金 秀，齊海軍，李紹穩(wěn)*

（安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院，安徽 合肥 230036）

馬鈴薯是全球第四大重要的糧食作物，其地位僅次于小麥、水稻和玉米。儲(chǔ)藏期中馬鈴薯干腐病是最常見(jiàn)的真菌類(lèi)病害，病害的發(fā)生會(huì)嚴(yán)重影響馬鈴薯品質(zhì)，降低其食用價(jià)值和經(jīng)濟(jì)價(jià)值[1-5]。干腐病的誘因主要是鐮刀真菌侵染，當(dāng)真菌孢子侵染到馬鈴薯外表后，其不斷繁殖使得馬鈴薯外部和內(nèi)部發(fā)生病變。植物病理學(xué)上將病害過(guò)程分為侵入期、潛育期和發(fā)病期，當(dāng)病害發(fā)展到發(fā)病期階段時(shí)，病癥從隱性變成顯性，危害性遞增[6-11]，所以病害發(fā)病期診斷對(duì)于病害防治和預(yù)測(cè)是非常重要的。

病害監(jiān)測(cè)方法主要有圖像識(shí)別[12-17]、環(huán)境因子的預(yù)測(cè)[18-21]、機(jī)器視覺(jué)[22-23]等，圖像技術(shù)在病害病癥顯現(xiàn)時(shí)（即病害發(fā)病期）有效，但對(duì)隱藏類(lèi)病癥尤其在病害潛育期階段無(wú)法診斷。鐮刀真菌孢子侵染馬鈴薯時(shí)，馬鈴薯內(nèi)部色素含量、水分和細(xì)胞間隙首先發(fā)生變化，光合作用和養(yǎng)分水分吸收、運(yùn)輸、轉(zhuǎn)化等生理機(jī)能衰退，隨后發(fā)病部位出現(xiàn)相應(yīng)的病癥，馬鈴薯內(nèi)部成分形態(tài)和結(jié)構(gòu)發(fā)生改變。因此通過(guò)對(duì)比不同病害階段的光譜曲線差別，可以判斷染病作物內(nèi)部結(jié)構(gòu)變化情況。大量研究表明，在光譜的紅外和近紅外波段范圍內(nèi)，染病作物曲線會(huì)發(fā)生明顯變化[24-25]。高光譜技術(shù)由于其光譜分辨率高，與普通光譜對(duì)比，其觀察到的對(duì)象特征更加豐富；因此可對(duì)病害的病癥外觀進(jìn)行監(jiān)測(cè)，從而也可對(duì)病害造成的內(nèi)部變化進(jìn)行分析[26-29]。在病害潛育期時(shí)可利用光譜對(duì)病斑進(jìn)行診斷，在病害發(fā)病期時(shí)可利用圖像進(jìn)行診斷，所以基于時(shí)序高光譜成像的數(shù)據(jù)分析，可獲得潛育期到發(fā)病期時(shí)序關(guān)鍵點(diǎn)，即診斷馬鈴薯干腐病發(fā)病期。

近年來(lái)，國(guó)內(nèi)外專(zhuān)家學(xué)者使用了多種技術(shù)來(lái)對(duì)病害進(jìn)行檢測(cè)、分析。路陽(yáng)等[30]利用圖像處理技術(shù)對(duì)水稻的病害進(jìn)行智能識(shí)別，通過(guò)利用灰度值、邊緣檢測(cè)、幾何特征提取等方法進(jìn)行識(shí)別。此外，近紅外高光譜技術(shù)也被大量用于馬鈴薯檢測(cè)上[31]。Dacal-Nieto等[32]應(yīng)用高光譜技術(shù)檢測(cè)馬鈴薯黑星病，采用支持向量機(jī)（support vector machine，SVM）和隨機(jī)分類(lèi)對(duì)映射在馬鈴薯塊莖中的每個(gè)像素進(jìn)行分類(lèi)，準(zhǔn)確度達(dá)97.1%，同時(shí)利用高光譜技術(shù)對(duì)馬鈴薯的空心病進(jìn)行了檢測(cè)，其病癥檢測(cè)的正確率達(dá)89.1%。周竹等[33]利用高光譜技術(shù)對(duì)馬鈴薯的損傷進(jìn)行檢測(cè)和比較，識(shí)別馬鈴薯?yè)p傷的準(zhǔn)確率高達(dá)97.39%。蘇文浩等[34]利用近紅外高光譜技術(shù)選擇了7 個(gè)特征波長(zhǎng)，通過(guò)第二主成分識(shí)別馬鈴薯外部缺陷，正確率達(dá)97.08%。黃濤等[35]針對(duì)馬鈴薯的空心病利用近紅外高光譜技術(shù)提取8 個(gè)光譜特征，再基于SVM算法建立的模型識(shí)別率達(dá)100%。謝傳奇等[36]利用高光譜中的光譜和紋理特征對(duì)番茄早疫病進(jìn)行早期檢測(cè)，通過(guò)主成分分析、連續(xù)投影算法結(jié)合最小二乘SVM構(gòu)建了早期鑒別模型，其識(shí)別率達(dá)95%左右。Ray等[37]使用了高光譜技術(shù)對(duì)馬鈴薯葉片的晚疫病進(jìn)行研究分析，發(fā)現(xiàn)了病葉片在710、720 nm和750 nm特征波長(zhǎng)處具有明顯特征。Sugiura等[38]使用RGB成像系統(tǒng)對(duì)馬鈴薯早疫病進(jìn)行評(píng)估，發(fā)現(xiàn)病害的發(fā)生與時(shí)序圖像具有一定的相關(guān)性，其相關(guān)系數(shù)為0.77。胡耀華等[39]利用高光譜技術(shù)對(duì)馬鈴薯葉片的晚疫病進(jìn)行了診斷研究，其建立的最小二乘SVM的識(shí)別模型對(duì)診斷的準(zhǔn)確率高達(dá)94.87%，結(jié)果表明高光譜技術(shù)可以實(shí)現(xiàn)晚疫病脅迫下馬鈴薯病害程度的有效區(qū)分。López-Maestresalas等[40]利用短波近紅外高光譜對(duì)馬鈴薯表皮的損傷進(jìn)行無(wú)損檢測(cè)，其模型的準(zhǔn)確率可達(dá)98.56%。從國(guó)內(nèi)外的研究可知，高光譜技術(shù)既可利用圖像進(jìn)行病癥分析，又可通過(guò)特征波長(zhǎng)來(lái)進(jìn)行病害診斷；因此對(duì)于RGB圖像等病害識(shí)別技術(shù)方法而言，高光譜技術(shù)更能利用其圖像和光譜特征的融合，充分地采集病害發(fā)生變化的信息特征，從而精確地進(jìn)行病害診斷和識(shí)別。

因此，圖譜合一的高光譜技術(shù)因其具有大量數(shù)據(jù)信息而被廣泛用于成分分析中，其中在病害診斷應(yīng)用上的研究較多；但國(guó)內(nèi)外研究普遍未將不同時(shí)序階段的高光譜進(jìn)行分析和對(duì)比，即病害時(shí)序高光譜圖像分析，從而丟失了大量有效的診斷信息，無(wú)法進(jìn)行有效的病害預(yù)測(cè)和判定。本實(shí)驗(yàn)利用時(shí)序高光譜數(shù)據(jù)對(duì)馬鈴薯干腐病發(fā)病期進(jìn)行了分析研究。實(shí)驗(yàn)環(huán)境一致性、實(shí)驗(yàn)數(shù)據(jù)量龐大等問(wèn)題會(huì)導(dǎo)致時(shí)序高光譜成像實(shí)驗(yàn)和分析方法復(fù)雜化[41-42]；而結(jié)合時(shí)序算法與高光譜數(shù)據(jù)的交叉研究相對(duì)較少，其中主要的研究也僅局限于利用時(shí)序高光譜技術(shù)對(duì)化學(xué)成分和病害變化進(jìn)行監(jiān)測(cè)，僅有部分人做了時(shí)序高光譜的基礎(chǔ)研究。Stuckens等[43]使用時(shí)序高光譜技術(shù)對(duì)果園的生長(zhǎng)狀態(tài)進(jìn)行檢測(cè)。Wu Di等[44]利用時(shí)序高光譜技術(shù)分析了牛肉中水分狀態(tài)的變化。Xie Chuanqi等[45]應(yīng)用時(shí)序高光譜技術(shù)監(jiān)測(cè)了茶葉水分含量變化。Kim等[46]利用時(shí)序高光譜技術(shù)分析了松材線蟲(chóng)病的發(fā)生過(guò)程。時(shí)序高光譜在數(shù)據(jù)結(jié)構(gòu)上將時(shí)序信息與高光譜信息相結(jié)合，使得觀測(cè)對(duì)象的信息量遞增，雖然數(shù)據(jù)處理難度也隨之增加，但其在病害判定和預(yù)測(cè)上的前景會(huì)更加廣闊。

本研究以馬鈴薯干腐病對(duì)象，利用時(shí)序高光譜技術(shù)對(duì)不同階段病癥進(jìn)行分析，再基于時(shí)序數(shù)據(jù)分析算法，判定出馬鈴薯干腐病潛育期到發(fā)病期的時(shí)序關(guān)鍵點(diǎn)，最終實(shí)現(xiàn)馬鈴薯干腐病發(fā)病期的診斷?；跁r(shí)序高光譜的發(fā)病期初始點(diǎn)判定能為馬鈴薯干腐病的早期預(yù)測(cè)和機(jī)理研究提供參考。

1 材料與方法

1.1 材料

實(shí)驗(yàn)所用試材為安徽地區(qū)的沿淮河春馬鈴薯，購(gòu)自安徽合肥本地超市。

1.2 儀器與設(shè)備

高光譜成像儀器 美國(guó)Opto-Knowledge Systems公司。技術(shù)參數(shù)如下：相機(jī)類(lèi)型為Scientific Complementary Metal Oxide Semiconductor（SCMOS），相機(jī)尺寸大小為226 mm×220 mm×113 mm，質(zhì)量為13.6 kg，波長(zhǎng)范圍為400～1 000 nm，光譜分辨率為1.45 nm/pixel，空間分辨率最大為2 048×2 048 像素，掃描角度為-30°～30°。高光譜成像儀由2 個(gè)鹵素?zé)艄庠春? 臺(tái)進(jìn)行數(shù)據(jù)接收的筆記本電腦組成，將樣本放置于觀察臺(tái)上進(jìn)行成像信息采集，圖1為實(shí)驗(yàn)中高光譜儀器的組件架構(gòu)。

圖 1 高光譜成像儀Fig. 1 Hyperspectral imaging instrument

1.3 方法

1.3.1 樣品處理

挑選表皮無(wú)任何明顯病害、光滑的馬鈴薯，人工進(jìn)行鐮刀菌接種。先在馬鈴薯表皮上制作2 個(gè)小孔，然后鐮刀菌的孢子懸浮液注射入孔內(nèi)，進(jìn)行真菌侵染，從而產(chǎn)生馬鈴薯干腐病。為觀察發(fā)病的情況，以打孔未接種樣本、未打孔樣本進(jìn)行參照對(duì)比[47-49]。其中為保證馬鈴薯干腐病發(fā)生，將制作的樣本放置到人工氣候箱中儲(chǔ)藏，其環(huán)境始終保持為24～25 ℃，相對(duì)濕度為90%，通過(guò)樣本間的對(duì)比發(fā)現(xiàn)，經(jīng)過(guò)18 d后，接種的馬鈴薯樣本完全發(fā)病。本研究在18 d的發(fā)病過(guò)程中，每天都對(duì)所有的接種樣本進(jìn)行高光譜數(shù)據(jù)采集，由于部分接種孔并未發(fā)病，導(dǎo)致病斑基本無(wú)任何變化，即干腐病并未發(fā)生；因此最后在30 個(gè)馬鈴薯干腐病病斑中除去未有效發(fā)病的樣本，優(yōu)選了18 個(gè)有效樣本進(jìn)行高光譜數(shù)據(jù)分析，并將其組合為時(shí)序高光譜數(shù)據(jù)集，因此分析的樣本總數(shù)為324（18×18＝324）。

時(shí)序高光譜圖像采集方法是以病原菌接種當(dāng)天為初始點(diǎn)，每隔24 h對(duì)樣本進(jìn)行高光譜成像實(shí)驗(yàn)，直至完全發(fā)病后（18 d）結(jié)束實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境中固定了每天采集時(shí)間點(diǎn)（10：00～12：00）和儀器光強(qiáng)（50 W鹵鎢燈）、相機(jī)垂直角度（90°）、相機(jī)到樣本距離（35 cm）等因素，對(duì)同一對(duì)象進(jìn)行數(shù)據(jù)采集，可確保實(shí)驗(yàn)對(duì)象數(shù)據(jù)的時(shí)序一致性。實(shí)驗(yàn)采集的數(shù)據(jù)為時(shí)序高光譜數(shù)據(jù)，即采集信息是所有時(shí)序點(diǎn)上高光譜圖像集成而組成的時(shí)序高光譜圖像，此數(shù)據(jù)由三部分組成：光譜、圖像、時(shí)間軸，如圖2所示，不同時(shí)間點(diǎn)采集的高光譜信息可構(gòu)成一個(gè)完整的時(shí)序高光譜數(shù)據(jù)集。

圖 2 時(shí)序高光譜圖像Fig. 2 Time series hyperspectral images

時(shí)序高光譜可以充分描述樣本在接種病原菌后的變化過(guò)程，而這種變化過(guò)程也可分成線性或非線性。當(dāng)病害變化過(guò)程為線性時(shí)，可用簡(jiǎn)單聚類(lèi)算法來(lái)劃分病害程度；而當(dāng)病害變化過(guò)程為非線性時(shí)，必須針對(duì)時(shí)序樣本的共性特征進(jìn)行聚類(lèi)分析，從而總結(jié)出樣本在不同時(shí)間點(diǎn)上的變化規(guī)律。因此時(shí)序聚類(lèi)方法是通過(guò)時(shí)序點(diǎn)的樣本聚類(lèi)分析來(lái)劃分病害程度，由于其聚類(lèi)的算法更符合時(shí)序類(lèi)的非線性特征，所以可精確地判斷病害潛育期到發(fā)病期的時(shí)序關(guān)鍵點(diǎn)，從而達(dá)到對(duì)馬鈴薯進(jìn)行干腐病發(fā)病期判定的目的。

時(shí)序高光譜數(shù)據(jù)采集的一致性是整個(gè)實(shí)驗(yàn)中重點(diǎn)需要解決的問(wèn)題，本次實(shí)驗(yàn)為保證信息采集的一致性，采取了以下措施：1）為阻隔其他光線干擾、保證拍攝環(huán)境的一致性，在搭建的黑房中進(jìn)行實(shí)驗(yàn)；并且在拍攝高光譜圖像前燈光需預(yù)熱約10 min，保證燈光光線強(qiáng)度一致再進(jìn)行光譜數(shù)據(jù)采集；同時(shí)為保證在拍攝過(guò)程中樣本的方向一致性，實(shí)驗(yàn)在樣本的背面進(jìn)行標(biāo)注定位；2）為保證拍攝過(guò)程中對(duì)樣本不進(jìn)行干擾，本次實(shí)驗(yàn)過(guò)程要求非常熟練，須快速將樣本在人工氣候箱和樣本臺(tái)之間進(jìn)行轉(zhuǎn)移，從而避免樣品污染等問(wèn)題；3）設(shè)備進(jìn)行預(yù)熱，保證輻射的光譜強(qiáng)度基本一致；4）使用了專(zhuān)業(yè)拍攝的黑布材料作為背景臺(tái)，減少反射等干擾。

1.3.2 數(shù)據(jù)處理

對(duì)采集的數(shù)據(jù)進(jìn)行分析，關(guān)鍵要建立病癥與高光譜數(shù)據(jù)之間的關(guān)系。通過(guò)對(duì)馬鈴薯干腐病發(fā)病過(guò)程的觀察可知，在病害的潛育期無(wú)法通過(guò)圖像特征確定病癥所在位置，因此必須實(shí)現(xiàn)病斑感興趣區(qū)域（region of interest，ROI）的時(shí)序動(dòng)態(tài)匹配。同時(shí)為了提高病害時(shí)序關(guān)鍵點(diǎn)判定的精確度，利用異常樣本剔除、閾值分割、特征提取等方法對(duì)從接種到完全發(fā)病的病害病斑時(shí)序高光譜進(jìn)行特征提取和驗(yàn)證。病斑光譜預(yù)處理算法中在圖像的ROI提取上使用了最大類(lèi)間方差法（OTSU）[50-52]，其方法是在判決分析或最小二乘原理的基礎(chǔ)上進(jìn)行計(jì)算的，其算法在目標(biāo)域背景面積相差不大時(shí)能有效地進(jìn)行分割；在異常值剔除中利用常用的概率密度比法；而在特征提取算法中使用了核函數(shù)主成分法（kernel principal component analysis，KPCA）[53]，其通過(guò)核函數(shù)映射結(jié)果代替原來(lái)的數(shù)據(jù)，從而可以解決高維數(shù)據(jù)的線性不可分問(wèn)題。

在樣本分析過(guò)程中，本研究使用了模糊聚類(lèi)（fuzzy C-means，F(xiàn)CM）算法和動(dòng)態(tài)時(shí)間彎曲（dynamic time warping，DTW）算法，F(xiàn)CM是基于傳統(tǒng)的C均值聚類(lèi)使用了模糊算法，它使劃分到同一集合的對(duì)象之間相似度最高，是一種柔性的模糊劃分[54-55]；但是聚類(lèi)算法對(duì)時(shí)序數(shù)據(jù)的分析效果較差，主要因?yàn)樵诰垲?lèi)過(guò)程中并未考慮時(shí)序具有的相似性，所以發(fā)病后的病斑光譜與發(fā)病前的病斑光譜容易混淆。為解決該問(wèn)題，本研究利用DTW算法對(duì)時(shí)序光譜數(shù)據(jù)進(jìn)行聚類(lèi)分析，并進(jìn)行時(shí)序關(guān)鍵點(diǎn)提取，該算法能更準(zhǔn)確地對(duì)時(shí)序數(shù)據(jù)進(jìn)行聚類(lèi)分析并得到結(jié)果。時(shí)序數(shù)據(jù)具有高維度、有序性、屬性多、噪聲雜等特征，因此可通過(guò)不同向量值之間的距離來(lái)決定類(lèi)別歸屬，DTW算法最初是用于語(yǔ)音識(shí)別，其優(yōu)點(diǎn)在于：允許2 個(gè)時(shí)間序列非等長(zhǎng)比較以及不同步的點(diǎn)對(duì)應(yīng)計(jì)算，可以對(duì)時(shí)間序列的同步問(wèn)題進(jìn)行處理，將兩個(gè)序列的錯(cuò)位點(diǎn)關(guān)聯(lián)起來(lái)。因此DTW算法（式（1）～（3））可對(duì)時(shí)序序列進(jìn)行劃分[56-57]，其算法定義為：設(shè)兩條序列Q＝{q1，q2，…，qn}，C＝{c1，c2，…，cm}，長(zhǎng)度分別為n和m，式（1）表示了序列Q和序列C中的一條最短路徑，即DTW距離。

式中：W表示變量i在序列Q上、變量j在序列C上進(jìn)行遞歸計(jì)算的結(jié)果，d表示兩個(gè)相同長(zhǎng)度序列的距離函數(shù)（曼哈坦距離、歐幾里得距離等）。

本研究基于DTW的聚類(lèi)分析，先通過(guò)時(shí)序光譜之間距離計(jì)算不同病斑光譜數(shù)據(jù)之間的關(guān)聯(lián)度，然后再通過(guò)時(shí)序點(diǎn)的模式形態(tài)來(lái)判定時(shí)序關(guān)鍵點(diǎn)，圖3為基于DTW的高光譜數(shù)據(jù)處理流程圖。

在高光譜數(shù)據(jù)處理過(guò)程中，H值代表了DTW的時(shí)序點(diǎn)百分比，其中3 個(gè)時(shí)序鄰接點(diǎn)的H值可被描述為單調(diào)序列和非單調(diào)序列變化兩種基本的模式[58-59]，圖4的a、b為3 個(gè)序列點(diǎn)的非單調(diào)序列變化，圖4的c、d為3 個(gè)序列點(diǎn)的單調(diào)序列變化，本研究基于DTW的算法將具有H值非單調(diào)序列變化的第一個(gè)時(shí)序點(diǎn)判定為時(shí)序關(guān)鍵點(diǎn)，圖4的時(shí)序點(diǎn)2、3、4號(hào)構(gòu)成的第一個(gè)H值非單調(diào)點(diǎn)，因此時(shí)序點(diǎn)3號(hào)為病害時(shí)序關(guān)鍵點(diǎn)，即為發(fā)病期的初始點(diǎn)。

圖 3 基于DTW的高光譜數(shù)據(jù)處理流程圖Fig. 3 Flow chart of hyperspectral data processing on the basis of DTW

圖 4 1號(hào)樣本的H值Fig. 4 H value of sample 1

本研究中，時(shí)序高光譜數(shù)據(jù)以cub的格式導(dǎo)入到代碼中進(jìn)行數(shù)據(jù)批量處理和分析，并實(shí)現(xiàn)以上算法。本實(shí)驗(yàn)使用的數(shù)據(jù)處理平臺(tái)為envi 4.2、IDL 6.2、Matlab 7.0。

1.3.3 正確率評(píng)價(jià)標(biāo)準(zhǔn)

病害發(fā)病期初始點(diǎn)的人工診斷方法是以病害表現(xiàn)形態(tài)的差異化來(lái)定義的，馬鈴薯干腐病從接種真菌開(kāi)始進(jìn)行病斑狀態(tài)的觀察，當(dāng)病斑發(fā)生擴(kuò)大或顏色加深時(shí)，則判定當(dāng)天的病斑為發(fā)病期時(shí)序關(guān)鍵點(diǎn)，但人工診斷發(fā)病期初始點(diǎn)也具有小范圍的誤差。在本實(shí)驗(yàn)中，因?yàn)闀r(shí)序高光譜數(shù)據(jù)是以1 d為單位進(jìn)行采集的，為消除人工診斷結(jié)果和實(shí)驗(yàn)過(guò)程造成的正確率偏差，病害時(shí)序關(guān)鍵點(diǎn)的判定方法以人工診斷判定為基準(zhǔn)點(diǎn)，允許判定結(jié)果有前后1 d以?xún)?nèi)的誤差；但誤差范圍超過(guò)時(shí)，則代表該病害時(shí)序關(guān)鍵點(diǎn)判定錯(cuò)誤。

2 結(jié)果與分析

2.1 高光譜數(shù)據(jù)分析與特征提取

馬鈴薯干腐病的高光譜圖像數(shù)據(jù)量大，每個(gè)像素點(diǎn)包含339 個(gè)波長(zhǎng)原始輻射值，因此必須劃分出病斑的ROI。從發(fā)病過(guò)程可知，病害后期病癥較為明顯，光譜提取較易，而病害前期病癥圖像幾乎無(wú)法分辨，無(wú)法通過(guò)閾值分割進(jìn)行光譜提取。因此本實(shí)驗(yàn)利用明顯病斑區(qū)域進(jìn)行OTSU閾值分割后，再基于分割后的ROI來(lái)映射病害前期的病斑（圖5A），最終可提取出時(shí)序高光譜數(shù)據(jù)（圖5B）。其中病斑高光譜的時(shí)序變化并不具有規(guī)律性，下一步將對(duì)病斑光譜特征進(jìn)行分析及提取。

圖 5 1號(hào)馬鈴薯干腐病的病斑光譜數(shù)據(jù)集Fig. 5 Spectral data of dry rot lesions for sample 1

為分析樣本高光譜的時(shí)序性特點(diǎn)，先對(duì)數(shù)據(jù)進(jìn)行主成分分析，以第1主成分的兩個(gè)波峰538、794 nm作為特征進(jìn)行時(shí)序圖的繪制，發(fā)現(xiàn)馬鈴薯干腐病的病斑光譜隨著病害的發(fā)生呈現(xiàn)明顯的非單調(diào)性（圖6）。因此為匹配病斑時(shí)序高光譜的非單調(diào)性特點(diǎn)，利用高斯KPCA進(jìn)行光譜特征的提取，通過(guò)前3 個(gè)主成分的加權(quán)重系數(shù)曲線，提取了14 個(gè)波峰作為病斑高光譜的特征波長(zhǎng)（圖7）。

圖 6 馬鈴薯在儲(chǔ)藏18 d過(guò)程中病斑區(qū)域于538、794 nm波長(zhǎng)處的光譜時(shí)序圖Fig. 6 Time series spectral plot of dry rot lesions during 18 days of storage at 538 and 794 nm

圖 7 KPCA的權(quán)重系數(shù)Fig. 7 Weight coeff i cient of KPCA

2.2 馬鈴薯干腐病的發(fā)病期人工判定

通過(guò)對(duì)馬鈴薯進(jìn)行18 d連續(xù)的高光譜拍攝獲得了時(shí)序高光譜圖像，該數(shù)據(jù)描述了干腐病從接種到發(fā)病的整個(gè)過(guò)程。在實(shí)驗(yàn)的過(guò)程中，馬鈴薯干腐病的病斑變化呈現(xiàn)出兩個(gè)特性：1）病斑包含了腐爛區(qū)域和菌絲區(qū)域兩部分，首先是接種位置周邊腐爛，然后腐爛區(qū)域加速了真菌的生長(zhǎng)，當(dāng)菌絲擴(kuò)散到一定范圍時(shí)，腐爛區(qū)域會(huì)繼續(xù)變大、加深，這種病斑階段性的轉(zhuǎn)變導(dǎo)致了光譜反射率呈非線性時(shí)序變化；2）干腐病發(fā)病困難，與未接種馬鈴薯對(duì)比發(fā)現(xiàn)，大部分樣本在接種后的第5～6天才發(fā)生明顯變化，第18天確定干腐病已產(chǎn)生，切開(kāi)馬鈴薯表皮進(jìn)行觀察，其內(nèi)部明顯有發(fā)病癥狀，所以可確定該馬鈴薯進(jìn)入了干腐病的發(fā)病期（圖8）。

圖 8 馬鈴薯1號(hào)的干腐病時(shí)序圖Fig. 8 Time series images of potato sample 1 infected with dry rot

根據(jù)以上的病斑觀察情況，利用人工專(zhuān)家知識(shí)可以確定出馬鈴薯干腐病發(fā)病期，第4～5天由于馬鈴薯1號(hào)病斑出現(xiàn)了明顯的菌絲和腐爛癥狀，基本可以確定該病斑點(diǎn)進(jìn)入發(fā)病期，其時(shí)序關(guān)鍵點(diǎn)（發(fā)病期初始點(diǎn)）即為第4～5天。因此利用人工觀察的病害程度可確定出馬鈴薯干腐病的發(fā)病期，其18 個(gè)樣本的時(shí)序關(guān)鍵點(diǎn)見(jiàn)表1。

表 1 人工觀察判定的時(shí)序關(guān)鍵點(diǎn)Table 1 Time series key points by artif i cial judgment

2.3 基于時(shí)序高光譜的馬鈴薯干腐病發(fā)病期判定

本研究使用了FCM進(jìn)行時(shí)序關(guān)鍵點(diǎn)的判定，該算法是通過(guò)隸屬度來(lái)確定每個(gè)數(shù)據(jù)點(diǎn)的類(lèi)別。因?yàn)楸敬螌?shí)驗(yàn)?zāi)康臑榕卸ú“叩陌l(fā)病期，即發(fā)病的時(shí)序關(guān)鍵點(diǎn)，所以將FCM設(shè)定為2 類(lèi)，且將第1天的病斑光譜固定為第1類(lèi)。通過(guò)分析了18 個(gè)樣本的18 d光譜數(shù)據(jù)后，得到的結(jié)果見(jiàn)表2。與人工診斷結(jié)果（表1）進(jìn)行對(duì)比分析可知，7、12號(hào)樣本發(fā)病期的時(shí)序關(guān)鍵點(diǎn)判定完全正確，1、4、11號(hào)樣本正確率偏差了0.5 d，2、3、5、8、13、16、18號(hào)的樣本正確率偏差了1 d，且其判定的關(guān)鍵點(diǎn)在實(shí)際發(fā)病后，因此，12 個(gè)樣本的結(jié)果在規(guī)定范圍內(nèi)，故為正確的時(shí)序關(guān)鍵點(diǎn)；其中，18 個(gè)樣本中，第6、9、10、15、17號(hào)樣本的判定結(jié)果相對(duì)提前，雖然其偏差也為1 d，但從病害的時(shí)序發(fā)病狀態(tài)下進(jìn)行判斷，此類(lèi)結(jié)果也屬于嚴(yán)重偏差；同時(shí)第14號(hào)樣本判定結(jié)果離準(zhǔn)確值較遠(yuǎn)，因此該類(lèi)結(jié)果偏差更為嚴(yán)重，所以本次FCM進(jìn)行時(shí)序關(guān)鍵點(diǎn)判定的正確率為12/18＝66.7%?；贔CM的發(fā)病期判定結(jié)果可知，可以通過(guò)時(shí)序高光譜的聚類(lèi)分析進(jìn)行時(shí)序關(guān)鍵點(diǎn)判定病害，但與正確的時(shí)序關(guān)鍵點(diǎn)相比偏差較大，因此判定精確性和準(zhǔn)確度都較差。

表 2 干腐病病斑的時(shí)序關(guān)鍵點(diǎn)Table 2 Time series key points for dry rot disease lesions

圖 9 基于DTW算法的18 個(gè)樣本H值Fig. 9 H values of 18 samples based on DTW

馬鈴薯干腐病的時(shí)序高光譜數(shù)據(jù)通過(guò)DTW算法來(lái)進(jìn)行聚類(lèi)分析，可得到時(shí)序點(diǎn)的DTW距離百分比（圖9）。利用算法進(jìn)行聚類(lèi)分析后可知，發(fā)病期時(shí)序關(guān)鍵點(diǎn)如表3所示。將基于DTW的時(shí)序關(guān)鍵點(diǎn)與表1相對(duì)比可知：第12號(hào)病害樣本出現(xiàn)半天的偏差，第11號(hào)病害樣本出現(xiàn)了完全錯(cuò)誤，所以判定出整體的發(fā)病期時(shí)序關(guān)鍵點(diǎn)判定的正確率為17/18＝94.4%，而且其結(jié)果僅有1 個(gè)病害樣本出現(xiàn)了半天的偏差，其準(zhǔn)確度較高。研究結(jié)果表明基于DTW距離的聚類(lèi)分析能判定馬鈴薯干腐病的潛育期與發(fā)病期的時(shí)序關(guān)鍵點(diǎn)，且與FCM聚類(lèi)相比其判定結(jié)果精確性和準(zhǔn)確度都有很大的提升。

表 3 基于DTW算法的時(shí)序關(guān)鍵點(diǎn)判定Table 3 Time series key points based on DTW

3 結(jié) 論

馬鈴薯的干腐病病癥發(fā)生過(guò)程中除了病斑的變化，同時(shí)也伴隨鐮刀菌的菌絲生長(zhǎng)，因此病害的潛育期相對(duì)于發(fā)病期更加隱蔽，監(jiān)測(cè)和診斷難度更大，所以發(fā)病期時(shí)序關(guān)鍵點(diǎn)判定非常困難。本實(shí)驗(yàn)基于病癥時(shí)序高光譜數(shù)據(jù)進(jìn)行模糊聚類(lèi)分析后發(fā)現(xiàn)，F(xiàn)CM的時(shí)序關(guān)鍵點(diǎn)判定的錯(cuò)誤率高達(dá)33.3%，表明了復(fù)雜病癥時(shí)序數(shù)據(jù)情況下，僅用非時(shí)序性的聚類(lèi)分析進(jìn)行發(fā)病期時(shí)序關(guān)鍵點(diǎn)的判定是具有一定缺陷的。因此，為匹配時(shí)序數(shù)據(jù)的特性，本實(shí)驗(yàn)在時(shí)序關(guān)鍵點(diǎn)判定上，使用了基于DTW的聚類(lèi)方法，分析結(jié)果發(fā)現(xiàn)該算法能準(zhǔn)確預(yù)判馬鈴薯干腐病發(fā)病期的時(shí)序關(guān)鍵點(diǎn)。其病害的時(shí)序關(guān)鍵點(diǎn)診斷的結(jié)果中，18 個(gè)病斑樣本完全錯(cuò)誤的時(shí)序關(guān)鍵點(diǎn)和半天偏差的時(shí)序關(guān)鍵點(diǎn)都僅1 個(gè)，整體的正確率高達(dá)94.4%，明顯優(yōu)于FCM聚類(lèi)結(jié)果。研究結(jié)果表明，時(shí)序高光譜技術(shù)可以診斷病害的潛育期到發(fā)病期的時(shí)序關(guān)鍵點(diǎn)，其中基于DTW的時(shí)序高光譜聚類(lèi)方法對(duì)病害發(fā)病期的診斷準(zhǔn)確度較高，其研究結(jié)果也為后期的病害預(yù)測(cè)模型提供了參考。