崔江南，付蕓，趙森，鄧澤宇，王天樞

（長(zhǎng)春理工大學(xué) 光電工程學(xué)院，長(zhǎng)春 130022）

番茄葉霉病又稱(chēng)黑霉病，是由黃褐孢霉菌引起的番茄病害，主要危害葉片，嚴(yán)重時(shí)也危及莖、花和果實(shí)。番茄葉霉病一旦發(fā)生，迅速擴(kuò)展，一般造成20%～30%的減產(chǎn)，嚴(yán)重時(shí)可達(dá)50%以上，給番茄生產(chǎn)帶來(lái)巨大的經(jīng)濟(jì)損失。傳統(tǒng)的診斷方法主要以人工觀察為主，借助于農(nóng)學(xué)人員的判斷和農(nóng)民自身的經(jīng)驗(yàn)，診斷結(jié)果易受主觀因素的影響，效率低，誤差大，經(jīng)常會(huì)延誤治理的最佳時(shí)機(jī)。因此，迫切需要一種快速、無(wú)損、準(zhǔn)確的病害檢測(cè)手段。

近年來(lái)，越來(lái)越多的學(xué)者將高光譜成像技術(shù)應(yīng)用于農(nóng)作物病害檢測(cè)的相關(guān)研究中。例如水稻稻瘟病、水稻紋枯?。?-2］、小麥白粉病、小麥條銹?。?-4］、玉米種子質(zhì)量［5-6］等糧食作物類(lèi)的研究；黃瓜霜霉?。?］，茄子［8］、菠菜［9］的凍傷，柑橘黃龍病［10］，感染黃瓜綠斑駁病毒的西瓜種子［11］，藍(lán)莓腐爛?。?2］等果蔬作物類(lèi)的檢測(cè)。

在番茄病害檢測(cè)方面，Gu Qing等人［13］利用高光譜成像技術(shù)對(duì)受番茄斑點(diǎn)枯萎病毒（Tomato spotted wilt virus，TSWV）侵染初期的煙草進(jìn)行了檢測(cè)。結(jié)果表明，機(jī)器學(xué)習(xí)方法結(jié)合波長(zhǎng)選擇算法可用于TSWV的早期檢測(cè)。Nik Susic等人［14］采用高光譜成像方法對(duì)被線蟲(chóng)侵染和水分缺乏脅迫的番茄植株開(kāi)展了研究。結(jié)果表明，偏最小二乘法和支持向量機(jī)分類(lèi)器在區(qū)分水分充足或缺水的植物時(shí)準(zhǔn)確率高達(dá)100%，在識(shí)別線蟲(chóng)侵染的植物時(shí)準(zhǔn)確率在90%～100%之間。

本文以番茄的葉霉病為研究對(duì)象，利用高光譜成像系統(tǒng)分別采集健康、輕微病變、嚴(yán)重病變等三類(lèi)葉片樣本的高光譜數(shù)據(jù)。首先，運(yùn)用PCA和SPA提取數(shù)據(jù)特征；然后，分別利用GSA、PSO和GA三種算法對(duì)SVM法的建模參數(shù)c、g進(jìn)行尋優(yōu)；最后，分別將基于全譜數(shù)據(jù)、PCA提取的特征變量、SPA提取的特征變量，以及SPA-PCA提取的特征變量作為SVM模型的輸入，依次構(gòu)建了4種番茄葉霉病的分類(lèi)模型。通過(guò)對(duì)比分析3種尋優(yōu)算法及4種分類(lèi)模型的準(zhǔn)確率，確定識(shí)別番茄葉霉病的最佳分類(lèi)模型，為病害的早期防治和病害程度的監(jiān)測(cè)提供理論依據(jù)。

1 材料與方法

1.1 樣本獲取

本實(shí)驗(yàn)過(guò)程中所用到的番茄葉片均來(lái)自于吉林省農(nóng)業(yè)科學(xué)院經(jīng)濟(jì)植物研究所。于2019年10月21日進(jìn)入果樹(shù)種植基地，尋找發(fā)生病害的番茄葉片，采摘后的所有病變?nèi)~片均經(jīng)過(guò)病理檢驗(yàn)，保證其僅含有單一的葉霉病。按照葉片患病區(qū)域的大小劃分病害嚴(yán)重等級(jí)，進(jìn)行分類(lèi)后裝入不同的保鮮袋密封保存，并放入置有冰塊的便攜式保溫箱中保存，然后迅速送往實(shí)驗(yàn)室進(jìn)行高光譜數(shù)據(jù)采集。通過(guò)篩選最終得到葉霉病嚴(yán)重病變?nèi)~片148片、輕微病變?nèi)~片160片、健康葉片152片，三類(lèi)不同病害程度的番茄葉片如圖1所示。

圖1 三類(lèi)不同病害程度的番茄葉片

1.2 光譜數(shù)據(jù)采集和預(yù)處理

高光譜圖像的采集設(shè)備是由上海五鈴光電科技有限公司生產(chǎn)的HSI-VNIR（400～1 000 nm）型推掃式可見(jiàn)光-近紅外高光譜成像系統(tǒng)，分光儀采用透射式光柵分光，光譜范圍為400～1 000 nm，光譜分辨率為2.8 nm，光源為21 V/200 W穩(wěn)定輸出鹵素?zé)?。系統(tǒng)主要包括成像光譜儀、CCD相機(jī)、光源、電控位移平臺(tái)、暗箱和計(jì)算機(jī)等部件，高光譜成像系統(tǒng)裝置如圖2所示。

圖2 可見(jiàn)光-近紅外高光譜成像系統(tǒng)

為了減少環(huán)境噪聲和暗電流對(duì)光譜數(shù)據(jù)采集的影響，高光譜數(shù)據(jù)采集前，首先對(duì)成像裝置預(yù)熱30 min左右，目的是消除基線漂移對(duì)圖像質(zhì)量的影響。預(yù)熱完畢后，打開(kāi)圖像采集軟件，對(duì)圖像采集的相關(guān)參數(shù)進(jìn)行設(shè)置，以保證圖像采集質(zhì)量且避免失真。設(shè)置完畢后，手動(dòng)將樣品放置在載物臺(tái)上開(kāi)始圖像采集，當(dāng)葉片整個(gè)輪廓完整出現(xiàn)在采集軟件窗口中央時(shí)，點(diǎn)擊停止按鈕，此時(shí)樣品高光譜圖像采集完畢，并被保存在預(yù)先設(shè)置的存儲(chǔ)路徑中，每個(gè)葉片均采集10次，取10次圖像數(shù)據(jù)的平均值作為最終數(shù)據(jù)，如此重復(fù)完成所有樣本圖像數(shù)據(jù)的采集。

所有待測(cè)樣本的高光譜圖像數(shù)據(jù)采集完畢后，為了避免光照不均勻和暗電流的影響，需要對(duì)所有原始高光譜圖像進(jìn)行黑白標(biāo)定。在相同的采集環(huán)境下，掃描標(biāo)準(zhǔn)白色校正板得到全白的標(biāo)定圖像，蓋上相機(jī)鏡頭后蓋得到全黑的標(biāo)定圖像，然后按照公式（1）對(duì)原始圖像進(jìn)行校正：

式中，Rc為校正后的高光譜圖像；Rraw為利用高光譜圖像采集系統(tǒng)采集到的原始高光譜圖像；Rwhite為利用標(biāo)準(zhǔn)白色校正板采集得到的全白的標(biāo)定圖像（反射率接近99%）；Rdark為關(guān)閉相機(jī)鏡頭進(jìn)行圖像采集得到的全黑的標(biāo)定圖像（反射率接近0%）。校正工具為高光譜采集系統(tǒng)自帶的軟件HSI Analyzer。

為了進(jìn)一步降低噪聲干擾，去除高光譜數(shù)據(jù)首尾各30個(gè)波段，得到400～900 nm波長(zhǎng)范圍內(nèi)共462個(gè)波長(zhǎng)的可見(jiàn)光高光譜數(shù)據(jù)。將剔除異常樣本后的光譜數(shù)據(jù)按照3∶1的比例劃分?jǐn)?shù)據(jù)集，得到訓(xùn)練集樣本315個(gè)，測(cè)試集樣本105個(gè)。

為提取病害葉片的完整光譜信息，根據(jù)采集樣本病斑特征均勻分布的特點(diǎn)，以葉片葉脈為中心，利用ENVI 5.3軟件選取靠近葉尖部位的100像素×100像素的區(qū)域作為光譜信息采集的感興趣區(qū)域（region of interest，ROI），最終采集的番茄樣本的原始光譜信息如圖3所示。

圖3 三類(lèi)番茄葉片的原始光譜信息

為了降低環(huán)境、儀器、測(cè)量方法等因素引入的干擾，利用MATLAB 2019b軟件自帶的mapminmax歸一化函數(shù)對(duì)所有高光譜數(shù)據(jù)均進(jìn)行降噪平滑處理。為了進(jìn)一步研究不同病害程度葉片光譜信息的差異，取每組樣本反射率的平均值，得到平均光譜反射率曲線。從圖4可以看出，番茄葉霉病不同病害程度的光譜反射率存在差異，說(shuō)明光譜反射率信息可以作為診斷番茄葉霉病病害的依據(jù)，但就輕微病變和嚴(yán)重病變兩類(lèi)番茄葉片而言，兩條光譜曲線存在很大的相似性，可能導(dǎo)致最終兩類(lèi)番茄葉片的分類(lèi)結(jié)果出現(xiàn)混淆，使分類(lèi)精度變差。

圖4 三類(lèi)番茄葉片的平均光譜曲線

1.3 特征變量提取

為了解決高光譜數(shù)據(jù)波段多、數(shù)據(jù)量大而產(chǎn)生的數(shù)據(jù)相關(guān)、冗余、共線性等問(wèn)題，降低模型的復(fù)雜度，提高建模精度和計(jì)算速度，運(yùn)用主成分分析（principle component analysis，PCA）和連續(xù)投影算法（successive projection algorithm，SPA）對(duì)高光譜數(shù)據(jù)進(jìn)行特征變量的提取。

PCA是最常用的數(shù)據(jù)降維方法之一，它保持了數(shù)據(jù)中對(duì)方差貢獻(xiàn)最大的特征，可提取數(shù)據(jù)的主要特征分量，常用于高維數(shù)據(jù)的降維。SPA是一種使矢量空間共線性最小化的前向變量選擇算法，它的優(yōu)勢(shì)在于提取全波段的幾個(gè)特征波長(zhǎng)，能夠消除原始光譜矩陣中冗余信息，可用于光譜特征波長(zhǎng)的篩選。

1.4 建模方法

支持向量機(jī)（support vector machine，SVM）是由Vapnik領(lǐng)導(dǎo)的AT&T bell實(shí)驗(yàn)室研究小組在1995年提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的分類(lèi)方法，是一種有監(jiān)督的機(jī)器學(xué)習(xí)方法。因SVM具有擬合精度高、學(xué)習(xí)能力強(qiáng)、訓(xùn)練時(shí)間短、選擇參數(shù)少、泛化能力好和全局最優(yōu)等特點(diǎn)，因而，在解決小樣本、高維數(shù)和非線性等問(wèn)題上具有很大的優(yōu)勢(shì)。

懲罰因子c和核函數(shù)中的參數(shù)g是影響支持向量機(jī)性能的主要參數(shù)，常見(jiàn)的尋優(yōu)算法有：網(wǎng)格搜索算法（GSA）、粒子群算法（PSO）和遺傳算法（GA）。本文將利用SVM建立番茄葉霉病的識(shí)別模型，并通過(guò)3種尋優(yōu)算法確定SVM建模的最優(yōu)參數(shù)，以發(fā)揮SVM分類(lèi)器的最佳性能。

2 結(jié)果與討論

2.1 PCA提取主成分

采用PCA算法對(duì)全部樣本的高光譜數(shù)據(jù)進(jìn)行降維，得到前10個(gè)主成分（principle component，PC）的特征值和累計(jì)貢獻(xiàn)率，如表1所示。

表1 前10個(gè)主成分特征值和累計(jì)貢獻(xiàn)率

其中，PC1的貢獻(xiàn)率最大，為76.30%，前2個(gè)PC的累計(jì)貢獻(xiàn)率為94.57%，之后累計(jì)貢獻(xiàn)率不斷增加，但增加幅度減小，即所含的有用信息越來(lái)越少。因此，選擇前2個(gè)PC作為特征變量建模。

2.2 SPA提取特征波長(zhǎng)

利用SPA算法提取特征波長(zhǎng)，不僅能夠提取樣本中的有效信息，還能夠大幅度地減少構(gòu)建模型的計(jì)算量和復(fù)雜度。本研究中設(shè)置特征變量的數(shù)量范圍為10～50，利用MATLAB 2019b軟件運(yùn)行SPA算法對(duì)預(yù)處理后的光譜進(jìn)行特征波長(zhǎng)的篩選。根據(jù)均方根誤差（RMSE）選擇變量的數(shù)量，如圖5所示。當(dāng)變量個(gè)數(shù)為14時(shí)，得到最低值0.399 09，符合顯著性水平α=0.25的F檢驗(yàn)，因此選擇14個(gè)特征變量，如表2所示，后續(xù)將以此14個(gè)波長(zhǎng)作為特征變量進(jìn)行建模。

圖5 SPA選擇不同變量數(shù)的RMSE分布圖

表2 SPA特征波長(zhǎng)選擇結(jié)果

2.3 SPA-PCA聯(lián)合提取特征變量

通過(guò)SPA算法選取番茄葉霉病樣本的特征波長(zhǎng)數(shù)為14個(gè)，光譜特征維數(shù)仍然很高，為了進(jìn)一步減少變量之間可能存在的相關(guān)性或共線性，獲取更少的特征變量，本文利用PCA對(duì)SPA選取的特征變量進(jìn)一步降維，結(jié)果如表3所示。由于只有前2個(gè)PC的特征值大于1，但累計(jì)貢獻(xiàn)率沒(méi)有達(dá)到85%，為了盡可能多地保留原始的光譜信息，所以選取前6個(gè)PC作為特征變量進(jìn)行建模。

表3 前6個(gè)主成分特征值和累計(jì)貢獻(xiàn)率

2.4 分類(lèi)建模

分別以全譜、PCA、SPA和SPA-PCA提取的特征變量作為SVM建模的輸入，建立番茄葉霉病的全譜-SVM、PCA-SVM、SPA-SVM和SPA-PCASVM的分類(lèi)模型，核函數(shù)選用RBF，每個(gè)模型分別使用GSA、PSO和GA獲取懲罰因子c和核參數(shù)g的最優(yōu)值，三種算法的尋優(yōu)結(jié)果如圖6所示。

其中，圖6（a）、圖 6（b）為GSA算法的參數(shù)尋優(yōu)結(jié)果，根據(jù)經(jīng)驗(yàn)，利用網(wǎng)格搜索算法進(jìn)行參數(shù)優(yōu)化的SVM其懲罰參數(shù)c和高斯核函數(shù)參數(shù)g的取值范圍為 2-10≤c≤210，2-10≤g≤210，參數(shù)設(shè)置如下：步長(zhǎng)cstep=0.5，gstep=0.5，其余參數(shù)默認(rèn)。圖6（c）為PSO算法的參數(shù)尋優(yōu)結(jié)果，根據(jù)經(jīng)驗(yàn)，利用粒子群算法進(jìn)行參數(shù)優(yōu)化的SVM其懲罰參數(shù)c和高斯核函數(shù)參數(shù)g的取值范圍為0.1≤c≤100，0.1≤g≤10，參數(shù)設(shè)置如下：初始種群數(shù)量 pop=20，加速系數(shù)c1=1.5，c2=1.7，最大迭代次數(shù)T=200，其余參數(shù)默認(rèn)；圖6（d）為GA算法的參數(shù)尋優(yōu)結(jié)果，根據(jù)經(jīng)驗(yàn)，利用遺傳算法進(jìn)行參數(shù)優(yōu)化的SVM其懲罰參數(shù)c和高斯核函數(shù)參數(shù)g的取值范圍為 0.1≤c≤100，0.1≤g≤10，參數(shù)設(shè)置如下：初始種群數(shù)量pop=20，最大迭代次數(shù)T=100，其余參數(shù)默認(rèn)。

圖6 三種不同尋優(yōu)算法的尋優(yōu)結(jié)果

各分類(lèi)模型預(yù)測(cè)準(zhǔn)確率如表4所示。

表4 SVM各分類(lèi)模型預(yù)測(cè)準(zhǔn)確率

由上述分類(lèi)結(jié)果可知，所有模型的總體預(yù)測(cè)準(zhǔn)確率均高于80%，精度較好，模型對(duì)健康樣本的分類(lèi)準(zhǔn)確度最高，對(duì)病變樣本的分類(lèi)準(zhǔn)確度稍差。PCA-SVM模型的總體預(yù)測(cè)精度略低于全譜-SVM模型，但輸入變量數(shù)由462降為2，在大幅度降低特征維數(shù)、縮短運(yùn)行時(shí)間的同時(shí)，也丟失了某些特征信息，從而導(dǎo)致分類(lèi)精度的下降。SPA-SVM模型相比于全譜-SVM模型，特征波段數(shù)減小到14，在維持原有健康樣本的預(yù)測(cè)精度時(shí)，對(duì)輕微病變樣本的檢測(cè)精度大幅提升，可能是提取到了健康樣本與病變樣本存在差異的特征波段，從而使分類(lèi)精度提高，但對(duì)嚴(yán)重病變的預(yù)測(cè)結(jié)果依舊很差。正常情況下，提取特征變量后會(huì)丟失原始樣本的某些有效信息，使分類(lèi)精度降低，但SPA-PCA-SVM模型相比于全譜-SVM模型，健康樣本的預(yù)測(cè)精度有所提升，可能是在特征提取的過(guò)程中去除了原始健康樣本中的噪聲，提高了分類(lèi)精度。綜上所述，從每類(lèi)分類(lèi)準(zhǔn)確率和總體分類(lèi)準(zhǔn)確率來(lái)看，最優(yōu)模型為SPAPCA-SVM模型，該模型在犧牲少許精度的同時(shí)，大幅度減少了輸入的特征變量數(shù)，提高了計(jì)算速度，能夠最大程度地區(qū)分病變樣本與健康樣本，但對(duì)不同病變程度的樣本的區(qū)分效果較差，SPA-PCA-SVM模型最優(yōu)分類(lèi)結(jié)果如圖7所示。

圖7 SPA-PCA-SVM模型的最優(yōu)分類(lèi)結(jié)果

3 結(jié)論

本文以不同病變程度的番茄葉霉病葉片樣本為研究對(duì)象，采用不同的算法提取特征變量，構(gòu)建了各種番茄葉霉病的識(shí)別模型，主要結(jié)論如下：

（1）所有模型都對(duì)健康樣本的識(shí)別效果較好，而對(duì)不同病變程度的葉片的分類(lèi)效果有待提高。

（2）PCA、SPA和SPA-PCA等算法均能對(duì)高光譜數(shù)據(jù)進(jìn)行特征變量的提取，從而大幅度地降低數(shù)據(jù)的冗余度，減少參與建模的數(shù)據(jù)量，同時(shí)，還能較好地保留樣本的特征信息。結(jié)果表明，SPA-PCA-SVM模型的分類(lèi)效果最優(yōu)，建模輸入變量少，檢測(cè)精度較高，運(yùn)行速度較快。

（3）從對(duì)番茄葉霉病的尋優(yōu)結(jié)果可知，GSA的運(yùn)行時(shí)間最少，GA次之，PSO的運(yùn)行時(shí)間最長(zhǎng)。從分類(lèi)準(zhǔn)確率上來(lái)看，GSA的分類(lèi)準(zhǔn)確率較高，在大多數(shù)情況下，PSO和GA的分類(lèi)精度與GSA接近，但耗時(shí)較長(zhǎng)。綜合考慮，在利用SVM進(jìn)行建模時(shí)，參數(shù)尋優(yōu)函數(shù)可優(yōu)先選擇GSA。

總之，高光譜成像技術(shù)可應(yīng)用于番茄葉霉病的無(wú)損檢測(cè)。今后將從數(shù)據(jù)預(yù)處理、特征變量提取、建模方法等方面加以改進(jìn)，以提高分類(lèi)精度。此外，由于僅通過(guò)肉眼根據(jù)患病區(qū)域大小來(lái)定義標(biāo)簽，存在人為誤差，導(dǎo)致標(biāo)簽精度不高，嚴(yán)重影響了分類(lèi)準(zhǔn)確率，后續(xù)將借助病變多層分級(jí)、聚類(lèi)分析和葉綠素定量分析等手段提高標(biāo)簽精度。大量研究表明，高光譜圖像中的紋理和顏色等特征也包含了重要信息，接下來(lái)將對(duì)光譜特征與圖像特征進(jìn)行融合，進(jìn)一步提升分類(lèi)效果。