基于叶片正反面融合光谱数据的大豆病害识别方法研究

《Agronomy》：Research on the Soybean Disease Identification Method Using Fused Spectral Data of the Leaf’s Front and Back Sides

　　

为了探究大豆叶片背面的光谱信息是否有助于提高病害识别模型的准确率，本研究基于叶片正面、背面以及由两者衍生的融合光谱数据，利用机器学习算法建立分类模型。研究首先使用光谱采集系统分别获取叶片正面和背面的光谱信息，并计算两类数据的平均值以生成正反面的融合光谱数据。针对上述三类光谱数据，应用了以下四种预处理方法：Savitaky–Golay平滑（SG）、多元散射校正（MSC）、标准正态变量（SNV）和二阶导数（2nd Der）。同时，引入支持向量机（SVM）、偏最小二乘判别分析（PLS-DA）、卷积神经网络（CNN）、随机森林（RF）和反向传播神经网络（BPNN）五种建模方法建立大豆叶片病害分类模型，旨在为每类数据筛选出识别准确率最高的最优模型。研究结果如下：在基于叶片正面光谱数据的分类模型中，经SG平滑预处理构建的BPNN模型表现最佳，在测试集上的识别准确率为88.89%。在基于叶片背面光谱数据的模型中，MSC-PLS-DA模型被确定为最优模型，在测试集上的准确率为98.61%。在基于叶片正反面融合光谱数据的模型中，MSC-PLS-DA模型同样表现出最佳性能，在测试集上的分类准确率达到100%。其准确率比仅使用正面数据的最佳模型高11.11%，比仅使用背面数据的最佳模型高1.39%，验证了叶片正反面融合光谱信息在提高大豆病害分类模型准确率方面的有效性。因此，本研究为大豆病害的无损、高效、精准检测提供了新途径和理论基础，并为推动光谱技术在农业病害诊断中的实际应用提供了有价值的参考。

大豆作为起源于中国的一年生草本作物，不仅在国内广泛种植，在全世界的种植范围也十分广。其种子富含植物蛋白，是人类获取蛋白质和脂肪酸的重要来源。随着人口持续增长和农业经济发展需求的增加，提高大豆产量和品质变得愈发迫切。然而，病虫害成为影响大豆产量的主要因素之一，过去45年间全球每年因病虫害造成的作物减产达20%至40%，其中大豆平均减产率为21.4%。目前植物病害检测主要依靠人工视觉检查和生物分子方法。人工视觉检查易于受主观因素和环境条件影响导致误判；生物分子方法虽然准确，但对操作技能要求高、处理复杂且破坏样本、时效性差。因此亟需探索快速准确的作物病害检测方法。光谱技术作为无损检测领域的重要手段，因其能够提供植物病害的综合诊断而开辟了新途径。同时，从植物生理解剖学角度看，叶片正面覆盖较厚的角质层和蜡质层，栅栏组织紧密，导致强烈的光学反射；而叶片背面角质层较薄，海绵组织含有大量细胞间隙。此外，病原菌侵入的主要途径气孔多位于叶片背面，导致许多病害的早期症状首先出现在叶片背面。现有研究多关注叶片正面的光谱数据，可能会遗漏叶片背面关键的病害信息，限制模型的识别性能。针对上述问题，研究人员开展了基于叶片正反面融合光谱数据的大豆病害识别研究，论文发表在期刊《Agronomy》上。研究证实了融合叶片正反面光谱信息能够有效提高病害分类的准确率，具有重要的科学意义。

研究队列样本来源：实验样本采集自中国河南省驻马店市正阳县兰青乡大余庄村的农场田块。研究人员选取“汾豆79”品种，共随机选取216株植物并采集完全展开的三出复叶（取自冠层上部），涵盖健康叶片、褐斑病叶片和锈病叶片。关键技术方法包括：1. 使用光谱采集系统获取叶片正面和背面的高光谱数据，并采用逐波长求平均值的方法生成特征级融合光谱数据；2. 使用MATLAB软件对原始光谱进行预处理，包括Savitaky–Golay平滑（SG，一种能够减少光谱噪声的滤波方法）、多元散射校正（MSC，用于消除散射效应和基线漂移）、标准正态变量（SNV，零均值和单位方差归一化处理）和二阶导数（2nd Der，用于消除基线漂移并增强分辨率）；3. 在MATLAB平台上构建五种机器学习分类模型识别大豆叶片病害，包括支持向量机（SVM，基于核函数的分类模型）、偏最小二乘判别分析（PLS-DA，结合PLS与判别分析的统计方法）、卷积神经网络（CNN，包含卷积计算的深度前馈网络）、随机森林（RF，基于集成学习的分类器）和反向传播神经网络（BPNN，按误差逆传播的多层前馈网络）；4. 采用准确率、精确率、召回率和F1分数等基于混淆矩阵的评价指标来评估分类模型的性能。

预处理结果与分析
研究人员通过提取采集样本的光谱数据，获得了对应健康、感染褐斑病和锈病大豆叶片的原始反射率。观察平均光谱曲线发现，在500–740 nm波长范围内，病害叶片的反射率高于健康样本；在740–850 nm范围内，健康样本的反射率高于病害样本。这种显著差异为建立分类模型提供了必要条件。随后利用SG、SNV、MSC和2nd Der四种方法对原始光谱进行处理。研究发现，SG处理后的光谱曲线更加平滑，MSC和SNV有效减轻了散射效应和基线漂移，而2nd Der虽增强了光谱细节，但也放大了高频噪声，产生了锯齿状波形。

基于叶片正面光谱数据的分类模型建立与分析
研究人员使用叶片正面的原始光谱数据建成了五种分类模型。在未预处理状态下，BPNN模型在测试集上的准确率最高，为83.33%。随后使用四种预处理方法处理数据并重建模型，结果显示，在BPNN模型中，采用SG预处理后的数据建立的模型表现最佳，其训练集准确率为98.61%，测试集准确率达到88.89%。值得注意的是，2nd Der预处理导致所有模型出现严重过拟合，测试集准确率大幅下降，不适用于实际应用。因此，SG-BPNN被确定为基于正面光谱识别大豆病害的最优模型。

基于叶片背面光谱数据的分类模型建立与分析
在相同实验条件下，研究人员建立了基于背面光谱数据的各种模型。在未预处理时，各模型在测试集上的准确率普遍偏低，最高仅为72.22%，表现明显差于正面数据，这可能与背面气孔和毛状体造成的信号衰减有关。经过预处理后，MSC预处理方法对背面光谱数据分类性能的提升最为显著。其中，SVM、CNN、RF和PLS-DA模型经MSC处理后，准确率分别提升了26.39%、26.39%、30.55%和26.39%。SVM、BPNN和PLS-DA模型在MSC预处理后均达到了98.61%的测试集准确率。考虑到PLS-DA作为线性分类器计算效率高且结构简单，研究最终选择MSC-PLS-DA作为背面光谱数据的最优分类模型。

基于叶片正反面融合光谱数据的分类模型建立与分析
为了探讨融合策略能否整合两侧互补信息以构建更稳健的模型，研究人员对正反面光谱进行平均融合，并在此基础上建立模型。在未预处理状态下，BPNN模型在融合数据上的测试集准确率达到了84.72%，显著高于其在单面数据上的表现。在进一步引入预处理后，MSC预处理结合融合数据的效果尤为突出。经MSC预处理后，SVM、CNN、BPNN、RF和PLS-DA五种模型在测试集上均达到了100%的准确率，精确率、召回率和F1分数均达到100%。这一结果表明融合光谱数据结合MSC预处理能够完全释放与病害相关的生化信息，成功消除了单面数据的局限性。最终MSC-PLS-DA被选为基于融合数据的最优模型。

三类数据的最优模型性能比较
综合比较三种数据策略的结果，基于融合数据的MSC-PLS-DA模型实现了100%的测试集准确率，比仅使用正面数据的最佳模型准确率高出11.11%，比仅使用背面数据的最佳模型高出1.39%。这充分证明了叶片正反面光谱融合策略能够有效补充和增强光谱信息，提高病害识别的准确度。

讨论
在模型准确性方面，研究证明了光谱技术结合MSC预处理与PLS-DA、BPNN模型在无损识别大豆病害中的有效性。融合数据模型能达到100%准确率的机理在于：叶片正反面的光谱存在互补性，正面主要受色素吸收和表面光学特性影响，背面则更直接反映内部组织的散射特征。两者的互补为病害引起的变化提供了更完整的光谱指纹。同时研究存在一定局限性：数据采集仅来自单一品种和产地的216个样本，模型在不同条件下的泛化性尚未验证；实验在暗室中进行，与田间环境存在显著差异；病害识别单纯依赖视觉评估，未进行病理形态或分子诊断确认；此外，实现叶背双的光谱测量在田间操作耗时较长，成本较高。未来研究应扩大数据集规模并增加样本多样性，结合qPCR或ELISA等检测方法进行病理验证，并开发适用于原位测量的双面光谱采集装置以解决实际应用难题。

研究结论
1. 在基于叶片正面光谱数据的分类模型中，经SG平滑预处理构建的BPNN模型表现最佳，在测试集上的识别准确率为88.89%。
2. 在基于叶片背面光谱数据的模型中，MSC-PLS-DA模型被确定为最优模型，测试集准确率为98.61%。
3. 在基于叶片正反面融合光谱数据的模型中，MSC-PLS-DA模型同样表现出最佳性能，测试集分类准确率达到100%，比仅使用正面数据的最佳模型高11.11%，比仅使用背面数据的最佳模型高1.39%。
综上所述，叶片正反面光谱融合策略在无损识别大豆病害方面展现出巨大潜力，提出了一种高效且易于部署的光谱检测方法，为农作物病害精确诊断中光谱技术的应用以及多表面数据融合策略提供了重要参考。