基于可見/近紅外高光譜成像技術(shù)的梨樹葉部病害識(shí)別研究

摘要：梨樹生長期內(nèi)伴隨著病害發(fā)生，噴施農(nóng)藥是病害防治的主要措施，而病害識(shí)別則是保證精準(zhǔn)施藥的基本要求。為實(shí)現(xiàn)梨樹葉部病害的高效識(shí)別，提出基于可見/近紅外高光譜成像技術(shù)結(jié)合機(jī)器學(xué)習(xí)對(duì)梨樹病葉進(jìn)行分類檢測(cè)的方法。利用近地面成像高光譜儀在自然光條件下采集健康葉、褐斑病、黑斑病及日灼病四類樣本的高光譜圖像，提取401～935 nm波段間感興趣區(qū)域的平均光譜數(shù)據(jù)，對(duì)比分析Savitzky?Golay卷積平滑（SG）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、SG結(jié)合一階微分和SG結(jié)合二階微分4種預(yù)處理算法全波段模型效果，對(duì)最佳預(yù)處理方法后的數(shù)據(jù)采用主成分分析法（PCA）和連續(xù)投影算法（SPA）進(jìn)行特征波長提取，建立優(yōu)化的支持向量機(jī)（SVM）和誤差反饋神經(jīng)網(wǎng)絡(luò)（BPNN）判別模型，并對(duì)模型分類性能進(jìn)行比較，最終優(yōu)選出適合梨樹病害的最佳分類判別模型。研究結(jié)果表明，全光譜數(shù)據(jù)在SNV預(yù)處理后識(shí)別效果最好，通過PCA和SPA算法分別提取出12、14個(gè)特征波長，波長數(shù)目減少90%以上，且SPA算法相較于PCA算法在SVM和BPNN模型中表現(xiàn)均更優(yōu)。經(jīng)對(duì)比發(fā)現(xiàn)，梨樹病害的最佳判別分類模型為SNV-SPA-SVM，結(jié)合混淆矩陣得出該模型測(cè)試集總體準(zhǔn)確率達(dá)93.57%，對(duì)各類樣本的分類準(zhǔn)確率均達(dá)到90%，Kappa系數(shù)為0.916 5。利用可見/近紅外高光譜技術(shù)能夠有效分類識(shí)別梨樹葉部病害，為實(shí)現(xiàn)田間梨樹葉片病害的自動(dòng)診斷提供新方法。

關(guān)鍵詞：梨樹病害；高光譜成像；特征波長；判別模型；機(jī)器學(xué)習(xí)

中圖分類號(hào)：S436.612.1" " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：2095?5553 （2024） 08?0162?08

Study on identification of pear leaf disease based on hyperspectral imaging technology

Pan Jian1， 2， Qi Yannan2， 3， Chen Luwei2， Xia Ye2， Lü" Xiaolan1， 2， 3

（1. College of Mechanical and Electronic Engineering， Nanjing Forestry University， Nanjing， 210037， China；2. Institute of Agricultural Facilities and Equipment， Jiangsu Academy of Agricultural Sciences， Nanjing， 210014， China；3. Key Laboratory of Modern Horticultural Equipment， Ministry of Agriculture and Rural Affairs， Nanjing， 210014， China）

Abstract： Pear trees are affected by diseases during the growing season， and pesticide spraying is the main measure for disease control， while disease identification is a prerequisite to ensure accurate application. A method based on visible/NIR hyperspectral imaging combined with machine learning for the classification and detection of pear leaf diseases is proposed to achieve efficient identification of pear leaf diseases. Hyperspectral images of four types of samples， namely， healthy leaves， brown spots， black spots and sunburn disease， were collected under natural light conditions using a ground?based hyperspectral imaging system. The average spectral data of the region of interest between 401 and 935 nm band were extracted to compare and analyse four types of Savitzky?Golay smoothing （SG）， standard normal transform （SNV）， SG combined with first?order differentiation and SG combined with second?order differentiation. The results were compared， and finally the best classification and discrimination model for pear diseases was selected by using principal component analysis （PCA） and continuous projection algorithm （SPA）. The results showed that the full?spectrum data were best identified after the SNV pre?processing， and the feature wavelengths extracted by the SPA algorithm performed better in both the SVM and BPNN models compared to the PCA algorithm. The best discriminative classification model for pear diseases was found to be SNV-SPA-SVM. The overall accuracy was 93.57% and the Kappa coefficient was 0.916 5. The use of visible/NIR hyperspectral technology can effectively classify and identify pear leaf diseases， providing a new method to achieve automatic diagnosis of pear leaf diseases in the field.

Keywords： pear diseases; hyperspectral imaging; feature wavelengths; calibration models; machine learning

0 引言

梨樹年生長周期內(nèi)，各類病蟲會(huì)侵害樹體健康，從而影響梨果品質(zhì)及產(chǎn)量，較為廣泛的有黑斑病、褐斑病、銹病及炭疽病等。目前，對(duì)于病害的防治主要還是以噴灑農(nóng)藥為主，不準(zhǔn)確的病害識(shí)別會(huì)導(dǎo)致農(nóng)藥的大量浪費(fèi)，因此，病害檢測(cè)是確保精準(zhǔn)施藥的重要環(huán)節(jié)。傳統(tǒng)的檢測(cè)梨樹病變的方式主要有人工感官判斷以及實(shí)驗(yàn)室理化檢驗(yàn)，但此兩類方法耗時(shí)耗力，無法高效地對(duì)病蟲害進(jìn)行識(shí)別。

隨著成像技術(shù)和光學(xué)傳感器的發(fā)展，融合了圖像與光譜信息的高光譜成像技術(shù)為病害鑒定提供了有利條件，展現(xiàn)出其在農(nóng)作物檢測(cè)方面的極大潛力。近年來，國內(nèi)外學(xué)者也取得了一些研究成果，為后續(xù)研究提供了一些幫助。Gao等[1]采集感染GLRA-V3病毒的葡萄卷葉病的各階段高光譜圖像，利用最小二乘支持向量機(jī)模型識(shí)別病害受感染的不同程度，準(zhǔn)確率可達(dá)89.93%。國內(nèi)不少學(xué)者利用高光譜圖像結(jié)合機(jī)器學(xué)習(xí)方法檢測(cè)柑橘黃龍病，均獲取了較好的分類效果，能準(zhǔn)確識(shí)別出各階段的病害葉片。Fajardo等[2]利用高光譜成像技術(shù)結(jié)合開發(fā)出的偏最小二乘懲罰邏輯回歸（PLS-PLR）模型用于檢測(cè)香蕉葉部黑斑病，該模型能夠以98%的準(zhǔn)確率預(yù)測(cè)疾病的存在。Fazari[3]、桂江生[4]等利用高光譜結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)橄欖炭疽病及大豆花葉病進(jìn)行疾病的分級(jí)檢測(cè)，取得了比傳統(tǒng)機(jī)器學(xué)習(xí)更高的精度。Pan[5]、劉媛媛[6]、溫淑嫻[7]等通過對(duì)梨果接種病菌，利用高光譜成像儀連續(xù)獲取不同發(fā)病程度的病害圖像，并通過各種特征提取方法結(jié)合分類器證實(shí)了高光譜具有監(jiān)測(cè)果實(shí)發(fā)病的能力。Bagheri等[8]比較了不同分類模型對(duì)梨樹火疫病的檢測(cè)效果，結(jié)果表明相似分類法比其他模型能夠更可靠且有效的識(shí)別健康與病害葉片，該方法平均準(zhǔn)確率超過96%。這些研究表明，利用高光譜成像技術(shù)對(duì)植物病害的病情檢測(cè)具有很高的可行性，但是當(dāng)前對(duì)于梨樹病蟲害的相關(guān)研究還存在一定局限性，主要表現(xiàn)涉及的病蟲害種類較為單一，且研究對(duì)象主要集中在果實(shí)上。此外，現(xiàn)有研究數(shù)據(jù)的采集均在實(shí)驗(yàn)室內(nèi)進(jìn)行，尚未在農(nóng)業(yè)實(shí)際生產(chǎn)的戶外場(chǎng)景中得到充分驗(yàn)證。梨樹葉片作為樹體進(jìn)行光合作用重要的營養(yǎng)器官，幾乎貫穿梨果的整個(gè)生長過程，其健康狀況將直接影響果實(shí)的發(fā)育和品質(zhì)。鑒于梨樹生長環(huán)境的復(fù)雜性，葉片很容易受到各種病害的感染，且不少病害在葉部表現(xiàn)出的癥狀極為相似，給梨樹病害的準(zhǔn)確診斷帶來了極大的挑戰(zhàn)。如果能夠使用高光譜成像技術(shù)在戶外準(zhǔn)確識(shí)別葉片相似癥狀的病害，將進(jìn)一步提高檢測(cè)的實(shí)用性，為病害的及時(shí)防治提供關(guān)鍵的信息支持。因此，深入探究高光譜成像技術(shù)在自然光條件下檢測(cè)梨樹不同病害的適用性，對(duì)農(nóng)業(yè)生產(chǎn)具有重要的實(shí)際應(yīng)用價(jià)值。

本文以梨樹褐斑病、黑斑病、日灼病和健康葉片為研究對(duì)象，利用高光譜成像技術(shù)結(jié)合機(jī)器學(xué)習(xí)在自然光條件下進(jìn)行檢測(cè)識(shí)別，解析不同病害種類的梨樹葉片的圖譜特征，提取樣品的光譜特征信息，構(gòu)建梨樹病害快速診斷模型，以期為梨樹生長狀況監(jiān)測(cè)及病蟲害識(shí)別提供理論基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)材料

本試驗(yàn)樣本來源于江蘇省農(nóng)業(yè)科學(xué)院的梨種質(zhì)資源圃，供試?yán)鏄淦贩N為“蘇翠一號(hào)”。參照果園分布進(jìn)行分區(qū)設(shè)點(diǎn)，于2022年5月病害開始發(fā)生至8月的發(fā)病盛期，在植保人員陪同下，前往梨園做病情調(diào)研，并及時(shí)使用高光譜相機(jī)采集樣本高光譜圖像，共計(jì)獲取健康葉片130片，褐斑病葉片133片，黑斑病葉片148片，日灼病葉片150片。

1.2 高光譜圖像采集

數(shù)據(jù)采集使用的是GaiaField-V10便攜式高光譜成像儀，該成像儀的光譜范圍為400～1 000 nm，光譜分辨率為3.8 nm，光譜通道數(shù)為256個(gè)，其CCD像素為1 392[×]1 040，視場(chǎng)角為19.8°。試驗(yàn)采用日光為照明光源，為減小光源及其他自然條件對(duì)成像效果及光譜反射率的影響，選擇在天氣晴朗無風(fēng)或微風(fēng)條件下，于10：00—14：00采集樣本數(shù)據(jù)。通過配套三腳架固定相機(jī)，調(diào)整球形云臺(tái)使得相機(jī)鏡頭與地面垂直，固定每次拍攝距離為45 cm，將高光譜相機(jī)與高性能計(jì)算機(jī)通過串口通信后，調(diào)整相機(jī)焦距以獲取較為清晰的圖像，同時(shí)根據(jù)光照強(qiáng)度確定曝光時(shí)間，將各項(xiàng)參數(shù)設(shè)置好后，即可對(duì)樣本進(jìn)行高光譜圖像采集，且每采集10個(gè)樣本，重新獲取該光照條件下的曝光時(shí)間及黑白幀數(shù)據(jù)，以確保后續(xù)校準(zhǔn)的準(zhǔn)確性。試驗(yàn)獲取的四類梨樹葉片樣本的高光譜圖像如圖1所示，依次為健康葉片、褐斑病葉片、黑斑病葉片以及日灼病葉片。

1.3 黑白校正

為了消除空間光線對(duì)原始數(shù)據(jù)的噪聲干擾，需要對(duì)其進(jìn)行黑白校正，校正前需獲取對(duì)應(yīng)的暗背景數(shù)據(jù)D0以及白板數(shù)據(jù)W0 。暗背景采集時(shí)需將相機(jī)鏡頭蓋蓋上，以獲取對(duì)應(yīng)的單幀暗背景數(shù)據(jù)，單幀白板數(shù)據(jù)采集時(shí)則需要將反射率為99%的標(biāo)準(zhǔn)白板放置在成像儀前方，使其充滿鏡頭的整個(gè)視場(chǎng)。最后根據(jù)式（1）對(duì)獲取的原始葉片數(shù)據(jù)R0進(jìn)行校正，從而獲取校正后的高光譜圖像R。

[R=R0-D0W0-D0] （1）

式中： D0——暗背景數(shù)據(jù)；

W0——白板數(shù)據(jù)。

1.4 高光譜圖像數(shù)據(jù)預(yù)處理

1.4.1 感興趣區(qū)域的信息提取

對(duì)校正后的高光譜圖像，使用遙感圖像處理軟件ENVI 5.3提取不同病害葉片的感興趣區(qū)域（ROI）。根據(jù)病斑分布特點(diǎn)以及過往研究中ROI的選取規(guī)則[9]，在葉片的葉脈兩側(cè)分別選取3個(gè)30像素×30像素的矩形區(qū)域（病害樣本需包含病斑）為ROI，ROI選取規(guī)則如圖2所示，并計(jì)算所有選中像元的光譜反射率均值，從而獲取到有效的單葉片樣品的反射光譜曲線，去除400 nm及1 000 nm附近受噪聲影響較大的波段，選擇400～935 nm間218個(gè)波段作為有效光譜信息，圖3為所有樣本原始光譜曲線。

四類樣本的平均光譜如圖4所示，從光譜曲線的整體走勢(shì)來看，均呈現(xiàn)綠色植物的光譜特征，在550 nm附近是葉綠素的強(qiáng)反射峰，680 nm左右是葉綠素的強(qiáng)吸收作用引起的“紅谷”，700～760 nm光譜反射率出現(xiàn)一個(gè)較大的躍變，760 nm后反射率變化趨緩。病害葉片相較于健康葉片，由于光合作用能力下降，葉綠素含量降低，導(dǎo)致對(duì)紅光的吸收減弱，在680 nm處，反射率增大；病害葉片中含水量偏低，導(dǎo)致700 nm以后的波段區(qū)域內(nèi)反射率低于健康葉片，且日灼病最為嚴(yán)重。各類葉片樣本的光譜具有其自身的獨(dú)特性，且不完全一致，依靠曲線還無法精細(xì)分類，需要后續(xù)建模處理。

1.4.2 光譜信息預(yù)處理

為消除測(cè)量環(huán)境以及高光譜相機(jī)性能對(duì)數(shù)據(jù)造成基線漂移及噪聲等干擾，需要對(duì)原始樣本光譜進(jìn)行預(yù)處理，以提高數(shù)據(jù)的信噪比。本試驗(yàn)主要使用Savitzky?Golay卷積平滑法（SG）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、SG卷積一階微分（SG-FD）、SG卷積二階微分（SG-SD）進(jìn)行預(yù)處理，經(jīng)過4種預(yù)處理后的圖像如圖5所示。

1.4.3 特征波長的提取

高光譜成像技術(shù)能夠獲取樣本全面的特征信息，與此同時(shí)所帶來的冗余信息也較多，對(duì)模型分類的速度及精度會(huì)產(chǎn)生一系列的影響。從高光譜數(shù)據(jù)的全部波段中提取出具有區(qū)分特征的波段子集進(jìn)行分析，能夠降低數(shù)據(jù)維度，簡化分類模型的構(gòu)建，以此提高模型的效率及魯棒性。研究采用主成分分析（PCA）和連續(xù)投影算法（SPA）兩種方法對(duì)梨樹葉片的高光譜數(shù)據(jù)進(jìn)行特征變量的提取。

PCA為常用的數(shù)據(jù)降維的方法，可以通過線性變換將原始光譜數(shù)據(jù)壓縮成一組新的正交變量，使其在除去冗余信息的同時(shí)解決數(shù)據(jù)線性相關(guān)的問題。PCA特征降維的原理：X為[i×j]的光譜數(shù)據(jù)矩陣，其中[i]為維度，[j]為樣本數(shù)；對(duì)樣本數(shù)據(jù)進(jìn)行中心化處理后，求取X的協(xié)方差矩陣[C（i×i）]，并解出[C]的特征值及對(duì)應(yīng)的特征向量；將特征值按從大到小的順序排列，并將其對(duì)應(yīng)的特征向量按行排列成矩陣，取前[k]行組成新的特征向量矩陣[U（k×i）]；降維到[k]維的數(shù)據(jù)Y可用式（2）計(jì)算。

[Y=UX] （2）

降維后的數(shù)據(jù)Y為[k×j]的二維矩陣，數(shù)據(jù)由[i]維特征減少至[k]維，從而實(shí)現(xiàn)光譜特征波段提取目的。

SPA是一種穩(wěn)定的前向迭代搜索算法，該方法主要是利用向量的投影分析，在向量空間中最小化各種波長變量間的共線性，根據(jù)計(jì)算不同子集的多元線性回歸模型的均方根誤差值（RMSE）確定最優(yōu)初始變量以及變量數(shù)，提取出冗余度及共線性最小的變量組合。本試驗(yàn)中，可利用此算法原理，將波長投影到其他波長上，比較投影向量的大小，以最大的波長為待選波長，并保證每次選擇的波長點(diǎn)與待選波長比其線性相關(guān)性最小，重復(fù)此步驟，從而獲取最優(yōu)波長子集。

1.5 鑒別模型構(gòu)建

支持向量機(jī)（SVM）是一種監(jiān)督學(xué)習(xí)的算法，由于其運(yùn)算速度快、分類精度高以及對(duì)樣本泛化能力強(qiáng)等特點(diǎn)，因此被廣泛應(yīng)用于統(tǒng)計(jì)分類和回歸分析。SVM的核心思想是尋找一個(gè)距離幾個(gè)類別的最近的樣本最遠(yuǎn)的最優(yōu)決策邊界，這些距離超平面最近的一部分點(diǎn)，被稱為支持向量。在處理線性不可分問題時(shí)，可借助核函數(shù)將不可分?jǐn)?shù)據(jù)映射到高維空間，以達(dá)到線性可分的目的，根據(jù)樣品數(shù)據(jù)的特點(diǎn)，可選擇不同類型的核函數(shù)。目前常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)（RBF）以及Sigmoid核函數(shù)，本研究中選擇的RBF核函數(shù)應(yīng)用較廣，無論樣本數(shù)量大小，都具有較好的性能。

反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）是一種多層的前饋型神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)主要由輸入層、隱含層與輸出層組成，通過權(quán)重將各層連接，易于實(shí)現(xiàn)復(fù)雜非線性映射功能。網(wǎng)絡(luò)的核心步驟分為前向計(jì)算與誤差反向傳播，主要是利用誤差反向傳播通過學(xué)習(xí)率和梯度不斷更新隱含層與輸出層的權(quán)重與偏置，使實(shí)際輸出與預(yù)測(cè)值之間誤差最小。雖然BPNN可解決復(fù)雜的映射問題，但是會(huì)出現(xiàn)過擬合、易陷入局部最優(yōu)解及網(wǎng)絡(luò)收斂速度慢等缺點(diǎn)。遺傳算法（GA）是根據(jù)自然界遺傳規(guī)律以及進(jìn)化論形成的一種最優(yōu)并行迭代搜索算法，利用GA算法進(jìn)行選擇、交叉及變異等操作，保留適應(yīng)度最優(yōu)的個(gè)體，從而獲取BPNN最優(yōu)初始權(quán)值和閾值，更有利于提高模型的學(xué)習(xí)效率并進(jìn)行全局優(yōu)化，增強(qiáng)網(wǎng)絡(luò)的魯棒性[10]。

本研究使用上述兩種分類算法構(gòu)建判別模型，采用總體分類準(zhǔn)確率、各類別分類準(zhǔn)確率以及Kappa系數(shù)進(jìn)行模型性能評(píng)估，各參數(shù)越大說明分類效果越好。

2 結(jié)果與分析

2.1 樣本劃分

利用Kennard-Stone算法將561個(gè)健康和不同病害類別的梨樹葉片樣本按照3∶1的比例分為訓(xùn)練集和測(cè)試集，測(cè)試集不參與建模，僅用于評(píng)測(cè)模型準(zhǔn)確率，類別標(biāo)簽1、2、3、4分別代表健康、褐斑病、黑斑病及日灼病葉片，具體劃分結(jié)果如表1所示。

2.2 基于全波段數(shù)據(jù)梨樹病害鑒別

對(duì)全波段的光譜數(shù)據(jù)利用SVM和BPNN進(jìn)行判別模型的構(gòu)建。使用SVM模型時(shí)，懲罰因子c以及RBF核函數(shù)參數(shù)g與模型檢測(cè)成功率具有較大的相關(guān)性，粒子群算法（PSO）收斂速度快，實(shí)現(xiàn)簡單，該智能算法在支持向量機(jī)關(guān)鍵參數(shù)的優(yōu)化選取中，具有顯著優(yōu)勢(shì)[11]，可提升SVM的判別效果。此過程中，設(shè)定PSO中的加速度常數(shù)c1 = 1.5，c2 = 1.7，粒子群的種群數(shù)[K=20]，試驗(yàn)最大迭代次數(shù)為200；SVM中參數(shù)范圍為[c∈[0.1，100]]，[g∈[0.01，1 000]]。針對(duì)四類葉片樣本，最終得到不同預(yù)處理數(shù)據(jù)下，PSO選擇的c、g值如表2所示。利用遺傳算法優(yōu)化BPNN的初始權(quán)值及閾值過程中，經(jīng)反復(fù)測(cè)試，確定遺傳算法中種群規(guī)模為40，最大迭代次數(shù)設(shè)置為50，交叉概率為0.3，變異概率為0.1，BPNN中隱含層傳遞函數(shù)為正切S型函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用線性函數(shù)Purelin，訓(xùn)練函數(shù)為trainglm，最大迭代次數(shù)為1 000，目標(biāo)誤差為0.01。

基于全波段光譜數(shù)據(jù)的判別模型結(jié)果如表3所示，對(duì)比不同的分類器算法的結(jié)果可以發(fā)現(xiàn)基于SNV預(yù)處理全光譜的預(yù)測(cè)集性能最優(yōu)，在兩種判別模型下的測(cè)試集準(zhǔn)確率均達(dá)到了90%以上，而其他的預(yù)處理，如SG-FD及SG-SD，則降低了原始光譜的模型性能，可能是由于使用預(yù)處理算法后放大了原始數(shù)據(jù)中某些波段的噪聲及干擾信息，而SG預(yù)處理下的鑒別結(jié)果相較于原始光譜提升有限，因此選用SNV預(yù)處理下的數(shù)據(jù)用于后續(xù)特征提取及模型構(gòu)建。

2.3 基于特征波段梨樹病害鑒別

2.3.1 基于PCA算法提取特征波長

采用PCA對(duì)所有梨樹葉片樣本高光譜數(shù)據(jù)做特征提取，數(shù)據(jù)可通過線性組合得到主成分。以SNV預(yù)處理后的數(shù)據(jù)為例，前8個(gè)主成分方差百分比與累計(jì)貢獻(xiàn)率如圖6（a）所示，可見其中第一主成分（PC1）貢獻(xiàn)率占比最大，達(dá)75.05%，PC2為18.78%，PC3為4.30%，PC4為1.20%，前2主成分累積貢獻(xiàn)率為93.84%，前4主成分的累積貢獻(xiàn)率為99.16%。一般選擇主成分個(gè)數(shù)的常規(guī)標(biāo)準(zhǔn)為方差累積貢獻(xiàn)率達(dá)85%以上，為了盡可能地利用光譜特征信息，選取前4主成分用于后續(xù)的分析建模。載荷反映了主成分與不同波長的相關(guān)系數(shù)，同時(shí)表達(dá)了兩者的密切程度，每條主成分曲線的波峰或波谷處表示局部最大的權(quán)重系數(shù)，該位置對(duì)應(yīng)的波段即為提取出的特征波段[12]，前4主成分的載荷曲線如圖6（b）所示。通過尋找各主成分曲線的極值，得到12個(gè)特征波長，分別位于497.5 nm、525.4 nm、555.9 nm、671.1 nm、683.3 nm、695.6 nm、705.4 nm、725.2 nm、760.0 nm、765.0 nm、777.5 nm、912.9 nm處。

通過主成分分析還可以獲取健康葉片以及三類病害樣本的空間分布散點(diǎn)圖，如圖6（c）所示。直接使用主成分分析投影，可以直觀的看出四類樣本一定的聚類效果，為正確分類提供了有效信息。健康葉與病害葉有較為清晰的分類界限，但病害樣本之間邊緣區(qū)域存在部分重疊，整體的區(qū)分度一般。因此，基于所選的前4主成分，還需要進(jìn)一步使用分類算法進(jìn)行各類別樣本的判別。

2.3.2 基于SPA算法提取特征波長

利用連續(xù)投影算法對(duì)全波長及其預(yù)處理后的218個(gè)光譜變量進(jìn)行特征波長的提取，通過Matlab 2021a運(yùn)行SPA算法，設(shè)定最小挑選變量數(shù)為5，最大挑選變量數(shù)為30，對(duì)所有樣品的ROI平均光譜曲線進(jìn)行篩選[13]，圖7（a）為均方根誤差隨特征波長數(shù)量變化的曲線圖，當(dāng)RMSE達(dá)到最小值0.260 75時(shí)，確定14個(gè)有效波長。圖7（b）為SPA算法所選取的波長子集，空心矩形標(biāo)注的即為選取的特征點(diǎn)，分別位于401.6 nm、513.7 nm、553.6 nm、584.4 nm、641.9 nm、700.5 nm、715.3 nm、730.1 nm、760 nm、817.9 nm、892.2 nm、905.2 nm、918.1 nm和928.6 nm處，與原始光譜相比，波長數(shù)目減少93.58%，在一定程度上簡化模型構(gòu)建。

2.3.3 模型建立與分析

經(jīng)SNV預(yù)處理后，將PCA及SPA算法篩選出的特征波長數(shù)據(jù)作為模型輸入變量，分別建立SVM及BPNN的梨樹病害判別模型。利用PSO算法選擇出SVM中參數(shù)最優(yōu)值，得到PCA-SVM中[c=49.214 9]，[g=0.661 9]；SPA-SVM中[c=56.145 5]，[g=0.828 1]。PCA-SVM測(cè)試集的真實(shí)類別與預(yù)測(cè)類別的分類結(jié)果如圖8（a）所示，140個(gè)測(cè)試集樣本中，122個(gè)可被正確判別，最佳分類準(zhǔn)確率為87.14%；SPA-SVM的測(cè)試集分類結(jié)果如圖8（b）所示，所有測(cè)試樣本中正確分類樣本數(shù)為131個(gè)，準(zhǔn)確率為93.57%。相較全波段模型，PCA-SVM表現(xiàn)略差，測(cè)試集準(zhǔn)確率下降5.72%，而SPA-SVM模型準(zhǔn)確率提升0.71%，在降低變量個(gè)數(shù)的同時(shí)，還提升模型效果。

根據(jù)特征變量數(shù)目及經(jīng)驗(yàn)公式可確定PCA-BP的網(wǎng)絡(luò)基本結(jié)構(gòu)為12-10-4，即輸入層神經(jīng)元個(gè)數(shù)為12個(gè)，輸出層神經(jīng)元個(gè)數(shù)為4個(gè)，隱含層神經(jīng)元個(gè)數(shù)為10個(gè)；SPA-BP的網(wǎng)絡(luò)基本結(jié)構(gòu)為14-10-4，網(wǎng)絡(luò)的其他各項(xiàng)基本參數(shù)設(shè)置與全波段判別模型相同。如圖9所示，為兩種特征波段提取算法下的測(cè)試集判別結(jié)果，PCA-BP的測(cè)試集準(zhǔn)確率為84.29%，共有22個(gè)樣本被誤判，且將1片健康葉片誤判成了褐斑病葉片，是四類特征波長模型中唯一對(duì)健康葉片識(shí)別錯(cuò)誤的模型。SPA-BP的測(cè)試集準(zhǔn)確率為87.86%，有17個(gè)樣本被誤判，誤差主要集中在黑斑病與日灼病之間，有6片日灼病葉片被誤判為黑斑病葉片。

2.3.4 模型性能評(píng)估對(duì)比

為進(jìn)一步直觀解析各模型對(duì)不同類別梨樹葉部病害的識(shí)別效果，利用混淆矩陣對(duì)結(jié)果進(jìn)行分析，如圖10所示，對(duì)角線上的數(shù)字表示被正確判別的各類葉片樣本的數(shù)量，對(duì)角線以外則表示錯(cuò)誤判別的樣本數(shù)量。根據(jù)圖10（a）、圖10（b）中的測(cè)試集判別準(zhǔn)確率可知，基于SNV預(yù)處理后的全波段光譜數(shù)據(jù)，在SVM及BPNN模型下的各類葉片樣本的識(shí)別效果均較為優(yōu)秀，兩模型對(duì)多病害的識(shí)別總體準(zhǔn)確率達(dá)90%以上。基于PCA算法篩選的特征波長構(gòu)建的兩模型混淆矩陣如圖10（c）、圖10（d）所示，PCA-SVM與PCA-BPNN模型的總體準(zhǔn)確率分別為87.14%、84.29%，相比全波長模型的準(zhǔn)確率均有所降低，其中PCA-BPNN模型對(duì)日灼病的識(shí)別效果是所有模型中最不理想的，有9個(gè)樣本被判別為黑斑病。由此可看出，PCA選取的波長有效性略顯不足，包含的信息量不夠全面，可能是因?yàn)檫x擇過程中雖然剔除了大量無關(guān)信息，但同時(shí)也會(huì)將部分與病害相關(guān)的變量刪除。基于SPA算法的判別模型混淆矩陣如圖10（e）、圖10（f）所示，SPA算法相對(duì)PCA算法篩選出的特征波長在BPNN模型中表現(xiàn)較優(yōu)，準(zhǔn)確率提升了3.57%，與全波長模型相比，SPA-BPNN模型準(zhǔn)確率略微下降，且在黑斑病和日灼病之間容易產(chǎn)生誤判。SPA-SVM模型總體準(zhǔn)確率達(dá)93.57%，該模型能完全準(zhǔn)確判別出健康葉片，且識(shí)別各類病害葉片的準(zhǔn)確率均達(dá)90%以上，說明SPA算法在兼顧變量減少的同時(shí)能夠保持模型原有性能。

綜合上述分析可知，在兩種不同的特征提取算法中，SPA效果明顯優(yōu)于PCA，在不同的分類算法中，SVM的性能更佳。結(jié)合所有模型的混淆矩陣，發(fā)現(xiàn)SPA-SVM對(duì)多病害的判別效果最佳，測(cè)試集140個(gè)樣本，共有9個(gè)被錯(cuò)誤識(shí)別，其中健康葉片全部判別正確；33個(gè)褐斑病樣本中，有2例被鑒別為黑斑病，1片被鑒別為日灼病；37個(gè)黑斑病葉片樣本中，有2片被判別為褐斑病，1片被誤判為日灼病；38個(gè)日灼病樣本中，有3片被誤判為黑斑病。由上述可知，褐斑病與黑斑病之間容易相互判斷錯(cuò)誤，日灼病容易被誤判為黑斑病，主要原因可能是葉片樣本是在梨樹不同生長物候期獲取的，隨著時(shí)間推移，葉片受病害脅迫后一些內(nèi)部特質(zhì)也會(huì)發(fā)生改變，從而導(dǎo)致幾類病害之間的部分樣本譜線過于相似，影響了模型的判別準(zhǔn)確率。基于混淆矩陣確定SPA-SVM模型的Kappa系數(shù)，經(jīng)計(jì)算得[Kappa系數(shù)為0.916 5]，表明SPA-SVM模型具有較高的一致性與可靠度。

3 結(jié)論

本研究以梨樹生長期內(nèi)三種常見且難以輕易區(qū)分的病害以及健康葉片樣本為研究對(duì)象，利用便攜式高光譜相機(jī)在自然光條件下采集561個(gè)四類樣本的高光譜圖像，提取病葉感興趣區(qū)域內(nèi)的光譜數(shù)據(jù)，探究基于可見/近紅外高光譜成像技術(shù)對(duì)梨樹病害進(jìn)行檢測(cè)的可行性并建立最優(yōu)的病害鑒別模型。

1） 選用SG、SNV、SG-FD、SG-SD四種預(yù)處理方法對(duì)葉片原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，分別結(jié)合SVM、BPNN建模方法，選用優(yōu)化算法確定判別模型的參數(shù)，綜合比較發(fā)現(xiàn)SNV方法的預(yù)處理效果最佳，且SVM模型在相同的預(yù)處理方法下判別效果優(yōu)于BPNN模型。

2） 為進(jìn)一步應(yīng)用于實(shí)際，樣本原始光譜經(jīng)過SNV預(yù)處理后，基于PCA、SPA算法分別提取12、14個(gè)特征波長，波長數(shù)目減少90%以上，在SVM模型下，SPA-SVM性能最佳，PCA-SVM則降低了全波段模型準(zhǔn)確率；在BPNN模型下，特征波長子集構(gòu)建的模型效果均不及全波段，但SPA算法的表現(xiàn)更好，準(zhǔn)確率相比全光譜沒有顯著下降。試驗(yàn)表明，SPA選取的特征波長在判別梨樹病害葉片中更為有效。

3） 梨樹病害的最佳判別分類模型為SNV-SPA-SVM，該模型測(cè)試集總體準(zhǔn)確率達(dá)到93.57%，對(duì)各類葉片的識(shí)別準(zhǔn)確率均達(dá)到90%以上，模型Kappa系數(shù)達(dá)0.916 5，結(jié)合混淆矩陣發(fā)現(xiàn)褐斑病與黑斑病容易相互判斷錯(cuò)誤，日灼病易被誤判為黑斑病，健康葉片最為容易判別。

本研究結(jié)果表明，可見/近紅外高光譜成像技術(shù)應(yīng)用在梨樹病害的鑒定中具有廣闊的前景，特征變量篩選在模型優(yōu)化方面表現(xiàn)出一定的潛力，為梨樹病害的防治及精準(zhǔn)施藥提供了一定的理論基礎(chǔ)。未來，為加強(qiáng)模型的穩(wěn)定性和實(shí)際應(yīng)用性，還需要加大樣本類別以及數(shù)量的采集，對(duì)模型進(jìn)行更好地優(yōu)化。

參 考 文 獻(xiàn)

[ 1 ] Gao Z M， Khot L R， Naidu R A， et al. Early detection of grapevine leafroll disease in a red?berried wine grape cultivar using hyperspectral imaging [J]. Computers and Electronics in Agriculture， 2020， 179： 105807.

[ 2 ] Fajardo J U， Andrade O B， Bonilla R C， et al. Early detection of black Sigatoka in banana leaves using hyperspectral images [J]. Applications in Plant Sciences， 2020， 8（8）： e11383.

[ 3 ] Fazari A， Pellicer?Valero O J， Gomez?Sanchis J， et al. Application of deep convolutional neural networks for the detection of anthracnose in olives using VIS/NIR hyperspectral images [J]. Computers and Electronics in Agriculture， 2021， 187： 106252.

[ 4 ] 桂江生， 吳子?jì)梗?李凱. 基于卷積神經(jīng)網(wǎng)絡(luò)模型的大豆花葉病初期高光譜檢測(cè)[J]. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版）， 2019， 45（2）： 256-262.

Gui Jiangsheng， Wu Zixian， Li Kai， et al. Hyperspectral imaging for early detection of soybean mosaic disease based on convolutionalneural network model [J]. Journal of Zhejiang University （Agriculture and Life Sciences）， 2019， 45（2）： 256-262.

[ 5 ] Pan T T， Chyngyz E， Sun D W， et al. Pathogenetic process monitoring and early detection of pear black spot disease caused by Alternaria alternata using hyperspectral imaging [J]. Postharvest Biology and Technology， 2019， 154： 96-104.

[ 6 ] 劉媛媛， 張凡， 師琪， 等. 基于高光譜和集成學(xué)習(xí)的庫爾勒香梨黑斑病潛育期診斷[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（6）： 295-303.

Liu Yuanyuan， Zhang Fan， Shi Qi， et al. Diagnosis of korla pear black spot disease in incubation period based on hyperspectral imaging and ensemble learning algorithm [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（6）： 295-303.

[ 7 ] 溫淑嫻， 李紹穩(wěn)， 金秀， 等. 基于高光譜的碭山酥梨炭疽病害等級(jí)分類研究[J]. 計(jì)算機(jī)科學(xué)， 2017， 44（S1）： 216-219， 223.

Wen Shuxian， Li Shaowen， Jin Xiu， et al. Research on anthrax disease classification of dangshan pear based on hyperspectral imaging technology [J]. Computer Science， 2017， 44（S1）： 216-219， 223.

[ 8 ] Bagheri N， Mohamadi?Monavar H， Azizi A， et al. Detection of fire blight disease in pear trees by hyperspectral data [J]. European Journal of Remote Sensing， 2018， 51（1）： 1-10.

[ 9 ] 劉紅蕓， 吳雪梅， 李德侖， 等. 基于高光譜技術(shù)的采摘期煙葉水分含量研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（9）： 157-163.

Liu Hongyun， Wu Xuemei， Li Delun， et al. Study on the moisture content of tobacco leaves during the picking period based on hyperspectral technology [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（9）： 157-163.

[10] 張帥堂， 王紫煙， 鄒修國， 等. 基于高光譜圖像和遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的茶葉病斑識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（22）： 200-207.

Zhang Shuaitang， Wang Ziyan， Zou Xiuguo， et al. Recognition of tea disease spot based on hyperspectral image and genetic optimization neural network [J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（22）： 200-207.

[11] 劉美辰， 薛河儒， 劉江平， 等. 牛奶蛋白質(zhì)含量的SSA-SVM高光譜預(yù)測(cè)模型[J]. 光譜學(xué)與光譜分析， 2022， 42（5）： 1601-1606.

Liu Meichen， Xue Heru， Liu Jiangping， et al. Hyperspectral analysis of milk protein content using SVM optimized by sparrow search algorithm [J]. Spectroscopy and Spectral Analysis， 2022， 42（5）： 1601-1606.

[12] 姜洪喆， 楊雪松， 李興鵬， 等. 油茶果自然霉變程度的可見/近紅外與中短波近紅外光譜檢測(cè)[J]. 食品科學(xué)， 2023， 44（4）： 272-277.

[13] Xuan G T， Li Q K， Shao Y 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.