小麦白粉病的高光谱成像早期诊断和发病机制监测

白粉病是一种世界性的小麦真菌病害，是造成小麦产量损失和品质下降的主要原因。小麦白粉病在侵染初期是无症状的，通常根据侵染后期出现的一些可见症状由人工检测方式鉴定，所以不仅费时、费力、易出错，且因感染时间滞后而不能有效控制疫情。小麦白粉病的早期诊断成为进一步预防病害蔓延的重大要求，也有助于减少杀菌剂的应用。然而高光谱成像作为一种无损检测技术，在小麦白粉病的早期诊断和发病机制监测方面具有潜力。

山东农业大学邵园园副教授团队利用我司高光谱设备，以白粉病胁迫下小麦叶片为研究对象，首先在接种前、后分别采集健康0天和2～5天染病样本的高光谱图像。选择800nm左右的高光谱图像作为掩膜对象，设置阈值为0.12创建二值图像。选取剔除两端的每片叶片作为感兴趣区域（ROI），如图1所示。

图1高光谱图像的采集与处理

图2 小麦白粉病高光谱时序响应特征曲线

获取小麦白粉病高光谱时序响应特征（图2）。随后利用主成分分析（PCA）观察不同感染阶段样本间的区分能力，观测分析了不同染病阶段样本的分类散点图（图3）、主成分特征图像与载荷曲线（图4）

图3 不同染病阶段样本的分类散点图

图4 PC特征图像（a）和载荷曲线（b）

图5特征波段提取

图5显示利用连续投影算法（SPA）进行特征波长选择的过程。当RMSE达到最小值0.31时，确定了12个特征波长，分别是457，491，540，634，677，790，831，857，888，933，952，967nm。最终以光谱数据建立PLS-DA模型得到校正和交叉验证的总分类准确率分别为93.8%和89.2%，在验证集的预测中，总分类准确率为88.6%。利用灰度共生矩阵（GLCM）从前3张PC得分图像中提取3种纹理特征（能量、熵和对比度），生成9个纹理变量。由纹理特征建立PLS-DA模型，最终得到校准、交叉验证和验证中总分类准确率分别为74.6%、73.8%和70.0%。

图6 纹理特征箱线图

将高光谱图像的光谱和纹理特征融合，建立PLS-DA模型。融合数据每个样本产生21个变量，包括12个特征波长和9个纹理特征。校正和交叉验证的总分类精度分别为97.7%和93.8%，在验证集的预测中，总分类准确率高达91.4%。此外，借助光谱角映射（SAM）方法进行不同染病阶段的病斑识别，实现了小麦白粉病发病过程可视化监测（图7）。

图7 SAM病斑识别与发病过程可视化监测

本文采用的高光谱设备具体参数如图8所示。

通讯作者简介：

邵园园，工学博士，山东农业大学副教授，硕士生导师。

主要研究方向：1、农业机械设计，包括播种育苗移栽机械、免耕播种机械、秸秆后处理机械及苹果、花生、甘薯收获机械等。

2、机构运动与动力学优化仿真；精准农业、农产品检测、图像识别、高光谱图像处理等。

参考文献：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, 197(2022): 106921.