感興趣區域提取與平均光譜計算Fig.4 Region of interest extraction and average spectral calculation

1.4 特征波段提取算法

從高光譜圖像所有波段中選擇可分性好的波段子集，保留有用信息，不僅能降低數據維度，還能提高分類識別精度[12-13]。

在常用特征提取算法中，CARS結合蒙特卡洛采樣及偏最小二乘(Partial least squares, PLS)回歸系數篩選的特征波段優選方法[14-15]，以達爾文進化論的“適者生存”法則為指導理論[16]，在校正集中利用蒙特卡洛采樣法選取樣本，對樣本進行偏最小二乘回歸(PLSR)分析，利用自適應重加權算法(Adaptive reweighted sampling, ARS)選擇波段變量回歸系數絕對值大的波段點，對于絕對值小、權重較小的波段點，采用衰減指數法(Exponentially decreasing function, EDF)確定個數并去除，對選取的權重較大的波段變量建立PLS模型，利用交互驗證選出均方根誤差(Root mean square error of cross validation, RMSECV)最小的模型，其所對應的波段變量即為所選特征波段[17-20]。

CARS算法可用于提取感染霜霉病害的樣本與健康樣本相比變量權重變大的特征波段，但CARS算法的隨機采樣使該算法本身存在不確定性，每次提取的特征波段數量及位置隨機性很大，所提取的特征存在漏選及冗余問題，無法作為病害特征進行建模。為解決該問題，在CARS算法中加入變量穩定性計算的循環迭代，通過多次執行CARS提取特征波段，將結果合并以解決漏選問題，同時比較并刪減各次提取結果中位置相似的特征波段，以解決冗余問題。多次執行加入變量穩定性計算的算法后強制篩選出特征波段作為CARS算法提取的特征波段。

但CARS算法提取特征波段同時會保留因噪聲引起的變量權重變大的波段。SPA是一種穩定的前向變量選擇算法[21-22]，從原始光譜信息中篩選尋找出冗余信息最少的波段變量組來概括代表大多數樣本的光譜信息，使變量的共線性最小，明確樣本特征[23-25]。SPA可以消除光譜冗余信息，進一步簡化篩選CARS算法提取出的特征波段，便于建模，提高模型檢測精度。

1.5 融合病害差異信息的特征提取方法改進

1.5.1Dis-CARS-SPA特征提取方法

由于圖像通過便攜式高光譜相機于戶外棚間采集，光照強度變化導致采集到的圖像光譜數據存在光譜反射率的差異和較多波動，而CARS結合SPA的特征提取算法僅對隨機提取的波段樣本中權重較大的進行選取與篩選，因此采用傳統的CARS-SPA算法對全波段光譜提取特征波段，易將反射率的波動差異作為權重較大的波段變量提取為病害特征，影響真正病害特征的選取。

光譜差異波段的分析與提取主要用于植被種類識別、土壤有機質與含水率的檢測和水質分析等領域，文獻[26]通過包絡線變換前后的光譜曲線提取鄱陽湖濕地植被的光譜差異波段，利用馬氏距離法檢驗了植被識別效果；文獻[27]通過去包絡線方法提取反射光譜特征差異，建立了土壤水分含量高光譜預測模型；文獻[28]探討相同樹種葉片SPAD變化時的光譜差異和相同SPAD不同樹種葉片的光譜特征，分析植物健康狀況。本文借鑒光譜差異分析思想，在CARS-SPA特征提取算法前加入病害差異波段的提取，提出Dis-CARS-SPA特征提取方法，使CARS-SPA算法融合病害差異信息，在準確表征病害的波段范圍中進行CARS-SPA的特征提取，有效避免因采集環境、不同光照強度或其他病害所導致的光譜出現差異的影響，提高模型準確性。

1.5.2病害差異波段提取

同一葉片隨病害侵染的嚴重程度的不同，高光譜曲線呈現不同程度的差異。黃瓜霜霉病葉片與健康葉片出現光譜差異的波段范圍，即病害差異波段。

圖5為葉片從健康到染病9 d后病害嚴重的逐日各階段光譜曲線。

圖5 葉片健康至染病嚴重逐日光譜曲線Fig.5 Spectral curves from leaf health to serious disease day by day

由圖5可知，在450～720 nm的波段范圍內光譜曲線存在較明顯差異變化，其中550～650 nm的差異變化尤為顯著，正是由于該范圍對應可見光譜的黃色及黃綠色，霜霉病的侵染導致葉片的葉綠體死亡減少，逐漸枯黃，因此在該波段范圍內反射率增大；而750 nm后出現了光譜曲線較多波動及反射率的不同，是由于每天光照強度不同導致最終趨于平穩的光譜反射率有高有低；存在的較多波動是由于拍攝環境及設備自身的噪聲影響。這兩種影響采用一般的光譜預處理方法無法消除，反而易消減病害帶來的光譜差異，因此本文通過對病害差異信息的提取來改進CARS-SPA特征提取方法，以提高特征提取的針對性。

在光譜曲線相似的情況下，直接從中提取光譜特征不便于計算。為了更加精準地確定病害的差異波段范圍，避免肉眼觀察的主觀性和不準確性，通過包絡線消除法[29]確定光譜吸收曲線。

包絡線消除法可以有效突出光譜曲線的吸收、反射和發射特征，并將其歸一到一致的光譜背景上，有利于和其他光譜曲線進行特征數值的比較。其算法步驟如下：通過求導得到光譜曲線上所有極大值點。以最大極大值點作為包絡線的一個端點，計算該點與長波和短波方向各個極大值連線的斜率，以斜率最大點作為上包絡線下一個端點，斜率最小點作為下包絡線下一個端點，再分別以此點為起點循環，直至最后一點。連接所有端點，可形成曲線的包絡線，用實際光譜反射率去除包絡線上相應波段的反射率值，可得到包絡線消除法歸一化后的值。

1.6 檢測模型

將病害早期檢測作為一個分類識別問題，利用融合病害差異信息的Dis-CARS-SPA特征提取方法選取的特征波段訓練LSSVM作為病害檢測模型。LSSVM通過優化目標中的線性約束，只求解一個線性方程組來代替SVM中的二次規劃(QP)問題，通過解決等式約束以及最小二乘問題，簡化求解過程。模型參數包括懲罰因子gamma和核參數sig2，通過粒子群優化算法[30-31](Particle swarm optimization, PSO)進行尋優選取。最后，用測試集的檢測識別率P和模型混淆矩陣計算得到的召回率R作為模型評價標準，識別率計算為

(1)

式中NMod——模型檢測正確的健康與染病樣本數

NAct——實際輸入的樣本數

召回率計算公式為

(2)

式中NTP——健康或染病樣本模型正確識別的樣本數

NFN——健康或染病樣本模型錯誤識別的樣本數

2 結果分析

2.1 病害差異波段提取

通過包絡線消除法選擇病害的差異波段，包絡線包括上包絡線與下包絡線，通過上包絡線與實際光譜曲線相減得到光譜吸收曲線對比尋找病害差異波段。首先繪制健康與染病葉片的上包絡線如圖6所示，為凸顯染病葉片與健康葉片的光譜差異，方便更好地識別并選擇病害差異波段，染病葉片選擇染病9 d后發病嚴重的樣本圖像。

圖6 健康與染病葉片光譜曲線上包絡線Fig.6 Envelopes on spectral curves of healthy leaf and diseased leaf

由圖6可見健康與染病葉片存在較大差異，將上包絡線與實際光譜曲線相減得到光譜的吸收曲線如圖7所示，健康葉片吸收光譜與染病葉片吸收光譜作差，得到吸收光譜差異曲線如圖7所示。

圖7 健康與染病葉片吸收光譜及差異曲線Fig.7 Spectral absorption and difference curves of healthy leaf and diseased leaf

根據健康與染病葉片的光譜吸收差異曲線與零軸的交點確定霜霉病的病害差異波段，并且去除774 nm后的不相關干擾波動波段，得到病害差異波段為431～552 nm及571～774 nm范圍，即圖7中吸收光譜差波動較大的部分。

2.2 CARS算法提取特征波段

使用CARS算法在選取的431～552 nm及571～774 nm的病害差異波段內提取特征波段，將染病1 d至嚴重7個類別的樣本定為染病葉片，與健康葉片進行特征波段的提取，得到共18個特征波段，RMSECV最小值為1.132 0。由于不同染病階段之間也存在較大的光譜差異，提取特征波段均方根誤差較大，識別效果不佳。因此采取對染病的7個不同階段分別提取特征波段再組合的方法。

以染病1 d葉片的特征波段提取為例，設置蒙特卡洛采樣次數為50，為解決CARS算法的隨機性問題，加入變量穩定性計算的循環迭代，即對CARS算法每次隨機采樣提取的特征波段位置進行判定選取，使選取的波段位置穩定。本文通過預實驗，設置循環提取次數為3，3次CARS提取的特征波段位置如圖8所示，提取的特征波段數量分別為31、22、23；由圖8可見，3次選取的特征波段位置相近，滿足穩定性要求。將這3次的特征波段合并并去除重復項，得到共48個特征波段；以提取的每個特征波段為基準，對比其前后位置提取的特征波段序號(高光譜相機共256個波段，裁剪后剩余217個波段，序號即提取的217個波段中第幾個波段)，若該波段序號與前后提取的波段序號為相鄰序號，則取3個波段的平均即中間波段，舍去前后提取的2個波段(如提取波段為第88、89、90個波段，則保留第89個波段，舍去第88、90個波段)；若該波段序號僅與前后提取的波段之一的序號為相鄰序號，則取相鄰波段中較小一個，舍去較大一個(如提取波段為第88、89、91波段，則舍去第89個波段，保留第88、91個波段)。通過該方法對相似位置波段進行篩選，得到共30個特征波段。按該方法再重復進行2次特征波段的選取，分別得到29、31個特征波段，可見加入變量穩定性計算后CARS算法提取得到的特征段穩定在30個左右，降低了隨機性，且提取到的特征波段幾乎相同。

圖8 算法3次提取的特征波段位置Fig.8 Position of feature bands extracted by CARS for three times

強制變量篩選是選取3次加入變量穩定性計算后CARS算法均提取到的相同的特征波段，即從上述得到的30、29、31個特征波段中尋找相同特征波段，結果得到28個特征波段，如圖9所示，即為本文算法選取的染病1 d的特征波段。

圖9 染病1 d融合病害差異信息的CARS算法提取的特征波段Fig.9 Feature extraction by CARS based on fusion of disease difference information in one day after infection

CARS計算過程如圖10所示，包括樣本變量個數(Number of sampled variables, NSV)、交叉驗證均方根誤差(RMSECV)和回歸系數(Regression coefficients)隨蒙特卡洛采樣次數的變化趨勢。在RMSECV最小的點取最優變量個數26(圖10c中的星號豎線)，將回歸系數絕對值大的波段保留，即為提取的特征波段。將染病1 d到嚴重7個階段分別提取的波段組合作為CARS算法所提取特征波段。

圖10 CARS計算過程Fig.10 CARS calculation process

2.3 SPA算法提取特征波段

使用SPA算法對7個階段的CARS特征波段分別進行降維再提取，將各波段組合后共得到47個特征波段，即為基于全波段的CARS-SPA提取的特征波段。如圖11所示，特征波段都集中于霜霉病害的病害差異波段范圍內，更準確代表霜霉病害的特征，消除了光譜末段噪聲等干擾。

圖11 Dis-CARS-SPA提取特征波段Fig.11 Dis-CARS-SPA extracted feature bands

2.4 早期檢測模型建模與實驗

將286個樣本按2∶1劃分為建模集與測試集，健康葉片及染病1 d到發病嚴重7個階段建模集樣本數分別為16、32、30、23、28、30、20、13；測試集樣本數分別為8、16、15、11、14、15、9、6。為驗證模型從樣本中識別出染病葉片的能力，將健康葉片樣本作為正例，7個不同染病階段的葉片樣本分別作為反例，建立Dis-CARS-SPA-LSSVM模型，同時建立未融合病害差異信息，基于全波段提取特征波段的CARS-SPA-LSSVM模型，作為對比分析檢測效果。用PSO算法選擇模型的懲罰因子gamma和核參數sig2，不同染病階段建模集與測試集樣本數不同，PSO選擇的參數不同，結果如表1所示。

表1 不同染病階段模型參數選擇Tab.1 Selection of model parameters in different stages of infection

為驗證模型穩定性，按2∶1比例隨機劃分建模集和測試集，重復實驗3次，將3次實驗的識別率求平均，結果如表2所示。

未融合差異信息建立的CARS-SPA-LSSVM模型對各染病階段的準確識別率雖均達到90%以上，然而隨染病程度加深，模型的識別效果并不穩定，由表2可見，該模型對染病2 d的測試集識別率達到95.65%，而對染病9 d的測試集識別率只有92.86%。這是由于未融合病害差異信息提取的特征波段有較多集中在750 nm之后，為光譜的隨機性波動，并非霜霉病的病害特征，模型識別準確性受到影響，無法作為黃瓜霜霉病害的早期檢測模型。

表2 不同模型對各染病階段識別結果比較Tab.2 Comparison of recognition results of different models for each infection stage

而本文提出的融合病害差異信息改進的CARS-SPA提取特征波段所建立的Dis-CARS-SPA-LSSVM模型對染病2 d(不可見)到染病9 d后發病嚴重等6個階段的識別率均達到100%，相較于CARS-SPA-LSSVM模型均有提高，能夠很好地實現對黃瓜葉片霜霉病害的早期及后期識別。表明融合病害差異信息提取特征波段能有效避免光譜干擾性波動帶來的影響，針對病害差異波段區域提取特征，更準確地表征黃瓜霜霉病害。

提出的Dis-CARS-SPA-LSSVM模型對染病1 d的樣本，測試集識別率達到了95.83%，比CARS-SPA-LSSVM模型的識別率高4.16個百分點；其混淆矩陣如表3所示，計算健康樣本的召回率為87.50%，染病樣本的召回率為100%，表明能將染病葉片全部檢測識別，僅會出現將健康葉片誤判為染病的情況，而對于病害的早期檢測及防治問題，染病樣本的召回率更為關鍵，部分健康葉片誤檢測為染病是可以容忍的。該結果表明該模型對黃瓜霜霉病害具有很好的早期檢測識別能力，可將黃瓜葉片霜霉病害的早期檢測時間提前到染病后1 d的時間點。

表3 Dis-CARS-SPA-LSSVM模型染病1 d混淆矩陣Tab.3 Dis-CARS-SPA-LSSVM model confusion matrix for 1 day after infection

3 討論

利用高光譜成像技術對溫室黃瓜霜霉病進行早期檢測，提出了融合病害差異信息改進的CARS-SPA特征提取方法。先用包絡線消除法選出表征病害特征的病害差異波段，通過CARS算法提取特征波段后再用SPA算法降維，既保證了對病害特征信息的有效提取，又保證了對冗余波段的剔除降維。在提取的431～552 nm及571～774 nm的病害差異波段范圍以CARS-SPA精確提取表征黃瓜霜霉病害的特征波段，通過最小二乘支持向量機建立的Dis-CARS-SPA-LSSVM病害識別模型對7個染病階段的病害葉片進行檢測，實驗結果顯示，融合病害差異信息改進的CARS-SPA特征提取方法進行特征波段提取，避免了非病害因素引起的特征波段光譜波動的影響；對染病僅1 d的葉片平均檢測精度達到95.83%，比單純的CARS-SPA特征提取方法建立的CARS-SPA-LSSVM模型高4.16個百分點，染病樣本的召回率達到100%；對染病2 d之后的葉片檢測精度均達到100%。

4 結束語

本文提出的融合病害差異信息改進的CARS-SPA特征提取方法能有效利用病害差異信息，在精確表征病害特征的基礎上有針對性地進行特征波段的提取。據此方法建立的Dis-CARS-SPA-LSSVM模型能有效提取溫室黃瓜霜霉病害高光譜特征，將黃瓜霜霉病害早期檢測的有效識別時間點提前到染病第1天。該方法適用于實際農業生產中的復雜環境，也可用于其他病害的田間早期檢測。