1. 頂刊身份卡

期刊名稱    Computers and Electronics in Agriculture（COMPAG）

中科院分區(qū)    農(nóng)林科學1區(qū)TOP期刊

JCR分區(qū)    Q1區(qū)

發(fā)表年份    2024年

論文標題    Enhancing fusarium head blight detection in wheat crops using hyperspectral indices and machine learning classifiers

中文標題    利用高光譜指數(shù)和機器學習分類器增強小麥赤霉病檢測

作者單位    南京農(nóng)業(yè)大學國家信息農(nóng)業(yè)工程技術(shù)中心

使用設(shè)備    GaiaField-V10E便攜式高光譜成像系統(tǒng)（雙利合譜）

2. 應用方向速覽

小麥赤霉?。‵HB）由禾谷鐮刀菌引起，感染初期（1-4天）無肉眼可見癥狀，傳統(tǒng)檢測手段無法實現(xiàn)早期預警。本研究以雙利合譜GaiaField-V10E高光譜成像系統(tǒng)為核心設(shè)備，通過連續(xù)小波變換（CWT）提取敏感光譜特征，結(jié)合GLCM紋理分析，構(gòu)建了新型光譜指數(shù)（WFSI?、WFSI?）和紋理指數(shù)（WFTI?、WFTI?），在癥狀前階段實現(xiàn)78.9% 平均分類精度，DS2階段（病穗率4-5%）達90%以上，數(shù)據(jù)融合后進一步提升至98%。該技術(shù)框架可遷移至糧食倉儲真菌毒素篩查、中藥材霉變檢測、水稻稻瘟病等其他作物病害早期預警領(lǐng)域。

關(guān)鍵詞：小麥赤霉病，高光譜成像，光譜指數(shù)，紋理指數(shù)

3. 研究背景

小麥赤霉?。?/span>FHB）是由禾谷鐮刀菌等真菌引起的毀滅性穗部病害，不僅導致小麥減產(chǎn)，還會產(chǎn)生嚴重威脅人畜健康的真菌毒素。該病害的防控面臨一個根本難題：病原菌在侵染初期（1-4天）呈半活體營養(yǎng)型生存模式，雖無肉眼可見癥狀，但病菌已在穗部組織內(nèi)定殖擴展。這種“癥狀前"的隱蔽性，使得傳統(tǒng)人工調(diào)查和破壞性取樣難以實現(xiàn)大規(guī)模早期預警。

近年來，高光譜成像技術(shù)憑借“圖譜合一"的優(yōu)勢，能同時捕捉病害早期的生化組分變化與微觀組織損傷，為早期無損檢測提供了新路徑。但現(xiàn)有研究往往對“癥狀前"階段關(guān)注不足，且模型在不同年份和品種間的泛化能力較差。

針對上述科學問題，南京農(nóng)業(yè)大學國家信息農(nóng)業(yè)工程技術(shù)中心曹衛(wèi)星教授、朱艷教授和姚霞教授團隊以雙利合譜GaiaField-V10E便攜式高光譜成像系統(tǒng)為核心傳感平臺，開展了為期三年四批次的系統(tǒng)性研究。該團隊創(chuàng)新性地構(gòu)建了基于一致特征選擇策略的新型光譜指數(shù)和紋理指數(shù)，結(jié)合多種機器學習分類器，成功實現(xiàn)了從癥狀前到高病害尺度的精確分類與定量評估。該研究為高光譜技術(shù)在精準農(nóng)業(yè)病害監(jiān)測中的深入應用提供了可靠的方*論支撐。

4. 實驗設(shè)計

研究團隊在2018至2021年三個小麥生長季內(nèi)，于南京農(nóng)業(yè)大學牌樓實驗基地和智能玻璃溫室開展了四次獨立實驗（EXP.01-04）。供試材料為三個六倍體冬小麥品種：感病品種Aikang-58和PH-691，抗病品種Sumai-3。所有植株于溫室盆栽條件下培養(yǎng)，在抽穗期采用點接種法（point inoculation），每穗接種2 mL禾谷鐮刀菌分生孢子懸浮液。病害嚴重程度依據(jù)病穗像素比例劃分為9個等級：

病害等級劃分（依據(jù)病穗像素比例）：

Pre-sy（癥狀前） ：病穗率 0%，接種后 1–2 天

DS1：病穗率 1–3%，接種后 3 天（癥狀初現(xiàn)階段，部分個體開始出現(xiàn)輕微可見變化）

DS2：病穗率 4–5%，接種后 4–5 天

DS3：病穗率 6–10%，接種后 6–8 天

DS4：病穗率 11–20%，接種后 9–12 天

DS5：病穗率 21–40%，接種后 13–15 天

DS6：病穗率 41–60%，接種后 17–19 天

DS7：病穗率 61–80%，接種后 20–22 天

DS8：病穗率 81–100%，接種后 22–25 天

說明： 本研究中“癥狀前（Pre-sy）"特指接種后 1–2 天（病穗率 0%），DS1 起為癥狀初現(xiàn)階段。研究重點關(guān)注的早期檢測窗口為 Pre-sy 至 DS2（接種后 1–5 天）。

EXP.01和EXP.02的數(shù)據(jù)用于特征篩選和模型構(gòu)建（70%訓練、30%測試），EXP.03（成像數(shù)據(jù)）和EXP.04（非成像數(shù)據(jù)）作為獨立驗證集，全面評估所開發(fā)方法的可轉(zhuǎn)移性。

圖1. 根據(jù)病害分級標準（表2）的小麥穗真彩色圖像。從左至右：無癥狀期（Pre-sy），病害蔓延比例：1–3%（DS1或3DAI）、4–5%（DS2或4DAI）、6–10%（DS3或6DAI）、11–20%（DS4或9DAI）、21–40%（DS5或13DAI）、41–60%（DS6或17DAI）、61–80%（DS7或20DAI）和81–100%（DS8或22DAI）。

5. 高光譜數(shù)據(jù)采集

成像高光譜數(shù)據(jù)： 研究采用雙利合譜GaiaField-V10E便攜式高光譜成像系統(tǒng)采集麥穗高光譜圖像。系統(tǒng)光譜范圍400-1000 nm，光譜分辨率2.8 nm，光譜通道數(shù)256，采用內(nèi)置推掃成像方式。采集時，將5-7穗小麥樣本平行排列于暗箱內(nèi)，相機與樣本平面呈180°垂直角度，工作距離60 cm，提供0.24 mm的空間分辨率。每次數(shù)據(jù)采集包含三類圖像：樣本圖像、99.99%反射率標準白板校準圖像和0%反射率暗場校正圖像。

圖2. 小麥穗的高光譜圖像采集實驗裝置。

非成像高光譜數(shù)據(jù)： 采用非成像高光譜測量方式進行獨立驗證，使用光纖探頭在麥穗的上、中、下三個空間位置分別采集光譜，每個位置多次測量取平均，以代表整個麥穗的光譜特征。

圖3. (A) 非成像光譜測量的實驗裝置，(B) 光纖探針采集光譜的空間位置說明。

生化參數(shù)測定： 為建立生化變化與光譜響應的關(guān)聯(lián)，研究團隊對每批樣本進行了破壞性生化分析。取健康和感病樣本各5穗，切取穗軸、穎片、漿片、外稃、內(nèi)稃等穗部組織（去除籽粒部分），液氮研磨后精確稱取0.1 g，以95%乙醇浸泡48 h至樣本*全變白。過濾后使用紫外-可見分光光度計（Thermo Scientific Evolution 220）在470 nm、649 nm和665 nm波長處測定吸光度，依據(jù)Lichtenthaler（1987）方法計算葉綠素和類胡蘿卜素含量。穗部含水量（SWC）通過鮮重與80°C烘干至恒重后的干重差值計算。

6. 研究結(jié)果

生化參數(shù)的時序響應： 三年實驗數(shù)據(jù)顯示，感病麥穗的葉綠素含量在DS1（1-3%病穗率）階段即出現(xiàn)統(tǒng)計學顯著下降（P<0.05），而穗部含水量和類胡蘿卜素含量的顯著性差異大多出現(xiàn)在DS2-DS3階段。在健康樣本中，上述參數(shù)隨生育期推進也呈現(xiàn)一定程度的下降（與籽粒灌漿和穗部自然衰老有關(guān)），但感病樣本的下降速率和幅度均顯著大于健康對照。葉綠素降解是FHB感染后最早可檢測的生化事件，為高光譜檢測提供了堅實的生理學基礎(chǔ)。

圖4. 基于趨勢線比較2019年（左欄）、2020年（中欄）和2021年（右欄）不同病害程度下，健康植株與感染植株的尖*生物化學參數(shù)（A、B、C：尖*含水量；C、D、E：尖*葉綠素含量；G、H、I：尖*類胡蘿卜素含量）。紅色星號表示健康樣本與病害樣本之間的統(tǒng)計顯著性。

光譜特征提取與新型指數(shù)構(gòu)建： 研究采用連續(xù)小波變換（CWT）對400-1000 nm反射光譜進行分解，選用Mexican Hat小波（高斯二階導數(shù)）作為母小波，將原始光譜信號變換為尺度-波長二維小波功率標量圖。通過計算各尺度-波長組合與病害尺度之間的決定系數(shù)（R2），提取前5%的高相關(guān)區(qū)域作為候選特征。對2019年和2020年兩年數(shù)據(jù)的相關(guān)標量圖分別進行閾值化后取交集，最終篩選出4個跨年度穩(wěn)定的小波特征（WFs）：WF???、WF???、WF???和WF???。WF???位于葉綠素a/b的強吸收區(qū)（430 nm附近），其反射率升高直接反映葉綠素降解；WF???和WF???分別對應類胡蘿卜素/葉黃素和花青素的吸收特征；WF???位于近紅外區(qū)域，主要反映穗部組織的內(nèi)部結(jié)構(gòu)變化。WF???在癥狀前階段（DS1，病穗率僅1-3%）即出現(xiàn)顯著響應，與FHB的半活體營養(yǎng)型感染模式有關(guān)——病原菌在癥狀出現(xiàn)前已開始對宿主組織內(nèi)部結(jié)構(gòu)造成損傷。在紋理特征方面，基于上述4個敏感波長，研究提取了8類GLCM紋理特征（均值、方差、同質(zhì)性、對比度、相異性、熵、二階矩、相關(guān)性），共32個紋理特征。通過隨機森林-遞歸特征消除（RF-RFE）方法，依據(jù)變量重要性（VIP）評分進行篩選，最終獲得5個跨年度一致的紋理特征（TFs）：COR???、MEA???、HOM???、CON???和DIS???。

圖5. 2019年（a-c）和2020年（d-f）測量的尖峰數(shù)據(jù)集（DS1、DS2、DS3）的小波系數(shù)相關(guān)性尺度圖，以及每年的交集值（g和h），用于特征提取。最后，顯示兩年共同的特征（i）。橫軸表示400–1000 nm的光譜波段，縱軸為小波尺度2–8。高灰度亮度與疾病相關(guān)，反之亦然。紅色區(qū)域（a-f）表示前5%*強的相關(guān)性，而g-i則表示交集值。

感病麥穗在可見光區(qū)的平均反射率隨病害加重持續(xù)升高，而在近紅外區(qū)（特別是865 nm附近）反射率持續(xù)降低，驗證了WF???對病害的敏感性。為進一步驗證WF???與穗部組織結(jié)構(gòu)損傷的關(guān)聯(lián)，研究對穗部穎片進行了半薄切片觀察。接種后8h，穎片組織細胞結(jié)構(gòu)完整；接種后12h，部分細胞壁出現(xiàn)輕微破壞；接種后20h，組織損傷范圍擴大，可見明顯的細胞間隙增大和細胞壁降解；接種后30h，穎片組織呈現(xiàn)高度破壞狀態(tài)。這表明FHB病原菌在癥狀出現(xiàn)前已開始分泌細胞壁降解酶，對宿主組織造成微觀結(jié)構(gòu)損傷，首先表現(xiàn)為近紅外區(qū)域散射特性的改變。這一發(fā)現(xiàn)從組織學層面解釋了WF???在癥狀前階段即顯著響應的生理機制。

圖6. 三年實驗的平均光譜特征。健康：接種當天的反射率；DS：1–3%（DS1）、4–5%（DS2）、6–10%（DS3）、11–20%（DS4）、21–40%（DS5）、41–60%（DS6）、61–80%（DS7）和81–100%（DS8）

圖7。通過半薄切片觀察的內(nèi)部尖刺鱗片結(jié)構(gòu)示意圖，分別展示了接種后8小時（未受損）、12小時（輕微損傷）、20小時（中度損傷）和30小時（重度損傷）時真菌感染對其破壞的作用。紅色箭頭標出受損組織。

圖8. 基于變量重要性（VIP）通過RF-RFE從尖峰紋理數(shù)據(jù)集（DS1、DS2、DS3）構(gòu)建的紋理特征重要性圖。

利用篩選出的WFs和TFs，研究構(gòu)建了4個新型歸一化差值指數(shù)（經(jīng)RF-RFE優(yōu)選）：

• WFSI? = (WF??? ? WF???) / (WF??? + WF???)

• WFSI? = (WF??? ? WF???) / (WF??? + WF???)

• WFTI? = (MEA??? ? CON???) / (MEA??? + CON???)

• WFTI? = (MEA??? ? DIS???) / (MEA??? + DIS???)

其中WFSI?聯(lián)合色素響應波段（624 nm）和結(jié)構(gòu)響應波段（865 nm），兩個波段對病害的響應方向相反（VIS區(qū)反射率升高，NIR區(qū)反射率降低），歸一化差值可有效放大病害信號并抑制環(huán)境噪聲。WFTI?和WFTI?首*將紋理信息引入FHB檢測。

新型指數(shù)的分類性能： 研究采用5種機器學習分類器——K近鄰（KNN）、隨機森林（RF）、支持向量機（SVM）、神經(jīng)網(wǎng)絡（NN）和極*梯度提升（Xgboost），以70%數(shù)據(jù)訓練、30%數(shù)據(jù)測試的方式，評估上述新型指數(shù)與傳統(tǒng)植被指數(shù)的分類精度。

在癥狀前階段，傳統(tǒng)植被指數(shù)（NDVI、PSNDa、PSNDb、LICI、CAR等）的平均分類精度（ACA）僅約50%，基本不具備有效的早期識別能力。而新型指數(shù)的表現(xiàn)顯著*越：WFSI?的ACA達到78.90%，WFTI?為73.60%，WFSI?為72.0%，WFTI?為71.0%。WFSI?以近10個百分點的優(yōu)勢領(lǐng)*于其他新型指數(shù)，表明624 nm與865 nm的聯(lián)合使用對癥狀前階段的病害信號具有*強的放大效應。在DS2階段（4-5%病穗率），各指數(shù)的分類精度進一步提升：WFSI?的ACA達到90.10%，WFSI?為90.30%，WFTI?為88.10%，WFTI?為85.40%。上述趨勢在2019、2020和2021三年數(shù)據(jù)中保持高度一致，充分證明了新型指數(shù)的跨年度穩(wěn)定性。

圖9. 所有機器學習分類器（MLCs）與三個小麥生長季中選定植被指數(shù)（VIs）的平均分類準確率（ACA）對比：PSNDaa ～ PSNDb，色素特異性歸一化差值；NDVI，歸一化差值植被指數(shù)；LIC1，利希滕塔勒指數(shù)；CAR，卡特指數(shù)，以及新開發(fā)的指數(shù)：WFSI11 ～ WFSI2，小麥赤霉病光譜指數(shù)；WFTI11 ～ WFTI2，小麥赤霉病紋理指數(shù)。

將四種新型指數(shù)進行數(shù)據(jù)融合后，分類精度獲得進一步提升。在癥狀前階段，2019、2020、2021三年的融合ACA分別達到79.05%、76.75%和78.59%；在DS2階段，融合ACA分別提升至98.06%、89.68%和94.83%。光譜信息與紋理信息的互補融合有效彌補了單一模態(tài)的不足，實現(xiàn)了顯著的增益效果。

圖10. 使用不同機器學習分類器對所有新開發(fā)的指標與所有指標（光譜+紋理）融合進行平均分類準確率比較。

機器學習算法對比與獨立驗證： 在所有分類器中，Xgboost的綜合表現(xiàn)*優(yōu)，在獨立驗證數(shù)據(jù)集（EXP.04，非成像數(shù)據(jù)）上，從DS2階段起多數(shù)病害尺度的分類精度達到100%；神經(jīng)網(wǎng)絡（NN）次之。Xgboost在計算速度、模型可擴展性和內(nèi)存占用效率方面均表現(xiàn)出明顯優(yōu)勢。不同分類器對同一特征的響應存在差異——這一發(fā)現(xiàn)提示，在評估特征和指數(shù)的魯棒性時，不應依賴單一算法，而應采用多分類器集成評估框架。獨立驗證結(jié)果顯示，WFSI?和WFSI?在非成像數(shù)據(jù)上同樣表現(xiàn)出高分類精度，Xgboost在DS2及以后階段多數(shù)達到100%。這一結(jié)果證明本研究所開發(fā)的方法不僅可以用于高光譜成像系統(tǒng)，也可以遷移至更簡單的非成像光譜設(shè)備（如便攜式光譜儀），大大降低了田間應用的技術(shù)門檻。

圖11. 不同機器學習分類器（MLCs）與數(shù)據(jù)集的平均分類準確率（ACA）對比分析。A圖：X軸為MLCs，Y軸顯示各實驗年份（2019、2020和2021）的具體ACA，其中A左為無癥狀期，A右為有癥狀或全部疾病等級（DS1-DS8）。B圖：X軸為MLCs，Y軸分別顯示小波特征（WFs）、紋理特征（TFs）以及WFs+TFs（數(shù)據(jù)融合）的ACA，其中B左為無癥狀期，B右為有癥狀或全部疾病等級（DS1-DS8）。

病害嚴重程度定量估測： 在單變量線性回歸中，WFSI?的建模R2=0.88，獨立驗證R2=0.84、RMSE=14.94；WFSI?的建模R2=0.90，獨立驗證R2=0.83、RMSE=15.15。兩個光譜指數(shù)均表現(xiàn)出優(yōu)異的定量估測性能。紋理指數(shù)WFTI?（R2=0.53）和WFTI?（R2=0.57）的定量估測精度較低，更適合用于分類任務。在多變量回歸中，將四種指數(shù)聯(lián)合作為輸入特征，KnnR取得*優(yōu)結(jié)果——R2=0.91，RMSE=10.81，優(yōu)于RFR（R2=0.90，RMSE=11.70）和SVMR（R2=0.91，RMSE=11.54）。

圖12. 利用EXP.02數(shù)據(jù)集進行校準（圓圈）和EXP.03數(shù)據(jù)集進行驗證（三角形）的新型指數(shù)之間的多變量定量關(guān)系示意圖：小麥赤霉病光譜指數(shù)（WFSI1 和 WFSI2）、小麥赤霉病質(zhì)地指數(shù)（WFTI1 和 WFTI2）與病害嚴重度等級（DS）的關(guān)系：（A）隨機森林回歸（RFR），（B）支持向量機回歸（SVMR），（C）K近鄰回歸（KnnR）。

7. 結(jié)論與啟發(fā)

核心結(jié)論： ①在生化層面，葉綠素含量是FHB感染后最早出現(xiàn)顯著變化的指標（DS1階段，P<0.05），早于含水量和類胡蘿卜素，為光譜檢測提供了明確的生理學靶標。②通過連續(xù)小波變換與年度間交集策略篩選出的4個小波特征（WF???、WF???、WF???、WF???）具有明確的生理學含義和跨年度穩(wěn)定性，其中WF???在癥狀前階段的響應與FHB半活體營養(yǎng)型感染導致的早期組織結(jié)構(gòu)損傷有關(guān)。③新型光譜指數(shù)（WFSI?、WFSI?）和紋理指數(shù)（WFTI?、WFTI?）在癥狀前階段的ACA達到71-79%，在DS2階段達到85-90%，顯著優(yōu)于傳統(tǒng)植被指數(shù)，數(shù)據(jù)融合進一步將DS2階段的ACA提升至98%。④Xgboost在多分類器中表現(xiàn)*優(yōu)，在獨立驗證數(shù)據(jù)集上多數(shù)階段達到100%精度。

可復制的核心技術(shù)點：

一致特征選擇策略。 未將多年數(shù)據(jù)混合后一次性篩選，而是對各年度數(shù)據(jù)獨立分析后取交集，有效排除了單一年份*有的偶發(fā)相關(guān)特征，提升了模型的跨年度可轉(zhuǎn)移性。

光譜-紋理雙模態(tài)指數(shù)開發(fā)。 將光譜信息和GLCM紋理信息分別構(gòu)建歸一化指數(shù)，分別降維后再融合，既保留了“圖譜合一"的核心優(yōu)勢，又避免了高維數(shù)據(jù)輸入帶來的計算復雜度和過擬合風險。

技術(shù)觀察與啟示：

近紅外區(qū)域的價值。 WF???在病穗率僅1-3%時即顯著響應，說明NIR波段對半活體營養(yǎng)型病原菌引起的早期組織結(jié)構(gòu)損傷高度敏感，設(shè)備選型時NIR波段的光譜分辨率與信噪比至關(guān)重要。

紋理特征的前癥狀優(yōu)勢。 癥狀前階段紋理指數(shù)精度高于光譜指數(shù)，提示病害對組織結(jié)構(gòu)的早期損傷可能早于生化組分的可測變化?！霸缙诩y理占優(yōu)、后期光譜占優(yōu)"的規(guī)律可能適用于其他點狀病斑起始的病害。

指數(shù)化對設(shè)備小型化的支撐。 4個指數(shù)僅涉及4個光譜波段及其紋理特征，為開發(fā)窄帶專用傳感器提供了理論依據(jù)，降低了設(shè)備成本和計算負擔。

應用遷移方向： 本研究的方法*框架可遷移至糧食倉儲與食品安全領(lǐng)域——谷物中DON、黃曲霉毒素等真菌毒素的無損快速篩查；在中藥材質(zhì)量控制方面，所建立的“光譜-紋理"雙指標評價體系可為其提供新的質(zhì)量評價范式；在農(nóng)作物病害早期預警方面，本研究的特征選擇和指數(shù)構(gòu)建方法可遷移至水稻稻瘟病、玉米大斑病等其他真菌病害的早期檢測研究。

8. 論文引用信息

1. Mustafa, G., Zheng, H., Khan, I.H., et al. (2024). Enhancing fusarium head blight detection in wheat crops using hyperspectral indices and machine learning classifiers. Computers and Electronics in Agriculture, 218, 108663.

2. Cheng, T., et al. (2010). Detection of Fusarium head blight in wheat using continuous wavelet analysis.

3. Mahlein, A.K., et al. (2013). Development of spectral indices for detecting different plant diseases.

4. Zhang, D.Y., et al. (2020). Integrating spectral and image data to detect Fusarium head blight of wheat. Computers and Electronics in Agriculture, 175, 105588.

5. Zheng, H., et al. (2019). Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery. Precision Agriculture, 20, 611-629.