基于自主地面机器人开展种薯冠层马铃薯Y病毒、马铃薯卷叶病毒及黑胫病的田间高光谱检测

《Smart Agricultural Technology》：In-field hyperspectral detection of Potato virus Y, Potato leafroll virus and blackleg in seed potato canopies using an autonomous ground robot

　　

马铃薯Y病毒(PVY)、马铃薯卷叶病毒(PLRV)及黑胫病复合体（果胶杆菌属Pectobacterium spp.和迪基氏菌属Dickeya spp.）是导致种薯生产中多数季内认证降级的主要病原。荷兰采后控制最近已将约三分之一的受检种薯面积降级。防控依赖人工拔除，这劳动密集，且本质上无法识别不表现可见症状的受感染植株。TraitSeeker自主地面机器人搭载受控照明下共配准的可见光-近红外(VNIR，400–1000 nm)和短波红外(SWIR，900–1700 nm)传感器，于2024年生长季在荷兰莱利斯塔德对自然感染的商业品种在三个物候阶段进行了成像，产生了572个植物级图斑，空间分辨率为0.003米/像素。标签由认证检查员通过目视评估分配，未经分子确认。检测被构建为聚合三种病原的二分类任务，采用两种真值方案：采集时的目视评估，以及时间重标注参考。后者中，在下次访查发现症状的植株被重新标注为患病，以减弱目视检查的标签噪声。经Savitzky–Golay平滑和求导、散射校正及主成分分析后，在五种特征表示上比较了四种分类器，以平衡准确率作为选择标准。最佳模型在标准标签下达到0.82的平衡准确率，在时间重标注参考下达到0.84。由于两项任务使用相同队列且仅标签不同，较高的数值表明重标注恢复了目视检查划归健康类别的部分感染信号。然而，两种方案的95%置信区间重叠。部署以及声称症状前检测之前，需要分子确认和多季节数据。

**论文解读：基于自主地面机器人的种薯冠层病毒与黑胫病高光谱检测研究**

**研究背景与问题**

马铃薯Y病毒(PVY)、马铃薯卷叶病毒(PLRV)以及由果胶杆菌属(Pectobacterium spp.)和迪基氏菌属(Dickeya spp.)引起的黑胫病复合体，是种薯生产中导致季内认证降级的最主要病原。荷兰近年采后控制显示，约三分之一的受检种薯面积被降级，2023年降级率接近31%，2025年初检达到35%。目前田间防控主要依赖人工拔除，该措施劳动密集（每公顷约6.2小时），且在冠层郁闭后难度增加，尤其无法识别无症状或症状轻微的带毒植株。高光谱成像(HSI)已被证明可检测多种作物病害，但田间研究多集中于PVY，缺乏针对PLRV和黑胫病的检测；无人机(UAV)平台分辨率不足，难以进行单株诊断；且模型训练所用目视标签本身含有噪声，限制了检测能力。为此，研究人员将自主地面机器人TraitSeeker与时间重标注真值相结合，构建了针对三种病原的统一田间检测流程。

**研究内容与总体结论**

研究人员于2024年生长季在荷兰莱利斯塔德两个商业品种'Rudolph'和'Jacky'田中，利用TraitSeeker机器人搭载共配准的VNIR和SWIR高光谱传感器，在三个物候期采集自然感染植株图像。通过实时动态差分全球定位系统(RTK-GPS)坐标追踪，最终获得572个植物级图斑，分辨率0.003米/像素。标签由荷兰通用检验局(NAK)认证检查员目视判定，并构建了时间重标注真值：将后续访查中表现症状的植株在早期时间点重新标注为患病。经光谱预处理和主成分分析(PCA)后，比较了支持向量机(SVM)、随机森林(RF)、偏最小二乘判别分析(PLS-DA)和多层感知器(MLP)四种分类器及五种特征表示。最佳模型在标准目视标签下平衡准确率为0.82（95%置信区间0.74–0.89），在时间重标注参考下为0.84（95%置信区间0.77–0.91）。由于两项任务仅标签不同，较高数值表明时间重标注可能减弱了目视检查的噪声，但置信区间重叠使差异不具统计显著性。该研究首次将机器人田间高光谱成像与时间重标注真值结合，为种薯生产中多病原的自动化检测提供了可行方案，但部署前仍需分子验证。

**关键技术方法**

研究人员使用了TraitSeeker自主地面机器人，其搭载Specim FX10 VNIR和FX17 SWIR摄像头，在主动冷却卤素照明阴影罩下成像以保证光照一致。图像利用RTK-GPS和惯性导航系统(INS)数据通过地理空间数据抽象库(GDAL)进行非刚性地理配准。冠层分割采用再归一化差值植被指数(RDVI)和全球植被水分指数(GVMI)结合Otsu阈值与形态学重建，并依据距质心距离加权提取中央生长区光谱。光谱预处理包括去除水吸收带（960–990 nm和1350–1450 nm）、Savitzky–Golay平滑及一阶/二阶导数、乘性散射校正(MSC)和标准正态变量(SNV)，再按波段标准化。除RF外，模型输入均经PCA降维，主成分数通过三次交叉验证结合一倍标准差规则确定。

**研究结果**

**4.1 光谱特征与特征提取分析**
健康与患病植株的平均冠层反射光谱在VNIR和SWIR区域高度重叠，无显著视觉差异，表明判别信号幅度低且分布广。为捕捉这种微弱信号，研究人员构建了五种特征组合（A：反射率加一阶和二阶导数；B：一阶加二阶导数；C：仅平滑反射率；D：仅一阶导数；E：仅二阶导数），并用于后续分类比较。

**4.2 症状植株的分类（标准检测）**
在基于采集时目视症状的标准标签下，SVM使用二阶导数特征（Battery E）和50个主成分，取得最佳平衡准确率0.8192（95%置信区间0.738–0.892），准确率0.8435，F₁分数0.8424。其他分类器和特征表示的平衡准确率介于0.75–0.82，差异处于采样不确定性范围内，说明可见症状信号可被多种标准方法获取，而非依赖特定算法。

**4.3 时间重标注下的检测**
在时间重标注真值下，MLP使用平滑反射率特征（Battery C）和60个主成分，取得最佳平衡准确率0.8449（95%置信区间0.773–0.911），准确率0.8522，F₁分数0.8515。其余配置的平衡准确率介于0.72–0.84。MLP和RF在重标注下性能提升，SVM和PLS-DA略降，但总体上无分类器损失显著诊断能力，表明与后期症状表达相关的信号携带在低幅度、分布式的反射率变化中。

**讨论总结与结论翻译**

讨论部分指出，多种分类器性能相近，说明判别信号源自冠层光谱本身，而非特定模型；时间重标注的数值提高与减弱目视标签噪声的预期一致，但置信区间重叠无法统计确认。视觉参考自身的噪声（如无症状感染）会限制报告准确率，因此结果应视为保守。不同特征表示在两种任务中表现不同，但差异不显著。研究设计的优势包括使用自然感染商业种薯、跨三个物候期采集、确定性分割算法及受控照明，局限则在于缺乏酶联免疫吸附测定(ELISA)或逆转录聚合酶链反应(RT-PCR)的分子确认、单季单点、数据集规模有限，且患病类聚合三种病原而无法区分各自贡献。未来需分子验证、多季节多地点数据及更广品种样本来确认泛化能力。

翻译研究结论部分如下：这项研究将机器人田间高光谱成像与时间重标注真值相结合，在开放田间条件下检测种薯冠层中感染PVY、PLRV或黑胫病复合体（果胶杆菌属和迪基氏菌属）的植株。在TraitSeeker地面机器人平台上，搭载受控卤素照明下的共配准VNIR和SWIR传感器，患病植株与健康植株的区分在专家目视标签下平衡准确率为0.82（95%置信区间0.74–0.89）。线性、核方法、集成和神经分类器达到相近准确率，表明判别信号存在于冠层光谱而非特定算法中。特征表示之间的差异在估计的采样不确定性范围内。在时间重标注参考下，最佳模型达到平衡准确率0.84（95%置信区间0.77–0.91）。由于两种方案仅标签不同，该结果与时间重标注减弱了部分目视检查误差相一致。然而，重叠的置信区间不能从统计上区分两种方案。没有分子确认，结果表明冠层光谱与后期症状表达之间存在关联，但不能证明症状前检测。由于目视参考本身有噪声，报告准确率应视为保守。由此产生三项后续工作：第一，用ELISA或PCR确认代表性亚样本的感染状态，量化目视参考误差，确定是否以及多早能在症状出现前检测到感染；第二，需要覆盖更广品种的多季节、多地点数据来确认模型泛化；第三，在此类数据集上进行重复、按植株分组的验证，以更完整地表征估计的变异性。只有完成这些步骤，该系统才能与GPS引导拔除整合到实际种薯生产中。