江苏双利合谱科技有限公司

化工仪器网高级7

收藏

利用高光谱成像技术对红辣椒根腐病的检测与分析

时间:2024-04-22      阅读:388

题目:利用高光谱成像技术对红辣椒根腐病的检测与分析

关键词:辣椒、根腐病、高光谱成像、病害检测、光谱指数

背景:中国是农业生产大国,农业在国民经济的组成和发展中的地位至关重要。蔬菜种植是农业生产种植业的重要分支,是农民重要的收入来源之一。自从中国加入WTO之后,中国的蔬菜生产产业在国际上具有更大的竞争优势。辣椒作为产业链最为完整的蔬菜品类,在我国有400多年的种植历史,因其能够分泌辣椒素而味辣,维生素C高,从而在我国调味品种占有重要位置。近年来,我国辣椒种植规模不断增长,产量不断上升,辣椒种植面积约220万hm2,产值达2500亿元,占全国蔬菜总值的11.36%,辣椒产业对农民收入贡献率达到1.14%。近年来,受疫情、水涝、干旱等自然灾害以及病虫害影响导致辣椒单产下降,利润率下降。其中由于栽培模式固定、重茬面积大、管理粗放、抗御旱涝灾害的能力不强,使得辣椒根腐病在各个地区呈现逐年加重趋势,造成辣椒减产或绝产,严重制约着辣椒产业的发展,给农户造成严重的经济损失。辣椒根腐病是典型的土传病害,可以引起辣椒根系和近地面茎秆木质部、韧皮部坏死,导致辣椒不能输送水分和营养物质,发病后地下部分根系和茎秆全部坏死,地上部干枯死亡。该病害在我国各辣椒产区均有发生,已报道的辣椒根腐病致病菌有镰孢属、疫霉属和腐霉属等,其中镰孢菌是引起辣椒根腐病的主要病原菌,病原菌以厚垣孢子、菌核或菌丝体在土壤中越冬,成为翌年主要初侵染源,病菌从根茎部或根部伤口侵入,通过雨水或灌溉水传播和蔓延。因此,由镰孢菌引起辣椒根腐病发生周期长,在幼苗期到成株期均能发生,导致辣椒减产造成严重经济损失。辣椒根腐病具有非常强的隐蔽性,发病前期肉眼难以发现。对于辣椒根腐病等土壤传播的病害治理,一般的预防方法为定期检查致病病原体在土壤中的分布和控制土壤中病原体的密度,并通过生物和化学控制剂来阻断其传播。其中定期检查需要耗费治理人员大量时间且对治理人员的专业要求较高。因此,开发一种能够通过辣椒植株的地上部分(叶或茎)在未显现症状的情况下检测出辣椒根腐病的方法(新思路)是辣椒种植农户的迫切需求,对辣椒种植和育种产业有重要意义。

实验设计:样品制备于2022年12月在山东省济宁市农业科学院的实验室进行。为了扩大样本容量和提高模型的容错率,方便将模型移植到其他辣椒品种中。试验选取两种辣椒品种(山椒4号和满山红)种子进行幼苗培育。辣椒幼苗的培养步骤具体如下:将摄氏温度55°的温水倒入放好种子的烧杯中,使用玻璃棒连续搅拌10 min;倒掉烧杯中的温水,将种子冲洗两次后浸种8~10h;将种子均匀放在湿毛巾上(保持湿润),将湿毛巾放在托盘中,将托盘放置在光照培养箱下催芽(一般四天出芽);将发芽种子转移到含育苗基质(珍珠岩、多菌灵和有机营养土等)的育苗杯中,并放回光照培养箱下培养17天,每个育苗杯中成活1~3株。光照培养箱的条件设置为:亮光环境培养时间为10h,温度=28°,湿度=60%,光照强度为4500~10000Lux;暗环境培养时间为14h,温度=23°,湿度=60%。

通过人工接种的方式使辣椒幼苗感染根腐病病菌,接种步骤符合中华人民共和国农业行业标准 NT/T2060 1-2011)。试验所用根腐病病菌原液由济宁市农业科学院培养和提供,使用灌根接种法接种根腐病病原菌。具体做法是:从两个品种中分别挑选20株长势一致、健康的辣椒幼苗进行病菌接种;接种前浇灌幼苗以保持土壤湿润,使用玻璃棒在辣椒幼苗茎基部附近扎一个小穴;使用移液枪将5ml孢子悬浮液(浓度为103个游动孢子/ml)注入穴内。接种后,将辣椒幼苗放回光照培养箱,更改亮光环境培养时间为12h,暗环境培养时间为12h,其他条件不变。

在实验过程中,接种辣椒幼苗发病明显。在接种病菌第一天肉眼无法观察出症状。接种后第二天,两个品种的辣椒幼苗都陆续出现根腐病的典型症状,具体表现为叶片萎蔫且茎基部收缩,茎部轻微倒伏。在接种第三天,辣椒幼苗的叶片萎缩严重且茎基部呈暗褐色,造成幼苗折倒枯死。将辣椒叶片样本分为三个阶段,接种病菌前作为健康期(0d),接种病菌第一天作为潜伏期(1d),接种病菌第二天作为发病期(2d)。

这个试验使用GaiaField-V10E便携式可见光/近红外成像系统(Jiangsu Dualix Spec­tral Imaging Technology Co., Ltd, Wuxi, Jiangsu, China)采集高光谱图像信息。该系统包括光谱仪(GaiaField-V10E)、成像镜头(HSIA-OL23)、专用光源(HSIA-LS-T-200 W)、标准白板(HSIA-CT-150 × 150)和专用电脑((Surface Go 2 4425Y, Microsoft., USA)等组件。该设备可以在可见光和近红外波段范围内进行成像,波长覆盖范围为400~1000nm,光谱分辨率为2.8nm,每个样本可获取696×697×256波段的高光谱图像立方体,曝光时间设置为12毫秒,入射狭缝宽度为30微米,视场角为22°,CCD像素为1392*1040。

接种根腐病病菌的辣椒植株为各品种20株,共40株可用辣椒植株。从每一株植株中选取叶片最大,叶脉清晰的两片叶子作为研究对象,共标记了80篇叶片。连续在健康期、潜伏期和患病期对辣椒植株进行高光谱图像拍摄。将所有辣椒叶片样本按2:1的比例使用SPXY算法划分训练集与预测集,以建立适用范围更加广泛的辣椒根腐病早期诊断模型。结果为总样本集辣椒叶片数据240个,其中总训练集辣椒叶片数据162个,总预测集数据78个。其中健康期、潜伏期和发病期总样本数均为80个,训练集均为54个,预测集均为26个。

使用SPA和光谱指数方法进行数据降维,使用PLS-DA,LSSVM,BP神经网络等技术进行病害早期预测。

结论:图1为辣椒在400 ~ 1000 nm范围内的平均光谱标准差曲线及其对应的叶片状态的图片。结果表明两类辣椒品种样品的光谱曲线趋势差异很小,差异主要集中在550-650和750-850的波长区间内。550-650的波长区间内的光谱信息通常用于表征植被特征如植被的生长情况和健康状况等,可以用于衡量叶绿素的含量。山椒4号的患病期样本的光谱反射率下降趋势更加明显,表征患病期样本和其他样本差异性大,可能在受根腐病胁迫时失去了更多的叶绿素。在750-850的波段区间内,满山红的潜伏期叶片样本的反射率有从低到高增加的趋势,潜伏期样本和健康期样本的光谱反射率差异大,和患病期样本的差异小,可能是潜伏期失水较多,使这一品种的辣椒的健康期叶片和潜伏期叶片差别较大。山椒4号的潜伏期叶片样本的光谱反射率则更加平缓。总体而言,两个品种的辣椒光谱曲线趋势基本相似,所以这个论文把两类辣椒品种合并在一起进行建模研究。这样做,能增加病害早期检测模型的可移植性,使这个研究的实验结果可以应用到其他辣椒品种中。观察图2不难发现健康辣椒叶片和染病辣椒叶片在550nm、580~680 nm和760~1000nm波长范围内的光谱反射率有明显的区别。这种显著性的差异证实了高光谱成像技术在识别叶片病变方面的有效性(10)。进一步分析表明,健康期辣椒叶片反射率最高,发病期的辣椒叶片的光谱反射率明显低于潜伏期辣椒叶片的光谱反射率。在580~680nm范围内,健康期叶片的反射率较低,而且随着患病程度的加重,该范围内的反射率逐渐减小。染病(包括潜伏期和发病期)的叶片在近红外波段的光谱反射率明显低于健康叶片的反射率,且随着辣椒叶片患病程度的加深,近红外波段范围内的反射率逐渐减小,这是由于病菌引起根茎细胞结构破坏而导致的叶片含水量和叶绿素含量下降造成的。

 

 

利用SPA从全光谱数据中挑选出有效的特征波长,减少冗余变量。如图3(a)所示,设置特征波段数量范围为10至32个,经过反复测试,当变量个数为13时,使用的特征波长组合具有最小的校正均方根误差(RMSE=0.2797)。最终筛选出的特征波段为:425、433、437、453、552、639、670、680、690、715、741、819、909nm,占全部波段的5.08%

 

  

将所有辣椒样本按健康期、潜伏期和发病期三类进行赋值分类,将辣椒叶片样本在400nm到1000nm任意两波段下反射率计算出的NDSI值,利用皮尔森算法(Pearson correlation coefficient)与其对应的染病阶段进行相关性分析,将相关系数绘制成分布矩阵,如图4所示。

  

红色区域显示最高正相关值,蓝色区域显示最高负相关值。560~610nm及附近波长范围构建出的光谱指数与根腐病显示出很高的相关性。790~810nm及附近波长范围构建出的光谱指数与根腐病具有较高的相关性,该区域相关系数绝对值明显低于560~610nm波段区域,相关系数绝对值(|r|)最高值为0.725。其他区域构建出的光谱指数与根腐病的相关性普遍较低,|r|范围区间在0到0.3。结果表明,与辣椒根腐病相关的敏感波段主要分布在560~610nm与560~610nm这个波段区域。

在相关系数分布图中,筛选出与辣椒根腐病叶片相关系数绝对值最高的八项光谱指数,并统计光谱指数的波段组合及相关系数绝对值,结果如表1所示。

波长组合

光谱指数

相关系数

R547, R542

NDSI (R547, R542)

0.911

R550, R542

NDSI (R550, R542)

0.887

R552, R542

NDSI (R552, R542)

0.894

R557, R542

NDSI (R557, R542)

0.898

R560, R542

NDSI (R560, R542)

0.909

R437, R433

NDSI (R437, R433)

0.896

R442, R433

NDSI (R442, R433)

0.883

R445, R433

NDSI (R445, R433)

0.887

在高光谱分类中,BP神经网络得到了最高的准确率。整个BP神经网络模型由input,hidden layer、output layer和output组成,其中hidden layer的激活函数设置为tansig,output layer 的激活函数设置为purelin。将训练参数中的最大迭代次数设置为10000,目标训练误差设置为10-6,学习率设置为0.01。整个BP网络使用levenberg-marquardt训练算法,validation checks设置为6,数据分类方式设置为random。最后经过多次调试,得出了模型的预测集训练结果如图5示。

具体的训练结果在混淆矩阵图6所示,图6a)是SPA的分类结果,其中29个健康样本有3个被误判为潜伏期,28个潜伏期样本有2个被误判为健康期,21个患病期样本被误判为潜伏期样本。图6b)是光谱指数的分类结果,其中27个健康样本有2个被误判为潜伏期,29个潜伏期样本有5个被误判为健康期,有1个被误判为患病期。潜伏期和健康期叶片之间的误判大部分是山椒4号品种的辣椒,误判数为5个(共7个),仅仅有两个是满山红品种的辣椒,或许满山红辣椒的潜伏期和健康期的差别比山椒4号更大一些

  

5

 

 

 

6 

上一篇: 如何评估分光模组的性能稳定性? 下一篇: 基于稀疏表示和柯西距离组合图的高光谱目标检测
提示

请选择您要拨打的电话: