高光譜數(shù)據(jù)在甜瓜苗嫁接愈合早期判別中應(yīng)用

魏薇 李雨珊 黃遠 譚佐軍

摘 要： 嫁接愈合狀態(tài)早期無損判別能提高嫁接愈合裝置的利用率。以甜瓜嫁接苗為研究對象，獲取嫁接后第1～10 天嫁接部的高光譜數(shù)據(jù)，對原始光譜利用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)、標準正態(tài)變換和去趨勢處理、平滑21 點、多元散射矯正等預(yù)處理方法，以及兩種以上的方法組合，建立支持向量機、決策樹和XGBoost 3 種分類模型，優(yōu)選模型對應(yīng)的最優(yōu)預(yù)處理算法，并利用主成分分析、競爭性自適應(yīng)重加權(quán)算法、遺傳算法和連續(xù)投影算法4 種算法進行特征變量選擇，最后利用特征變量建立分類判別模式。結(jié)果顯示，一階導(dǎo)數(shù)?遺傳算法?XGBoost 模型挑選出30 個特征波長，預(yù)測準確率達到93%，效果最好。相比于嫁接后靠人工經(jīng)驗判斷愈合狀態(tài)，此方法在嫁接后第6 天對嫁接苗的愈合狀態(tài)進行判定，具有一定的理論和實踐價值。

關(guān)鍵詞：高光譜成像；甜瓜嫁接苗；光譜預(yù)處理；特征提取；分類識別模型

中圖分類號：S126文獻標識碼：A文章編號：2095-1795（2023）11-0025-07

DOI：10.19998/j.cnki.2095-1795.2023.11.004

0 引言

甜瓜是國內(nèi)外重要的園藝作物和經(jīng)濟作物，其在促進農(nóng)民增收和滿足人們?nèi)找嬖鲩L的瓜果需求方面發(fā)揮巨大作用。農(nóng)戶往往固定地點栽培，由于土傳病害的影響無法連作，嚴重影響甜瓜的正常生長，導(dǎo)致產(chǎn)量和品質(zhì)下降，阻礙了甜瓜產(chǎn)業(yè)的發(fā)展。嫁接換根可以解決連作障礙，提高產(chǎn)量和果實品質(zhì)[1]。嫁接愈合是嫁接育苗的重要階段，盡早地實現(xiàn)嫁接愈合情況的快速、自動和無損檢測分析，有利于愈合環(huán)境的優(yōu)化管理，能夠有效提高嫁接愈合裝置的利用率，增加甜瓜產(chǎn)業(yè)經(jīng)濟效益[2]。

傳統(tǒng)的嫁接苗愈合狀態(tài)主要是通過有經(jīng)驗的農(nóng)藝人員觀察接穗真葉是否出現(xiàn)來判斷，耗費大量的人力物力，成本高。實際上，接穗真葉出現(xiàn)往往是嫁接愈合后，無法實現(xiàn)盡早檢測的目的[3]。XU Jiannuo 等[4]采用熒光示蹤的方法實現(xiàn)甜瓜嫁接愈合狀態(tài)的早期判定。但是該方法是人工、破壞式表型測量方法。蘇穎欣等[5] 利用機器視覺技術(shù)和機器學習方法對瓜果蔬菜嫁接苗的成活情況進行研究，能夠提早1 d 或者2 d 確定嫁接苗的成活狀況。但是該方法也只是替代了人工觀察接穗真葉的方法，而且僅從圖像層面區(qū)分。近年來，高光譜成像技術(shù)能夠?qū)崟r、非接觸、高效地測量植物結(jié)構(gòu)形態(tài)、生理生化等多樣化的表型，在高通量植物表型分析中表現(xiàn)出良好的潛力[6]。楊杰鍇等[7] 通過對甜瓜嫁接苗新長出真葉區(qū)域的高光譜圖像進行分析，實現(xiàn)對甜瓜嫁接愈合情況的提前預(yù)測，然而該方法也是對接穗真葉進行檢測。XU Jiannuo 等[4]發(fā)現(xiàn)瓜果蔬菜嫁接后砧木、接穗及嫁接口生理生化特性產(chǎn)生明顯變化，未愈合時由于韌皮部堵塞，光合產(chǎn)物（糖類物質(zhì)）無法有效運輸，接穗和砧木有機物運輸通道重連則意味著嫁接苗已愈合。本研究以甜瓜嫁接苗為研究對象，獲取嫁接后第1～10 天嫁接部的高光譜數(shù)據(jù)，提出一種甜瓜嫁接苗嫁接愈合早期無損的檢測方法。

1 試驗

1.1 試驗材料

試驗材料為甜瓜嫁接苗，由華中農(nóng)業(yè)大學園藝林學學院提供。甜瓜接穗和砧木種子品種為阿可可口奇，由新疆農(nóng)業(yè)科學院哈密瓜研究中心提供。取適量的甜瓜種子，使用 0.1% 高錳酸鉀溶液給種子消毒 15 min，然后用網(wǎng)帶將種子包住，在流動的清水中反復(fù)沖洗，將種子外面的雜質(zhì)去除，然后放置于清水中浸種 10 h，將浸泡后的種子再次用蒸餾水沖洗，30 °C 黑暗條件下進行種子催芽，露白后播種，于50 孔黑色穴盤，2022年4 月在華中農(nóng)業(yè)大學園林樓人工氣候室培養(yǎng)。將甜瓜幼苗培養(yǎng)至2 葉1 心時進行單子葉嫁接，嫁接后于園林樓人工氣候室培養(yǎng)。嫁接愈合期間，需要及時去除砧木萌蘗，按照嫁接標準管理方法進行科學管理[8]。

1.2 高光譜數(shù)據(jù)采集

采用四川雙利合譜公司的蓋亞便攜式高光譜儀，其核心部件主要有高光譜成像鏡頭、光源、樣品架、計算機及控制軟件等部分。該光譜儀能獲取 400～1 000 nm波長范圍內(nèi)共 360 個波段的灰度圖像。為了避免環(huán)境光的影響，試驗于2022 年4—5 月在華中農(nóng)業(yè)大學逸夫樓 A309 暗室中進行，光源為15 W 鹵素燈，高光譜儀對甜瓜嫁接苗采樣物距30 cm 和曝光時間25 ms，以0.15 cm/s 的推掃速度采集，試驗裝置如圖1 所示。由于高光譜成像系統(tǒng)中噪聲的影響，需要對獲得的光譜圖像按式（1）進行校正。

利用以上方法，共采集29 株嫁接苗嫁接第1～10天的高光譜圖像，其中最終嫁接成功，即維管連通的嫁接苗有9 株；最終嫁接未成功，即維管未連通的嫁接苗有20 株。9 株活的嫁接苗6 株訓練、3 株測試；20 株死的嫁接苗14 株訓練、6 株測試。對29 株嫁接苗隨機進行劃分，選擇嫁接后第4、5、6 天嫁接苗的光譜數(shù)據(jù)作為樣本數(shù)據(jù)，最終有訓練集數(shù)據(jù)60 個，測試集數(shù)據(jù)27 個。

2 結(jié)果和討論

2.1 光譜分析

由圖2 可知，曲線具有相同的變化趨勢，波峰波谷主要分布在420、580、740 和900 nm 附近。450 和540 nm 波段附近是植物內(nèi)葉綠素的吸收峰和反射峰。900～1 000 nm 的吸收峰主要是由于樣品內(nèi)部水分的吸收引起，該波段內(nèi)存在水的O-H 基團的2 倍頻特征吸收峰[9]。從700～800 nm 反射率急劇增加，出現(xiàn)一個明顯的爬升陡坡，一直到1 000 nm，反射率最大超過50%，這是源于植被細胞散射而出現(xiàn)的“紅邊效應(yīng)”。光譜曲線比較類似，但是在嫁接后第1～4 天時，嫁接苗嫁接部位尚未愈合，韌皮部堵塞，光合產(chǎn)物（糖類物質(zhì)）無法有效運輸，砧穗嫁接口的淀粉含量差異越大，逐漸愈合后，砧木、接穗及嫁接口生理生化特性均會產(chǎn)生明顯變化，這種變化差異在光譜中仍然表現(xiàn)出細微差別，根據(jù)這些差異仍能區(qū)分嫁接苗的愈合狀態(tài)。

2.2 原始光譜與預(yù)處理光譜分類結(jié)果分析

原始光譜利用一階導(dǎo)數(shù)（First Derivatives，F(xiàn)D）、二階導(dǎo)數(shù)（Second Derivatives，SD）、標準正態(tài)變換（Standard Normal Variate， SNV） 和 支趨勢處理（Detrending）等算法，以及不同預(yù)處理算法之間相互結(jié)合進行預(yù)處理，分別建立支持向量機（Support VectorMachine，SVM）、決策樹分類（Decision Tree Analysis，DTA） 和極端梯度提升（ eXtreme Gradient Boosting，XGBoost）3 種分類模型，結(jié)果如表1 所示[10]。不難發(fā)現(xiàn)，并不是所有的預(yù)處理算法都能提高模型分類效果。

對于SVM 模型， 只有多元散射矯正（ Multivariatescattering correction ，MSC）算法將分類效果提高1 個百分點，平滑21 點（Smooth21）算法與原始數(shù)據(jù)分類效果一樣。XGBoost 分類模型，預(yù)處理算法對分類效果提高最明顯，F(xiàn)D 和FD+Centralization 組合算法將分類效果從65% 提高到了82%。而決策樹分類模型，F(xiàn)D和SD+Centralization 預(yù)處理算法將分類效果分別提高4個百分點和3 個百分點。分析得到FD-XGBoost 為最優(yōu)分類模型，該模型校正集和預(yù)測集分類準確率分別為93% 和82%。

2.3 特征變量選擇

利用主成分分析（Principal Component Analysis，PCA）、遺傳算法（Genetic Algorithms，GA）、競爭性自適應(yīng)重加權(quán)算法（Competitive Adaptive ReweightingSampling， CARS） 和連續(xù)投影算法（ SuccessiveProjections Algorithm，SPA）等特征波長選擇算法，選擇不同分類模型下數(shù)據(jù)預(yù)處理效果最好的兩種方法，進行預(yù)處理后光譜數(shù)據(jù)的特征變量計算，4 種算法選擇的特征變量如表2 所示，特征變量位置如圖3、圖4 和圖5 所示[11]。

SVM 分類模型下，CARS 算法對經(jīng)過MSC 預(yù)處理后的光譜數(shù)據(jù)進行特征選擇，將原始光譜的360 個波長降維至21 個特征波長，主要分布在400～520 和760～1 000 nm 區(qū)域。對經(jīng)過Smooth21 預(yù)處理的光譜數(shù)據(jù)進行特征選擇，得到14 個特征波長，波長主要是分布在880～1 000 nm 區(qū)域。利用遺傳算法GA 分別對MSC和Smooth21 預(yù)處理后的光譜數(shù)據(jù)進行特征挑選，嫁接苗360 個波長數(shù)據(jù)分別降維至39 個和18 個，平滑處理后的數(shù)據(jù)挑選出的特征波長主要分布在400～760 nm區(qū)域之間。SPA 算法對Smooth21 預(yù)處理后數(shù)據(jù)進行特征波長挑選，將360 個特征波長降維至30 個，特征波長分布于全波段光譜的各個區(qū)域。對于MSC 處理后數(shù)據(jù)特征波長降維至30 個， 特征波長主要分布于400～520 和760～1 000 nm 區(qū)域。最后利用PCA 對經(jīng)過Smooth21 處理的數(shù)據(jù)進行主成分分析，得到前5 個主成分的累積貢獻率如表3 所示，第1 主成分的貢獻率超過90%，達到91.16%，前5 個主成分的累積貢獻99.93%，接近100%。利用MSC 對嫁接苗第4、5、6天的原始光譜數(shù)據(jù)進行處理， 隨后利用PCA 分析MSC 預(yù)處理后的數(shù)據(jù)，如表4 所示。前5 個主成分累積貢獻率達到98.01%， 但是第1 主成分的貢獻率61.73%，遠低于經(jīng)Smooth21 處理第1 主成分的貢獻率。

DTA 模型下，CARS 算法對經(jīng)過FD 預(yù)處理后的光譜數(shù)據(jù)進行特征選擇，將原始光譜的360 個波長降維至36個特征波長，主要分布在400～520 和760～1 000 nm。

對經(jīng)過SD+Centralization 預(yù)處理的光譜數(shù)據(jù)進行特征選擇，得到47 個特征波長，波長主要是分布在400～640和760～1 000 nm 區(qū)域。利用遺傳算法GA 分別對FD和SD+Centralization 預(yù)處理后的光譜數(shù)據(jù)進行特征挑選，嫁接苗360 個波長數(shù)據(jù)分別降維至31 個和40 個。SPA算法對FD 預(yù)處理后數(shù)據(jù)進行特征波長挑選，將360 個特征波長降維至30 個，特征波長分布于400～520 和760～1 000 nm 區(qū)域。對于SD+Centralization 處理后數(shù)據(jù)特征波長降維至30 個。最后利用PCA 對經(jīng)過FD 處理的數(shù)據(jù)進行主成分分析，得到前5 個主成分的累積貢獻率如表5 所示，前5 個主成分累積貢獻95.53%。利用SD+Centralization 對嫁接苗第4、5、6 天的原始光譜數(shù)據(jù)進行處理，隨后利用PCA 分析MSC 預(yù)處理后的數(shù)據(jù)，如表6 所示，前5 個主成分累積貢獻率達到89.5%，遠低于經(jīng)FD 處理前5 個主成分的貢獻率。

XGBoost 分類模型下， CARS 算法對經(jīng)過FD+Centralization 預(yù)處理的光譜數(shù)據(jù)進行特征選擇，得到30個特征波長。利用遺傳算法GA 分別FD+Centralization預(yù)處理后的光譜數(shù)據(jù)進行特征挑選，嫁接苗360 個波長數(shù)據(jù)分別降維至41 個。SPA 算法對FD+Centralization預(yù)處理后數(shù)據(jù)進行特征波長挑選，將360 個特征波長降維至30 個，特征波長更多分布在光譜波段400～520 nm 和760～1 000 nm 區(qū)域。

最后利用PCA 對經(jīng)過FD+Centralization 處理的數(shù)據(jù)進行主成分分析，得到前5 個主成分的累積貢獻率如表7 所示，前5 個主成分的累積貢獻率95.58%，接近于100%。

2.4 基于特征變量的模型建立

特征變量建立的分類判別模型結(jié)果如表8 所示。在 SVM 模型的分類結(jié)果中，兩種數(shù)據(jù)預(yù)處理方法組合3 種特征變量選擇算法，選擇的特征變量建立的模型校正集和預(yù)測集準確率分別為58％～87％和53％～80％。其中光譜原始數(shù)據(jù)經(jīng)過CARS 特征選擇，模型預(yù)測的準確率最高。在 DT 模型分類結(jié)果中，校正集和預(yù)測集準確率分別為58％～89％和53％～85％，其中FD 數(shù)據(jù)預(yù)處理后，再通過GA 和PCA 兩種算法進行降維，得到的準確率都達到85%。在XGBoost 模型的分類結(jié)果中，同樣用兩種預(yù)處理方法組合3 種算法選擇的特征變量建立的模型校正集和預(yù)測集準確率分別為83％～95％和 80％～93％。通過FD 數(shù)據(jù)預(yù)處理與GA算法組合后，模型預(yù)測率最高，達到93%。在所有的數(shù)據(jù)預(yù)處理方法和分類模型的組合中，F(xiàn)D-GAXGBoost模型效果最好。

3 結(jié)束語

基于高光譜技術(shù)， 通過對甜瓜嫁接處的高光譜數(shù)據(jù)分析處理與模型評估，實現(xiàn)了對甜瓜嫁接苗愈合狀態(tài)的提前量化預(yù)測。建立SVM、DTA 和XGBoost的3 種分類模型，組合不同的數(shù)據(jù)預(yù)處理方法和特征變量選擇算法，所有組合中，F(xiàn)D-GA-XGBoost 模型挑選出30 個特征波長，預(yù)測準確率達到93%，效果最好。相比傳統(tǒng)人工在嫁接后靠經(jīng)驗判斷愈合狀態(tài)，此方法在嫁接后6 d 對嫁接苗的愈合狀態(tài)可進行較為準確的判定，為甜瓜嫁接苗生產(chǎn)提供參考。

優(yōu)選出的特征波長更多地集中在460～640 和760～1 000 nm 區(qū)域中，而400～520 nm 是類胡蘿卜素吸收峰，類胡蘿卜素會影響植物的光合作用。除此之外，水分的光譜吸收范圍覆蓋近紅外和短波紅外區(qū)間，即波長780～2 526 nm。嫁接苗高光譜特征波長出現(xiàn)在以上區(qū)域，說明嫁接苗存活狀態(tài)與植物光合作用和其含水量之間的密切關(guān)系。

參考文獻

孫光聞， 陳日遠， 劉厚誠． 設(shè)施蔬菜連作障礙原因及防治措施[J]．農(nóng)業(yè)工程學報，2005，21（S2）：184-188．

SUN Guangwen，CHEN Riyuan，LIU Houcheng．Causes and controlmeasures for continuous cropping obstacles in protected vegetable cultivation[J]．Transactions of The Chinese Society of Agricultural Engineering，2005，21（S2）：184-188．

張娟，李風春，張春梅［2］ ，等．甜瓜嫁接技術(shù)研究初探[J]．蔬菜，2021（4）：16-18．

ZHANG Juan，LI Fengchun，ZHANG Chunmei，et al．Primary studyon grafting technology of cantaloupe[J]． Vegetables， 2021（ 4） ： 16-18．

ZHANG X， ZHANG F， WANG J， et al． Cutting after grafting affectsthe growth and cadmium accumulation of Nasturtium officinale[J]． Environmental Science and Pollution Research， 2019， 26：15 436-15 442．

XU Jianuo，WEI Xiaoyang，XIONG Mu，et al．A method for simultaneouslymonitoring phloem and xylem reconnections in grafted watermelonseedlings[J]．Scientia Horticulturae，2022，299：111 058．

蘇穎欣，張躍峰，辜松．基于機器視覺判別瓜類嫁接苗成活的試驗研究[J]．農(nóng)機化研究，2020，42（4）：184-187．

SU Yingxin，ZHANG Yuefeng，GU Song．Experimental study on discriminatingthe survival of cucurbits grafted seedlings based on machinevision[J]． Journal of Agricultural Mechanization Research， 2020，42（4）：184-187．

付青，郭晨，羅文浪．基于高分一號衛(wèi)星遙感影像的土地利用變化檢測[J]．激光與光電子學進展，2020，57（16）：348-355．

FU Qing， GUO Chen， LUO Wenlang． Land use uhange detectionbased on GF-1 satellite remote sensing images[J]． Laser & OptoelectronicsProgress，2020，57（16）：348-355．

楊杰鍇，郭志強，黃遠，等．高光譜成像的甜瓜嫁接愈合狀態(tài)早期分類檢測[J]．光譜學與光譜分析，2022，42（7）：2 218-2 224．

YANG Jiekai，GUO Zhiqiang，HUANG Yuan，et al．Early classificationand detection of melon graft healing state based on hyperspectralimaging[J]．Spectroscopy and Spectral Analysis，2022，42（7）：2 218-2 224．

劉方園，黃遠，黎煊，等．愈合期不同溫度和光照處理對甜瓜嫁接苗質(zhì)量的影響[J]．中國瓜菜，2019，32（3）：18-21．

LIU Fangyuan， HUANG Yuan， LI Xuan， et al． Effects of differenttemperature and light treatments during grafting healing period on thequality of grafted melon seedlings[J]．China Cucurbits and Vegetables，2019，32（3）：18-21．

劉暢，孫鵬森，劉世榮．植物反射光譜對水分生理變化響應(yīng)的研究進展[J]．植物生態(tài)學報，2016，40（1）：80-91．

LIU Chang， SUN Pengsen， LIU Shirong． A review of plant spectralreflectance response to water physiological changes[J]． Chinese Journalof Plant Ecology，2016，40（1）：80-91．

劉爽，譚鑫，劉成玉，等．高光譜數(shù)據(jù)處理算法的小麥赤霉病籽粒識別[J]．光譜學與光譜分析，2019，39（11）：3 540-3 546．

LIU Shuang， TAN Xin， LIU Chengyu， et al． Recognition of fusariumhead blight whet grain based on hyperspectral data processing algorithm[J]． Spectroscopy and Spectral Analysis， 2019， 39（ 11） ：3 540-3 546．

王珂，沈掌泉，王人潮．植物營養(yǎng)脅迫與光譜特性[J]．國土資源遙感，1999，11（1）：9-14．

WANG Ke， SHEN Zhangquan， WANG Renchao． Vegetation nutrientcondition and spectral feature[J]． Remote Sensing for Land & Resources，1999，11（1）：9-14．