陳子涵，黃 亮，溫志強，溫 蝶，王勝楠，廖小玲，魏 萱,

（1. 福建農(nóng)林大學機電工程學院, 福建 福州 350002；2. 福建水利電力職業(yè)技術(shù)學院, 福建 永安 366000；3. 福建農(nóng)林大學生命科學學院, 福建 福州 350002；4. 福建農(nóng)林大學食品科學學院, 福建 福州 350002）

0 引言

【研究意義】2019年我國食用菌總產(chǎn)量達3934萬t，總產(chǎn)值高達3127億元。雙孢蘑菇（Agaricus bisporus）是食用菌最主要的栽培品種之一，在全球60多個國家和地區(qū)都有種植生產(chǎn)[1]。雙孢蘑菇的短生長周期、快繁殖、大數(shù)量等特點使得其經(jīng)濟價值廣受菇農(nóng)認可。但在菇房種植過程中，由于機械化程度低、管理欠妥等問題，雙孢蘑菇不可避免會遭受病害的侵襲。雙孢蘑菇真菌病疣孢霉病，又稱褐腐病、濕泡病，是危害雙孢蘑菇的世界性病害。有害疣孢霉菌（Mycogone perniciosa）是該病的致病真菌，在我國長江以南的種植區(qū)域廣為流行，嚴重影響著我國雙孢蘑菇菇房的生產(chǎn)效益[2]。由于雙孢蘑菇疣孢霉病與寄主、病原菌、傳播媒介及菇房培養(yǎng)環(huán)境條件均有關(guān)系，且發(fā)病潛伏期長、傳染快，存在使健康菇無法正常成長的問題，有經(jīng)驗的菇農(nóng)最快也要在雙孢蘑菇子實體小菇期后才能鑒別染病與否；或者采用內(nèi)源轉(zhuǎn)錄間隔區(qū)（ITS）基因片段的聚合酶鏈式反應（PCR）鑒定[3]以及傳統(tǒng)的柯赫氏法則[4]待菇體出現(xiàn)損耗后進行檢測。這些方法往往因為時效性差導致病菇傳染速度大于遏制速度。因此，在早期對雙孢蘑菇疣孢霉病進行快速、無損的檢測識別，能夠幫助菇農(nóng)及時發(fā)現(xiàn)菇房染病雙孢蘑菇，提醒菇農(nóng)及時采取止損措施，阻止病害繼續(xù)擴散，從而保證菇房的雙孢蘑菇產(chǎn)量與品質(zhì)，保障菇農(nóng)的正常經(jīng)濟收益?！厩叭搜芯窟M展】國內(nèi)外學者采用無損檢測技術(shù)對雙孢蘑菇內(nèi)部品質(zhì)開展了不同研究，高光譜成像技術(shù)能同時獲取雙孢蘑菇的光譜和圖像信息，具有信息量豐富[5]、檢測便捷[6]、無損[7]等優(yōu)點，被廣泛應用于農(nóng)作物病害檢測。例如Parrag等[8]利用高光譜成像技術(shù)檢測雙孢蘑菇子實體成熟期的蜘蛛網(wǎng)?。ㄓ蓸渲钫婢穑?，利用SVM建模成功分離出蜘蛛網(wǎng)病感染樣本，每組樣本的正確率均在80%以上；Gaston等[9]利用可見-近紅外高光譜成像技術(shù)對雙孢蘑菇子實體成熟期菌蓋上的褐斑?。毦圆?，無害）進行識別研究，對正常、機械損傷及在運輸或儲存時被微生物腐敗后的雙孢蘑菇建立識別模型，使用決策樹將雙孢蘑菇分類，分類的準確度能在95%以上。結(jié)果表明高光譜可以用于檢測并對蘑菇不同類型的損傷進行快速、自動的分類?！颈狙芯壳腥朦c】現(xiàn)已有很多基于高光譜成像技術(shù)對雙孢蘑菇子實體成熟期時含水率[10]、新鮮度[11]和損傷情況[12]的預測研究，但目前針對雙孢蘑菇病害研究都是在子實體生長的中后期，原基期至小菇期時的早期雙孢蘑菇可能處在菌絲生長階段，其菌蓋無法用肉眼辨別。故采用高光譜成像技術(shù)獲取早期雙孢蘑菇各個生長周期的病害光譜信息，以實現(xiàn)雙孢蘑菇病害的早期診斷?！緮M解決的關(guān)鍵問題】本研究擬基于高光譜成像技術(shù)，在雙孢蘑菇生長早期（小菇期之前）對雙孢蘑菇疣孢霉病進行檢測識別，能夠發(fā)現(xiàn)染病雙孢蘑菇的同時，還能夠減少農(nóng)藥使用、 農(nóng)藥超標、土壤污染等環(huán)境問題。為消除高光譜圖像數(shù)據(jù)在采集過程中，可能存在光譜曲線錯誤旋轉(zhuǎn)、基線漂移和圖像變形等不利因素造成的噪聲信號大而過擬合，本研究對采集的高光譜數(shù)據(jù)進行預處理，并選擇最優(yōu)預處理算法。對比不同建模方法結(jié)合預處理方法，通過定性評價標準選擇最終的病害鑒別模型，為開發(fā)雙孢蘑菇疣孢霉病早期鑒別設(shè)備提供參考。

1 材料與方法

1.1 試驗材料

雙孢蘑菇菌菌種為W192，疣孢霉菌種為My.p0012，均由福建省農(nóng)業(yè)科學院食用菌研究所提供。

1.2 方法

1.2.1 雙孢蘑菇的培養(yǎng) 將播種、裝袋后的雙孢蘑菇放入人工氣候培養(yǎng)箱中培養(yǎng)，初始設(shè)置溫度22 ℃，相對濕度90%，無光照。待菌絲能夠長滿90%栽培料時（約兩周）進行覆土處理[13]，以福建省農(nóng)業(yè)科學院食用菌研究所的土料覆蓋栽培料約2.5 cm為覆土層高。參考郭倩等[14]研究的成果，此時調(diào)整人工氣候培養(yǎng)箱內(nèi)的環(huán)境為溫度20 ℃，濕度85%，無光照。待菌絲長到2/3覆土層時（約覆土后7～10 d），調(diào)整人工氣候培養(yǎng)箱內(nèi)的環(huán)境為溫度20 ℃，相對濕度90%，無光照，等待出菇。培養(yǎng)期間每天早晚通風1 h。

1.2.2 雙孢蘑菇染病接種 將有害疣孢霉菌在馬鈴薯葡萄糖瓊脂培養(yǎng)基（PDA）上，于25 ℃恒溫暗箱中培養(yǎng)7 d。于無菌操作臺內(nèi)用超純水將PDA培養(yǎng)基上的有害疣孢霉菌孢子洗下，制作成孢子懸液，并用血球計數(shù)板檢查有害疣孢霉菌孢子懸液為1.0×105個·mL-1。待雙孢蘑菇菌絲長到2/3覆土層時，將5 mL有害疣孢霉菌孢子懸液均勻噴灑在覆土層表面。

1.2.3 病菇鑒定 在無菌臺內(nèi)將病菇上的褐色液滴和病菇切片分別放置在PDA平板培養(yǎng)基內(nèi)并封口后，于25 ℃恒溫培養(yǎng)箱中培養(yǎng)。5 d后，在顯微鏡下挑出菌絲并純化，觀察是否有發(fā)黃、凋零現(xiàn)象。也可通過菌蓋大小來判斷，處在同一時期的雙孢蘑菇，與健康樣本的菌蓋直徑相比，染病樣本的菌蓋直徑較短。

1.2.4 高光譜圖像獲取 高光譜成像系統(tǒng)（見圖1）主要包括內(nèi)置推掃高光譜成像儀、4個50 W鹵鎢燈光源、樣品升降臺及平板電腦等。為保證采集的高光譜圖像清晰，避免失真現(xiàn)象，調(diào)試確定物鏡距離、CCD相機曝光時間和推掃移動速度。經(jīng)過反復調(diào)試，最終確定物鏡高度為30 cm，CCD相機曝光時間為70 ms，相機推掃移動速度為1.30 mm·s-1。分別采集健康雙孢蘑菇早期子實體菌蓋的可見/近紅外高光譜圖像（401～1046 nm，分辨率2.8 nm）后提取感興趣區(qū)域（Region of interest， ROI）的平均光譜數(shù)據(jù)。由于感興趣區(qū)域為菌蓋周圍部分，故感興趣區(qū)域提取形狀選擇橢圓形，逐一選取圖像樣本的ROI后利用新區(qū)域（New Region）疊加待提取數(shù)據(jù)的樣本圖像區(qū)域，最后在401～1046 nm波段下提取所有圖像感興趣區(qū)域的光譜數(shù)據(jù)。

圖1 可見/近紅外高光譜成像系統(tǒng)Fig. 1 Visible/near-infrared hyperspectral imaging system

為清除由于傳感器暗電流等原因產(chǎn)生圖像中的噪音，將采集到的原始高光譜圖像利用標準反射白板和黑暗背景下高光譜圖像數(shù)據(jù)校正，如公式1所示

式中：

I——校正之后的高光譜圖像數(shù)據(jù)；

I0——原始的高光譜圖像數(shù)據(jù)；

B——黑暗背景下的高光譜圖像數(shù)據(jù)；

W——標準反射白板的高光譜圖像數(shù)據(jù)。

1.2.5 診斷模型 隨機森林分類器（RF）是一種集成分類器，對于異常值和噪聲有良好的容忍度，隨機選擇的訓練樣本子集和變量后，生成多個決策樹，其具體執(zhí)行步驟見參考文獻[15]。本研究隨機森林通過設(shè)定500顆決策樹對分類結(jié)果進行投票，例如，當對健康樣本的投票數(shù)高于對染病樣本的投票數(shù)時，隨機森林就將這個變量確定為健康樣本。

支持向量機（SVM）的基本原理是將原始特征空間映射到更高維度的空間，使得數(shù)據(jù)線性可分，這種轉(zhuǎn)換是通過對原始數(shù)據(jù)應用內(nèi)核函數(shù)來隱式執(zhí)行的[16]。本研究采用徑向基函數(shù)（RBF）核函數(shù)結(jié)合網(wǎng)格法優(yōu)化參數(shù)，使建模結(jié)果最佳。對于二分類的分類目標是尋找最優(yōu)超平面，得到正確分類結(jié)果并使分類間隔最大。

極限學習機（ELM）由Huang等[17]提出，優(yōu)化了傳統(tǒng)的單隱含層前饋神經(jīng)網(wǎng)絡。不同于傳統(tǒng)的神經(jīng)網(wǎng)絡，ELM無需迭代調(diào)整參數(shù)，能夠自動實現(xiàn)參數(shù)調(diào)優(yōu)[18]。ELM隨機分配隱含層的權(quán)值 ωi和偏差值，通過解簡單的方程式確定最終的輸出權(quán)值 βj，計算速度快?？梢杂伤惴S機設(shè)定輸入層和隱含層的連接權(quán)值以及隱含層的閾值，在設(shè)定完成后，不需要反向調(diào)整。在保證學習精度的前提下，泛化性能滿足需求。

利用ENVI 5.3（美國Exelis Visual Information Solutions公司）、Unscrambler X10.1（挪威CAMO AS公司）和MATLAB R2016b（美國Mathwork 公司）軟件對采集到的雙孢蘑菇高光譜圖像信息進行數(shù)據(jù)處理。通過定性評價指標：樣本識別準確度（見公式2），針對分類問題判斷所建模型對樣本分類的效果。準確度越高，該模型對輸入樣本的分類完成的越好。

2 結(jié)果與分析

2.1 平均光譜曲線分析

采集原基期、菇蕾期、幼菇期、小菇期的健康、染病雙孢蘑菇高光譜圖像，各個生長周期約1～2 d。小菇期后染病雙孢蘑菇病害特征較為明顯，菌蓋表面出現(xiàn)褐變等患病癥狀，因此將接種后7～11 d內(nèi)的樣本認定為早期。獲取菌蓋部分的ROI高光譜圖像，最終獲得共400個高光譜圖像的ROI光譜數(shù)據(jù)樣本，具體見表1。

表1 樣本信息Table 1 List of samples

本研究采用401～1046 nm波長范圍，共360個波段做進一步研究。健康和染病雙孢蘑菇高光譜平均光譜曲線如圖2所示，健康和染病雙孢蘑菇的高光譜曲線輪廓在原基期和菇蕾期較為相似，隨著蘑菇的生長，在幼菇期后健康雙孢蘑菇能夠長出光滑白凈的子實體，其對應反射率逐漸提高，而染病雙孢蘑菇從小菇期開始發(fā)病癥狀顯現(xiàn)，菌蓋表面由于有害疣孢霉菌的侵染產(chǎn)生不規(guī)則褐斑。染病雙孢蘑菇光譜反射率與健康雙孢蘑菇光譜反射率的差異主要體現(xiàn)在401～450 nm的紫光波段附近和 800～1046 nm的近紅外波段范圍。400～500 nm是紫光波段范圍，此時物質(zhì)反射率越高，則對紫光的吸收就越多，呈現(xiàn)出的黃色就越深，發(fā)病癥狀越顯著。由于水的OH在960 nm處的合頻吸收，C-H在800～900 nm區(qū)域的第三倍頻吸收，N-H在1000～1100 nm區(qū)域的第二倍頻在這個區(qū)域的吸收比較弱[19]，表明有害疣孢霉菌對雙孢蘑菇的侵染還使得其內(nèi)部含水率發(fā)生了變化。

圖2 健康和染病雙孢蘑菇高光譜平均光譜曲線Fig. 2 Average hyperspectral curves on healthy and infected mushrooms

2.2 預處理

如圖3可見SG卷積一階求導（SG 1st order derivative）處理后，消除干擾的同時在1000～1100 nm范圍內(nèi)引入了一定噪聲；SG卷積平滑（SG smoothing）處理后，光譜曲線較為平滑，噪聲信號有所降低；多元散射校正（MSC）處理后，光散射和基線漂移等問題得到明消除。

圖3 雙孢蘑菇高光譜曲線Fig. 3 Hyperspectral curve of mushroom

2.3 鑒別模型

將預處理后的高光譜數(shù)據(jù)用于建立基于高光譜成像技術(shù)的雙孢蘑菇疣孢霉病早期檢測模型，將樣本按2∶1的比例劃分為測試集和預測集，得到測試集樣本共267個，預測集樣本共133個，最終定性評價的結(jié)果如表2所示。其中，結(jié)果最好的為MSCSVM模型，測試集和預測集總體樣本識別準確度為92.21%和91.04%。在無預處理的全波段建模結(jié)果中，測試集樣本總體識別準確度在85%以上，預測集樣本總體識別準確度在87%以上。在經(jīng)過MSC法對原始光譜數(shù)據(jù)進行預處理后RF建模預測集準確度由88.06%提升至89.34%，SVM建模預測集準確度由87.38%提升至91.04%，SG卷積一階求導后ELM建模預測集準確度由89.62%提升至90.93%。表明MSC能夠有效去除冗余信息，提高檢測準確度。經(jīng)過MSC預處理后，SVM建模的測試集和預測集染病樣本識別準確度較RF和ELM建模結(jié)果好，分別提升至91.71%和91.52%，這可為在線監(jiān)測設(shè)備的研究提供依據(jù)。模型預測集分類結(jié)果如圖4～6所示。

表2 不同預處理與不同建模方法結(jié)果Table 2 Results of different preprocessing and modeling methods

由圖4可以觀察到，500顆決策樹對每個樣本的投票結(jié)果都往兩端聚集，僅有少量樣本投票結(jié)果在誤差框（虛線框）內(nèi)，表明樣本特征較明顯，隨機森林能夠?qū)颖咎卣魈崛?，并以此作為分類依?jù)，得到良好的分類結(jié)果。對比不同模型的預測集總體樣本識別準確度，MSC預處理過后的隨機森林分類模型比無預處理、SG卷積平滑和SG卷積一階求導的準確度提升的百分比多，說明MSC預處理能夠消除雙孢蘑菇菌蓋表面的顆粒大小及其分布不均所產(chǎn)生的散射影響。

圖4 隨機森林分類結(jié)果Fig. 4 Random Forest classification

如圖5所示，在400個分類樣本中，僅有少量樣本被用RBF核函數(shù)建模的SVM分類模型誤判類別。當全波長分類模型的準確率較RF分類器提升的同時，SVM分類模型測試集準確度也維持在87%以上。其中，無預處理的SVM診斷模型預測集總體樣本準確度可達到87.38%，經(jīng)MSC預處理后SVM診斷模型的預測集總體樣本準確度也由87.38%提高到91.04%，較SG卷積平滑和SG卷積一階求導提升的多，分別為90.38%和90.70%。SVM采用徑向基函數(shù)（RBF）核函數(shù)，用網(wǎng)格搜索法自動選擇優(yōu)化參數(shù)，使得診斷模型準確度最佳。

圖5 SVM分類結(jié)果Fig. 5 SVM classification

圖6 ELM分類結(jié)果Fig. 6 ELM classification

3 討論

本研究應用可見/近紅外高光譜成像技術(shù)，以雙孢蘑菇疣孢霉病為研究對象，對該病害早期檢測方法進行研究，探討了MSC、SG卷積一階求導和SG卷積平滑3種預處理方法對建模結(jié)果的影響，得知經(jīng)過MSC預處理后的建模結(jié)果中，無關(guān)信息被有效消除，光譜信息的信噪比提高，為提升雙孢蘑菇疣孢霉病早期診斷模型的準確度奠定基礎(chǔ)。對比預處理后的全波段高光譜圖像數(shù)據(jù)經(jīng)過RF、SVM和ELM等3種建模方法對染病雙孢蘑菇的鑒別效果影響，結(jié)果表明，3種建模方法均有效提升診斷模型的準確度。其中，經(jīng)過MSC預處理和SVM建模方法組合的模型，測試集和預測集總體樣本識別準確度為92.21%和91.04%，優(yōu)于其他預處理和建模方法的組合。該研究結(jié)果為進一步開發(fā)雙孢蘑菇疣孢霉病的快速無損檢測設(shè)備提供了理論基礎(chǔ)。