基于高光譜特征提取的甜瓜白粉病早期識別

摘要：白粉病是危害甜瓜產量和品質的主要病害之一，利用高光譜技術進行甜瓜白粉病早期病害識別研究。以溫室甜瓜為研究對象，使用高光譜成像儀采集甜瓜葉片包含128個波段的高光譜圖像，其中接種白粉病菌1～4天內的早期無病斑葉片為染病葉片，未接種病菌的葉片為健康葉片。采用連續投影算法（SPA）和競爭性自適應重加權算法（CARS）兩種算法提取特征波長，運用主成分分析算法（PCA）對原始數據進行特征降維。分別以原始波長（Original）、SPA特征波長（8個）、CARS特征波長（9個）和PCA主成分（4個）作為早期識別模型的輸入變量，結合隨機森林（RF）和自適應增強（AdaBoost）兩種集成學習算法，構建出8種甜瓜白粉病早期識別模型：Original-RF、SPA-RF、CARS-RF、PCA-RF、Original-AdaBoost、SPA-AdaBoost、CARS-AdaBoost、PCA-AdaBoost，并使用十折交叉驗證方法對模型進行評價。結果表明，所建模型準確率均在90%以上，其中使用全波段的Original-AdaBoost和Original-RF模型平均準確率最高，分別為94.3%和93.8%；SPA-AdaBoost有效降低模型輸入，在染病第1天識別準確率就達到93.3%，平均準確率達到93.5%。

關鍵詞：甜瓜；白粉病；高光譜；特征波長；機器學習；早期識別

中圖分類號：S436； TP391.4 文獻標識碼：A 文章編號：2095?5553 （2024） 11?0172?06

Early identification of melon powdery mildew based on hyperspectral feature extraction

Bai Dayu1， Shi Qinghua2， Wang Jianquan2， Sun Fenggang1， Li Hongwei1， Lan Peng1

（1. College of Information Science and Engineering， Shandong Agricultural University， Tai'an， 271018， China;

2. College of Horticultural Science and Engineering， Shandong Agricultural University， Tai'an， 271018， China）

Abstract： Powdery mildew is one of the major diseases affecting the yield and quality of melon， hyperspectral technology was used to realize the early disease identification of melon powdery mildew. By using greenhouse melon as the research object， hyperspectral images of melon leaves containing 128 bands were collected， in which leaves within 1-4 days of inoculation with powdery mildew fungus were classified as the early diseased leaves and leaves with no fungus inoculation were healthy ones. Two algorithms， such as Successive Projections Algorithm （SPA） and Competitive Adaptive Reweighted Sampling （CARS）， were used to extract characteristic wavelengths， and Principal Component Analysis （PCA） was applied to reduce the dimensionality of the original data. The original wavelength （Original）， SPA characteristic wavelength （8）， CARS characteristic wavelength （9） and PCA principal components （4） were used as the input variables of the recognition models， respectively. Combined with two ensemble leaning methods， Random Forests （RF） and Adaptive Boosting （AdaBoost）. Eight early identification models of melon powdery mildew were constructed， including Original-RF， SPA-RF， CARS-RF， PCA-RF， Original-AdaBoost， SPA-AdaBoost， CARS-AdaBoost， PCA-AdaBoost. The model was evaluated by the ten-fold cross-validation method. The results showed that the accuracy of the proposed models were all above 90%， among which the Original-AdaBoost and Original-RF models had the highest average accuracy of 94.3% and 93.8%， respectively. SPA-AdaBoost effectively reduced the model input and achieved 93.3% recognition accuracy on the 1st day of the disease， with an average accuracy of 93.5%.

Keywords： melon; powdery mildew; hyperspectral; characteristic wavelength; machine learning; early identification

0 引言

甜瓜是世界性的水果型蔬菜作物，但在栽培過程中易受白粉病侵害。白粉菌通過釋放分生孢子感染甜瓜葉片，影響甜瓜光合作用，在病情嚴重時會導致甜瓜死亡，嚴重影響甜瓜的品質和產量[1]。然而，白粉病染病早期葉片無明顯肉眼可辨病斑，難以在染病早期對病害進行準確識別，從而錯失除治的最佳時機。雖然可通過提前噴灑藥物進行防治，但由于難以區分是否發病，容易導致施藥過量、抬高成本、環境污染等問題。因此，開展甜瓜葉片白粉病早期快速識別研究對指導實際生產具有重要意義。

目前，作物病害識別大多通過病害部位在可見光、多光譜等波段的特征差異進行識別[2?6]。然而，可見光方式主要基于肉眼可辨病斑進行識別分類，難以在染病早期無明顯病斑時應用；多光譜方式所含波段范圍少，難以準確提取反應病害影響的特征波段。高光譜技術可獲取成百上千個波段，實現圖譜合一，突破可見光和多光譜的限制，結合現代建模和數據分析方法，為早期病害識別提供了有力條件[7?9]。康麗等[10]通過高光譜技術結合支持向量機算法實現水稻稻瘟病的病害分級。程術希等[11]基于多種特征波長提取算法對番茄葉片高光譜數據進行特征波長提取，實現對番茄早疫病的研究。吳葉蘭等[12]利用高光譜成像技術，通過多種數據處理方法結合機器學習對柑橘的4種葉片病害進行分類識別，全波段下模型識別率在88%以上。趙森等[13]通過高光譜技術實現對刺五加葉片黑斑病的檢測，識別精度達到92.77%。劉燕德等[14]基于高光譜成像技術對臍橙葉片的葉綠素、水分和氮素進行快速無損定量分析。Zhao等[15]通過葉片高光譜反射率實現人參根部病害的早期檢測。在白粉病識別方面，Tapia等[16]通過將冠層反射率光譜分析與基因信息相結合，提出了草莓白粉病的預測方法。Fernández等[17]探究了黃瓜葉片在接種白粉病菌后不同天數光譜對比，使用支持向量機算法實現了95%的總體準確性。Wang等[18]對草莓葉片的白粉病通過擬合方程定量評價侵染階段。Xuan等[19]基于高光譜對小麥白粉病早期診斷中融合特征波長和紋理特征建立模型驗證集的準確率達到91.4%。馮子恒等[20]結合高光譜與機器學習算法實現小麥白粉病病情指數的檢測。蔡葦荻等[21]基于小波特征與紋理特征結合構建小麥白粉病早期識別模型，其總體分類精度達到81.17%。上述研究表明，高光譜技術在作物病害識別方面，結合傳統機器學習方法已取得較好結果，但目前有關甜瓜白粉病早期識別研究仍較少。

本研究以溫室甜瓜為研究對象，對甜瓜健康與染病葉片進行逐日采集，利用高光譜技術分析白粉病發病早期與健康葉片的光譜差異，通過連續投影算法、競爭性自適應加權算法和主成分分析法對原始數據進行特征波長提取和數據降維，構建甜瓜白粉病早期識別模型，以實現對溫室甜瓜白粉病早期的高精度識別。

1 材料與方法

1.1 材料

試驗樣本為山東農業大學園藝學院培養的250株甜瓜幼苗，將其分為接種白粉病植株125株和正常植株125株。甜瓜品種為羊角蜜，在培養箱中進行培育。將甜瓜幼苗培育到兩葉一心到三葉一心階段時，采用噴灌法進行白粉病菌的接種。在染病后以及病狀顯現前每隔1天進行1次采集，每次測25株染病植株和25株健康植株。圖1是健康與染病不同時期的甜瓜葉片。染病前4天的葉片均無肉眼可見病斑，在第5天時染病葉片已表現出肉眼可見白斑。本試驗研究的是病斑不可見狀態下的甜瓜白粉病早期識別，故選取前4天的數據作為本試驗所研究對象。

1.2 高光譜數據采集

高光譜成像儀主要由SOC710 VP主機、鏡頭、電源線、鹵素燈和載物臺組成。與電腦連接后，通過HyperScanne軟件控制操作，光譜范圍為350～1 050 nm，光譜分辨率2.1 nm，共包含128個光譜波段，光圈選用f/5.6，曝光時間20 ms。為防止自然光線對試驗數據的影響，數據采集在暗室中進行。將待測葉片正面朝上平鋪在載物臺的黑色背景板上進行數據采集。

1.3 高光譜數據處理

使用高光譜儀器配套軟件SRAnal710e來完成數據標定、圖像處理、數據查看等功能。采集的原始數據是像元亮度值DN（Digital Number），為獲取不同波段所對應的反射率值，需要將像元亮度轉化為光譜反射率。首先選出DN值，然后調入參考板反射率文件，執行反射率數據獲取運算。為了保證葉片所有信息的不丟失，框選整個葉片區域作為感興趣區域（Region of Insterst， ROI）提取并保存全波段ROI的平均反射率。分別對每個階段的光譜曲線進行觀察分析，剔除嚴重偏離樣本中心的數據，最后共選用甜瓜葉片160片，其中包含健康葉片75片，染病葉片85片，逐日的樣本分類情況如表1所示。

1.4 特征波長選取與數據降維

在高光譜數據中，通常包含上百個波段，而這些波段間存在大量冗余信息。為防止過擬合，并提高模型的準確性和可靠性，需要對高光譜數據進行降維處理。在實現數據降維過程中，特征波長的提取一直是光譜分析領域中最為關鍵的研究之一。通過提取的特征波長，可以獲得高光譜數據中最重要的信息，降低數據冗余度，同時縮小數據維度，減少數據中的噪聲，從而更好地為后續的數據分析或建模奠定基礎。本文使用連續投影算法（Successive Projections Algorithm， SPA）、競爭性自適應重加權算法（Competitive Adaptive Reweighted Sampling， CARS）和主成分分析（Principal Component Analysis， PCA）對光譜數據進行特征波長的提取和數據降維。

SPA是一種基于最小二乘原理的特征選擇方法，用于選擇一組最具有預測能力的特征，以提高模型的泛化性能。SPA算法的基本思想是將待選擇特征子集看作是低維空間中的一個子空間，將全局空間中向量逐步投影到該子空間中，并求解最小的殘差平方和。SPA選擇的是含有最少冗余信息及最小共線性的變量組合。

CARS是一種基于競爭自適應重加權采樣的特征選擇方法，旨在選擇具有代表性、互補性和預測能力的特征子集，以提高模型的泛化性能。CARS算法的主要思想是采用一種自適應重加權采樣方法，在不同的采樣迭代中動態調整特征權重，選擇出代表性和互補性較好的特征子集。CARS算法能夠減少光譜重疊、噪聲等干擾因素對結果的影響。

PCA是一種實現數據降維的統計方法，原理是將原特征變量的線性相關變量轉換為一組線性不相關的主成分，并通過主成分的貢獻率進行特征值選取。本試驗中，選取主成分的依據為累計貢獻率需達到99%以上，使原始數據的信息得以充分保留。

1.5 模型構建與評估

甜瓜白粉病早期識別是一個分類問題，可分別利用PCA所提取主成分、SPA所篩選特征波段以及CARS所提取特征波段作為特征進行模型訓練。試驗中采用兩種典型集成學習算法，分別為隨機森林（RF）和自適應提升算法（AdaBoost）。

RF是一種基于Bagging的集成學習方法，其核心思想是將多個決策樹組成一個森林，通過對決策樹投票或取平均值來做出最終預測。RF算法能夠在處理大規模、高維度數據時可保持較高的精度和泛化能力，且能避免過擬合。

AdaBoost是一種基于boosting的集成學習方法，其核心思想是利用同一個訓練數據集來訓練不同分類器（弱分類器），然后把這些弱分類器集合起來，構成一個更強的最終分類器（強分類器）。AdaBoost算法檢測速度較高，且不易出現過擬合。

為探究所建模型對染病不同時期葉片與健康葉片的識別性能，將數據集按照3：1分為訓練集和測試集，采取十折交叉驗證進行模型評估。采用交叉驗證準確率AC作為模型評價指標，計算如式（1）所示。

[AC=TP+TNTP+FP+TN+FN] （1）

式中： TP——真值和預測值都是染病樣本的個數；

FP——真值是健康樣本，預測值是染病樣本的個數；

TN——真值和預測值都是健康樣本的個數；

FN——真值是染病樣本，預測值是健康樣本的個數。

2 結果與分析

2.1 原始光譜圖像分析

為分析甜瓜接種白粉病不同階段的光譜曲線變化，對不同時期的健康葉片和患病葉片的光譜反射率取平均值。甜瓜健康葉片和接種白粉病后葉片分別在1～4天的平均光譜曲線變化如圖2所示。

葉片在不同時期均有相似的變化趨勢，但在部分波段反射率差異較大。在476～500 nm藍光波段，反射率低，形成一個波谷；在526～576 nm綠光波段，反射率先升后降，附近形成明顯的波峰，此范圍內染病葉片的平均反射率高于健康葉片；在550 nm綠光波段，染病葉片反射率高于健康葉片，這是葉綠素的反射作用，染病葉片由于白粉病菌入侵導致葉綠素降解；在680 nm紅光波段，反射率較低，這是因為葉綠素對紅光波段有強吸收作用；在780～1 000 nm近紅外波段，由于水分含量的降低，染病葉片的平均反射率低于健康葉片。

2.2 特征波長選取

2.2.1 SPA算法選擇特征波長

為探究甜瓜白粉病早期的特征波段，采用SPA算法進行特征選擇。SPA利用向量的投影分析，通過將波長投影到其他波長上，比較投影向量大小，以投影向量最大的波長為待選波長，然后基于待選波長建立多元線性回歸分析MLR（Multiple Linear Regression）模型，得到建模集均方根誤差RMSE（Root Mean Squared Error）所對應不同的候選子集。SPA算法中設置選取最小波長個數為2，最大為28，MLR模型分別采用7∶3進行訓練集和測試集的劃分。圖3是不同波長個數所對應的均方根誤差，圖4是所選取的特征波長。

由圖3和圖4可知，在RMSE達到最小值0.27時，所選取特征波長為8個，分別是396.39 nm、525.77 nm、556.12 nm、768.47 nm、940.23 nm、962.07 nm、1 011.51 nm和1 039.15 nm。與原始波長個數相比，波長數量減少93.75%，極大減少波長信息的冗余，且所選取特征波段范圍與原始光譜圖像分析中的結論一致。

2.2.2 CARS算法選擇特征波長

使用CARS算法選擇特征波長，設置迭代次數為50次，偏最小二乘回歸保留的主成分最大值為10，使用十折交叉驗證法求均方根誤差。圖5不同迭代次數對應的均方根誤差，圖6是不同迭代次數所選取的特征波長數，迭代次數為31次時，RMSE達到最小為0.25，此時可篩選出9個特征波段，分別為396.39 nm、465.62 nm、515.19 nm、556.12 nm、880.59 nm、929.34 nm、1 011.51 nm、1 017.03 nm和1 033.61 nm。相比原始波長個數，波長數量減少了92.97%，并且所選波段范圍與原始光譜圖像分析中的結論相一致。

2.3 數據降維

使用PCA算法對原始樣本數據進行降維，前6個主成分（PC）特征值和累積貢獻率如表2所示。其中PC1的貢獻率最大，為90.199%；累積貢獻率將隨著主成分PC個數逐步提高，但提升幅度逐漸變小；前4個PC的累積貢獻率達到99.038%，因此，選擇前4個主成分作為后續模型的輸入。

2.4 建模分析

運用RF和AdaBoost算法，分別以原始（Original）128個波段、SPA提取的8個波段、CARS提取的9個波段和PCA提取到的4個主成分來構建模型，包括：Original-AdaBoost、Original-RF、SPA-AdaBoost、SPA-RF、CARS-AdaBoost、CARS-RF、PCA-AdaBoost和PCA-RF。通過十折交叉驗證后不同染病天數甜瓜葉片識別的準確率和平均準確率如表3所示。

由表3可知，隨著染病天數的不斷增加，不同識別算法的識別準確率得到逐步提升。使用全部波段的Original-AdaBoost和Original-RF模型普遍優于其他模型，其中又以Original-AdaBoost性能最佳。Original-AdaBoost對染病第1天到第4天的分類準確率分別達到93.3%、93.3%、95.0%和97.5%。但Original-AdaBoost和Original-RF需使用全部128個波段，易產生數據過擬合問題，且占用更多的計算和存儲資源。為此，使用SPA、CARS和PCA對特征波段進行選擇和降維。SPA-AdaBoost、CARS-AdaBoost和PCA-AdaBoost模型的平均準確率分別為93.5%、92.8%和91.6%，相比Original-AdaBoost模型識別平均準確率略有降低，但模型特征輸入分別降低了93.75%、92.97%和96.88%；SPA-AdaBoost模型在8個特征波長下，第1天到第4天的分類準確率分別為93.3%、92.5%、93.3%和95.0%，該模型實現了甜瓜白粉病的早期識別，并且通過特征提取和數據降維所得的結果為便捷式光譜設備的研發提供了理論支持。

3 結論

1） 通過高光譜成像技術對甜瓜白粉病早期各階段病害葉片進行識別，使用SPA、CARS和PCA進行特征波長選擇和降維，并搭建出基于RF和AdaBoost的甜瓜白粉病早期識別模型。

2） 根據甜瓜白粉病高光譜數據，在526～576 nm和780～1 000 nm波段范圍內，甜瓜白粉病葉片和正常葉片具有明顯的差異性，這和SPA、CARS算法所選擇的特征波長范圍相一致，兩種方法分別的得到8個（396.39 nm、525.77 nm、556.12 nm、768.47 nm、940.23 nm、962.07 nm、1 011.51 nm和1 039.15 nm）和9個（396.39 nm、465.62 nm、515.19 nm、556.12 nm、880.59 nm、929.34 nm、1 011.51 nm、1 017.03 nm和1 033.61 nm）特征波長；通過特征波長所建立的SPA-AdaBoost和CARS-AdaBoost模型取得了較好的識別率，平均準確率分別是93.5%和92.8%；PCA算法具有很好的降維效果，在4個特征值的情況下，平均準確率達到91.6%，有效減少模型特征輸入。

3） 結果表明，高光譜成像技術可用于甜瓜白粉病早期識別的檢測研究，SPA、CARS和PCA是有效的特征提取和數據降維算法，高光譜成像技術為甜瓜白粉病早期識別提供一種可行方法。

參 考 文 獻

[ 1 ] 崔浩楠， 朱強龍， 朱子成， 等. 甜瓜白粉病及其抗性分子遺傳研究進展[J]. 中國瓜菜， 2018， 31（3）： 1-7.

Cui Haonan， Zhu Qianglong， Zhu Zicheng， et al. Advance on powdery mildew and molecular genetic base of resistance in melon [J]. China Cucurbits and Vegetables， 2018， 31（3）： 1-7.

[ 2 ] 李鑫星， 朱晨光， 白雪冰， 等. 基于可見光譜和支持向量機的黃瓜葉部病害識別方法研究[J]. 光譜學與光譜分析， 2019， 39（7）： 2250-2256.

Li Xinxing， Zhu Chenguang， Bai Xuebing， et al. Recognition method of cucumber leaves diseases based on visual spectrum and support vector machine [J]. Spectroscopy and Spectral Analysis， 2019， 39（7）： 2250-2256.

[ 3 ] 李凱雨， 張慧， 馬浚誠， 等. 基于語義分割和可見光譜圖的作物葉部病斑分割方法[J]. 光譜學與光譜分析， 2023， 43（4）： 1248-1253.

Li Kaiyu， Zhang Hui， Ma Juncheng， et al. Segmentation method for crop leaf spot based on semantic segmentation and visible spectral images [J]. Spectroscopy and Spectral Analysis， 2023， 43（4）： 1248-1253.

[ 4 ] 趙曉陽， 張建， 張東彥， 等. 低空遙感平臺下可見光與多光譜傳感器在水稻紋枯病病害評估中的效果對比研究[J]. 光譜學與光譜分析， 2019， 39（4）： 1192-1198.

Zhao Xiaoyang， Zhang Jian， Zhang Dongyan， et al. Comparison between the effects of visible light and multispectral sensor based on low altitude remote sensing platform in the evaluation of rice sheath blight [J]. Spectroscopy and Spectral Analysis， 2019， 39（4）： 1192-1198.

[ 5 ] 張昭， 王鵬， 姚志鳳， 等. 基于多光譜熒光成像技術和SVM的葡萄霜霉病早期檢測研究[J]. 光譜學與光譜分析， 2021， 41（3）： 828-834.

Zhang Zhao， Wang Peng， Yao Zhifeng， et al. Eary detection of downy mildew on grape leaves using multicolor fluorescence imaging and model SVM [J]. Spectroscopy and Spectral Analysis， 2021， 41（3）： 828-834.

[ 6 ] 劉浪， 許金釵， 翁海勇， 等. 基于多光譜成像技術的水稻葉部病害檢測裝置設計與試驗[J]. 福建農林大學學報（自然科學版）， 2023， 52（2）： 280-284.

Liu Lang， Xu Jinchai， Weng Haiyong， et al. Development of a portable detection device for rice leaf diseases using multispectral imaging [J]. Journal of Fujian Agriculture and Forestry University （Natural Science Edition）， 2023， 52（2）： 280-284.

[ 7 ] 張凝， 楊貴軍， 趙春江， 等. 作物病蟲害高光譜遙感進展與展望[J]. 遙感學報， 2021， 25（1）： 403-422.

[ 8 ] 徐衍向， 張敬智， 蘭玉彬， 等. 基于紅外熱成像和機器學習的作物早期病害識別研究進展[J]. 中國農機化學報， 2023， 44（5）： 188-197.

Xu Yanxiang， Zhang Jingzhi， Lan Yubin， et al. Research progress of early crop disease identification based on infrared thermal imaging and machine learning [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（5）： 188-197.

[ 9 ] 謝亞平， 陳豐農， 張競成， 等. 基于高光譜技術的農作物常見病害監測研究[J]. 光譜學與光譜分析， 2018， 38（7）： 2233-2240.

Xie Yaping， Cheng Fengnong， Zhang Jingcheng， et al. Study on monitoring of common diseases of crops based on hyperspectral technology [J]. Spectroscopy and Spectral Analysis， 2018， 38（7）： 2233-2240.

[10] 康麗， 袁建清， 高睿， 等. 高光譜成像的水稻稻瘟病早期分級檢測[J]. 光譜學與光譜分析， 2021， 41（3）： 898-902.

Kang Li， Yuan Jianqing， Gao Rui， et al. Early detection and identification of rice blast based on hyperspectral image [J]. Spectroscopy and Spectral Analysis， 2021， 41（3）： 898-902.

[11] 程術希， 謝傳奇， 王巧男， 等. 不同波長提取方法的高光譜成像技術檢測番茄葉片早疫病的研究[J]. 光譜學與光譜分析， 2014， 34（5）： 1362-1366.

Cheng Shuxi， Xie Chuanqi， Wang Qiaonan， et al. Different wavelengths selection methods for identification of early blight on tomato leaves by using hyperspectral imaging technique [J]. Spectroscopy and Spectral Analysis， 2014， 34（5）： 1362-1366.

[12] 吳葉蘭， 陳怡宇， 廉小親， 等. 高光譜成像的柑橘病蟲害葉片識別方法[J]. 光譜學與光譜分析， 2021， 41（12）： 3837-3843.

Wu Yelan， Chen Yiyu， Lian Xiaoqin， et al. Study on the identification method of citrus leaves based on hyperspectral imaging technique [J]. Spectroscopy and Spectral Analysis， 2021， 41（12）： 3837-3843.

[13] 趙森， 付蕓， 崔江南， 等. 高光譜的刺五加黑斑病的早期檢測研究[J]. 光譜學與光譜分析， 2021， 41（6）： 1898-1904.

Zhao Sen， Fu Yun， Cui Jiangnan， et al. Application of hyperspectral imaging in the diagnosis of acanthopanax senticosus black spot disease [J]. Spectroscopy and Spectral Analysis， 2021， 41（6）： 1898-1904.

[14] 劉燕德， 姜小剛， 周衍華， 等. 基于高光譜成像技術對臍橙葉片的葉綠素、水分和氮素定量分析[J]. 中國農機化學報， 2016， 37（3）： 218-224.

Liu Yande， Jiang Xiaogang， Zhou Yanhua， et al. Quantitative analysis of chlorophyll、water and nitrogen for Nacel orange leaf based on hyperspectral imaging technology [J]. Journal of Chinese Agricultural Mechanization， 2016， 37（3）： 218-224.

[15] Zhao G， Pei Y， Yang R， et al. A non?destructive testing method for early detection of ginseng root diseases using machine learning technologies based on leaf hyperspectral reflectance [J]. Frontiers in Plant Science， 2022， 13： 1031030.

[16] Tapia R， Abd?Elrahman A， Osorio L， et al. Combining canopy reflectance spectrometry and genome?wide prediction to increase response to selection for powdery mildew resistance in cultivated strawberry [J]. Journal of Experimental Botany， 2022， 73（15）： 5322-5335.

[17] Fernández C I， Leblon B， Wang J， et al. Cucumber powdery mildew detection using hyperspectral data [J]. Canadian Journal of Plant Science， 2021， 102（1）： 20-32.

[18] Wang Q， Zhang S， Xu J， et al. Monitoring the infection of powdery mildew pathogen on strawberry leaves by ATR-IR technique [J]. Journal of Phytopathology， 2022， 170（9）： 579-587.

[19] 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， 2022， 197： 106921.

[20] 馮子恒， 李曉， 段劍釗， 等. 基于特征波段選擇和機器學習的小麥白粉病高光譜遙感監測[J]. 作物學報， 2022， 48（9）： 2300-2314.

[21] 蔡葦荻， 張羽， 劉海燕， 等. 基于成像高光譜的小麥冠層白粉病早期監測方法[J]. 中國農業科學， 2022， 55（6）： 1110-1126.

Cai Weidi， Zhang Yu， Liu Haiyan， et al. Early detection on wheat canopy powdery mildew with hyperspectral imaging [J]. Scientia Agricultura Sinica， 2022， 55（6）： 1110-1126.