欧美亚洲精品真实在线丨a免费观看丨国产一区二区三区在线观看视频丨精品久久久久中文字幕app丨亚洲天堂av在线免费观看丨国产精品资源一区二区丨涩涩涩涩涩涩涩涩涩涩丨国产69av

題目：利用高光譜成像技術對紅辣椒根腐病的檢測與分析

關鍵詞：辣椒、根腐病、高光譜成像、病害檢測、光譜指數

背景：中國是農業生產大國，農業在國民經濟的組成和發展中的地位至關重要。蔬菜種植是農業生產種植業的重要分支，是農民重要的收入來源之一。自從中國加入WTO之后，中國的蔬菜生產產業在國際上具有更大的競爭優勢。辣椒作為產業鏈最為完整的蔬菜品類，在我國有400多年的種植歷史，因其能夠分泌辣椒素而味辣，維生素C高，從而在我國調味品種占有重要位置。近年來，我國辣椒種植規模不斷增長，產量不斷上升，辣椒種植面積約220萬hm2，產值達2500億元，占全國蔬菜總值的11.36%，辣椒產業對農民收入貢獻率達到1.14%。近年來，受疫情、水澇、干旱等自然災害以及病蟲害影響導致辣椒單產下降，利潤率下降。其中由于栽培模式固定、重茬面積大、管理粗放、抗御旱澇災害的能力不強，使得辣椒根腐病在各個地區呈現逐年加重趨勢，造成辣椒減產或絕產，嚴重制約著辣椒產業的發展，給農戶造成嚴重的經濟損失。辣椒根腐病是典型的土傳病害，可以引起辣椒根系和近地面莖稈木質部、韌皮部壞死，導致辣椒不能輸送水分和營養物質，發病后地下部分根系和莖稈全部壞死，地上部干枯死亡。該病害在我國各辣椒產區均有發生，已報道的辣椒根腐病致病菌有鐮孢屬、疫霉屬和腐霉屬等，其中鐮孢菌是引起辣椒根腐病的主要病原菌，病原菌以厚垣孢子、菌核或菌絲體在土壤中越冬，成為翌年主要初侵染源，病菌從根莖部或根部傷口侵入，通過雨水或灌溉水傳播和蔓延。因此，由鐮孢菌引起辣椒根腐病發生周期長，在幼苗期到成株期均能發生，導致辣椒減產造成嚴重經濟損失。辣椒根腐病具有非常強的隱蔽性，發病前期肉眼難以發現。對于辣椒根腐病等土壤傳播的病害治理，一般的預防方法為定期檢查致病病原體在土壤中的分布和控制土壤中病原體的密度，并通過生物和化學控制劑來阻斷其傳播。其中定期檢查需要耗費治理人員大量時間且對治理人員的專業要求較高。因此，開發一種能夠通過辣椒植株的地上部分（葉或莖）在未顯現癥狀的情況下檢測出辣椒根腐病的方法（新思路）是辣椒種植農戶的迫切需求，對辣椒種植和育種產業有重要意義。

實驗設計：樣品制備于2022年12月在山東省濟寧市農業科學院的實驗室進行。為了擴大樣本容量和提高模型的容錯率，方便將模型移植到其他辣椒品種中。試驗選取兩種辣椒品種（山椒4號和滿山紅）種子進行幼苗培育。辣椒幼苗的培養步驟具體如下：將攝氏溫度55°的溫水倒入放好種子的燒杯中，使用玻璃棒連續攪拌10 min;倒掉燒杯中的溫水，將種子沖洗兩次后浸種8~10h;將種子均勻放在濕毛巾上（保持濕潤），將濕毛巾放在托盤中，將托盤放置在光照培養箱下催芽（一般四天出芽）；將發芽種子轉移到含育苗基質（珍珠巖、多菌靈和有機營養土等）的育苗杯中，并放回光照培養箱下培養17天，每個育苗杯中成活1~3株。光照培養箱的條件設置為：亮光環境培養時間為10h，溫度=28°，濕度=60%，光照強度為4500~10000Lux；暗環境培養時間為14h，溫度=23°，濕度=60%。

通過人工接種的方式使辣椒幼苗感染根腐病病菌，接種步驟符合中華人民共和國農業行業標準 （NT/T2060 1-2011）。試驗所用根腐病病菌原液由濟寧市農業科學院培養和提供，使用灌根接種法接種根腐病病原菌。具體做法是：從兩個品種中分別挑選20株長勢一致、健康的辣椒幼苗進行病菌接種；接種前澆灌幼苗以保持土壤濕潤，使用玻璃棒在辣椒幼苗莖基部附近扎一個小穴；使用移液槍將5ml孢子懸浮液（濃度為103個游動孢子/ml）注入穴內。接種后，將辣椒幼苗放回光照培養箱，更改亮光環境培養時間為12h，暗環境培養時間為12h，其他條件不變。

在實驗過程中，接種辣椒幼苗發病明顯。在接種病菌第一天肉眼無法觀察出癥狀。接種后第二天，兩個品種的辣椒幼苗都陸續出現根腐病的典型癥狀，具體表現為葉片萎蔫且莖基部收縮，莖部輕微倒伏。在接種第三天，辣椒幼苗的葉片萎縮嚴重且莖基部呈暗褐色，造成幼苗折倒枯死。將辣椒葉片樣本分為三個階段，接種病菌前作為健康期（0d），接種病菌第一天作為潛伏期（1d），接種病菌第二天作為發病期（2d）。

這個試驗使用GaiaField-V10E便攜式可見光/近紅外成像系統（Jiangsu Dualix Spec­tral Imaging Technology Co., Ltd, Wuxi, Jiangsu, China）采集高光譜圖像信息。該系統包括光譜儀（GaiaField-V10E）、成像鏡頭（HSIA-OL23）、專用光源（HSIA-LS-T-200 W）、標準白板（HSIA-CT-150 × 150）和專用電腦（(Surface Go 2 4425Y, Microsoft., USA）等組件。該設備可以在可見光和近紅外波段范圍內進行成像，波長覆蓋范圍為400~1000nm，光譜分辨率為2.8nm，每個樣本可獲取696×697×256波段的高光譜圖像立方體，曝光時間設置為12毫秒，入射狹縫寬度為30微米，視場角為22°，CCD像素為1392*1040。

接種根腐病病菌的辣椒植株為各品種20株，共40株可用辣椒植株。從每一株植株中選取葉片最大,葉脈清晰的兩片葉子作為研究對象，共標記了80篇葉片。連續在健康期、潛伏期和患病期對辣椒植株進行高光譜圖像拍攝。將所有辣椒葉片樣本按2:1的比例使用SPXY算法劃分訓練集與預測集，以建立適用范圍更加廣泛的辣椒根腐病早期診斷模型。結果為總樣本集辣椒葉片數據240個，其中總訓練集辣椒葉片數據162個，總預測集數據78個。其中健康期、潛伏期和發病期總樣本數均為80個，訓練集均為54個，預測集均為26個。

使用SPA和光譜指數方法進行數據降維，使用PLS-DA,LSSVM,BP神經網絡等技術進行病害早期預測。

結論：圖1為辣椒在400 ~ 1000 nm范圍內的平均光譜標準差曲線及其對應的葉片狀態的圖片。結果表明兩類辣椒品種樣品的光譜曲線趨勢差異很小，差異主要集中在550-650和750-850的波長區間內。550-650的波長區間內的光譜信息通常用于表征植被特征如植被的生長情況和健康狀況等，可以用于衡量葉綠素的含量。山椒4號的患病期樣本的光譜反射率下降趨勢更加明顯，表征患病期樣本和其他樣本差異性大，可能在受根腐病脅迫時失去了更多的葉綠素。在750-850的波段區間內，滿山紅的潛伏期葉片樣本的反射率有從低到高增加的趨勢，潛伏期樣本和健康期樣本的光譜反射率差異大，和患病期樣本的差異小，可能是潛伏期失水較多，使這一品種的辣椒的健康期葉片和潛伏期葉片差別較大。山椒4號的潛伏期葉片樣本的光譜反射率則更加平緩。總體而言，兩個品種的辣椒光譜曲線趨勢基本相似，所以這個論文把兩類辣椒品種合并在一起進行建模研究。這樣做，能增加病害早期檢測模型的可移植性，使這個研究的實驗結果可以應用到其他辣椒品種中。觀察圖2不難發現健康辣椒葉片和染病辣椒葉片在550nm、580~680 nm和760~1000nm波長范圍內的光譜反射率有明顯的區別。這種顯著性的差異證實了高光譜成像技術在識別葉片病變方面的有效性（10）。進一步分析表明，健康期辣椒葉片反射率最高，發病期的辣椒葉片的光譜反射率明顯低于潛伏期辣椒葉片的光譜反射率。在580~680nm范圍內，健康期葉片的反射率較低，而且隨著患病程度的加重，該范圍內的反射率逐漸減小。染病（包括潛伏期和發病期）的葉片在近紅外波段的光譜反射率明顯低于健康葉片的反射率，且隨著辣椒葉片患病程度的加深，近紅外波段范圍內的反射率逐漸減小，這是由于病菌引起根莖細胞結構破壞而導致的葉片含水量和葉綠素含量下降造成的。

利用SPA從全光譜數據中挑選出有效的特征波長，減少冗余變量。如圖3（a）所示，設置特征波段數量范圍為10至32個，經過反復測試，當變量個數為13時，使用的特征波長組合具有最小的校正均方根誤差（RMSE=0.2797）。最終篩選出的特征波段為：425、433、437、453、552、639、670、680、690、715、741、819、909nm，占全部波段的5.08%。

將所有辣椒樣本按健康期、潛伏期和發病期三類進行賦值分類，將辣椒葉片樣本在400nm到1000nm任意兩波段下反射率計算出的NDSI值，利用皮爾森算法（Pearson correlation coefficient）與其對應的染病階段進行相關性分析，將相關系數繪制成分布矩陣，如圖4所示。

紅色區域顯示最高正相關值，藍色區域顯示最高負相關值。560~610nm及附近波長范圍構建出的光譜指數與根腐病顯示出很高的相關性。790~810nm及附近波長范圍構建出的光譜指數與根腐病具有較高的相關性，該區域相關系數絕對值明顯低于560~610nm波段區域，相關系數絕對值（|r|）最高值為0.725。其他區域構建出的光譜指數與根腐病的相關性普遍較低，|r|范圍區間在0到0.3。結果表明，與辣椒根腐病相關的敏感波段主要分布在560~610nm與560~610nm這個波段區域。

在相關系數分布圖中，篩選出與辣椒根腐病葉片相關系數絕對值最高的八項光譜指數，并統計光譜指數的波段組合及相關系數絕對值，結果如表1所示。

在高光譜分類中，BP神經網絡得到了最高的準確率。整個BP神經網絡模型由input，hidden layer、output layer和output組成，其中hidden layer的激活函數設置為tansig，output layer 的激活函數設置為purelin。將訓練參數中的最大迭代次數設置為10000，目標訓練誤差設置為10-6，學習率設置為0.01。整個BP網絡使用levenberg-marquardt訓練算法，validation checks設置為6，數據分類方式設置為random。最后經過多次調試，得出了模型的預測集訓練結果如圖5所示。

具體的訓練結果在混淆矩陣圖6所示，圖6（a）是SPA的分類結果，其中29個健康樣本有3個被誤判為潛伏期，28個潛伏期樣本有2個被誤判為健康期，21個患病期樣本被誤判為潛伏期樣本。圖6（b）是光譜指數的分類結果，其中27個健康樣本有2個被誤判為潛伏期，29個潛伏期樣本有5個被誤判為健康期，有1個被誤判為患病期。潛伏期和健康期葉片之間的誤判大部分是山椒4號品種的辣椒，誤判數為5個（共7個），僅僅有兩個是滿山紅品種的辣椒，或許滿山紅辣椒的潛伏期和健康期的差別比山椒4號更大一些

圖5

圖6