《Seeds》：Differentiation of Plant-Pathogenic Fungi in Soybean Seeds Using Hyperspectral Sensors
编辑推荐：
高光谱传感器已成为植物病害研究中的一种有前景的方法。本研究旨在利用高光谱传感器结合机器学习区分健康种子与接种种子，并区分大豆种子中植物病原真菌的属级差异。试验采用完全随机析因设计，涵盖六种算法（简单逻辑回归（Simple Logistic Regression
高光谱传感器已成为植物病害研究中的一种有前景的方法。本研究旨在利用高光谱传感器结合机器学习区分健康种子与接种种子，并区分大豆种子中植物病原真菌的属级差异。试验采用完全随机析因设计，涵盖六种算法（简单逻辑回归（Simple Logistic Regression，SL）、支持向量机（Support Vector Machine，SMO）、人工神经网络（Artificial Neural Network，ANN）、随机森林（Random Forest，RF）、REPTree 决策树（Decision Tree，DT）和 J48 决策树）与四种病原真菌（Sclerotinia sclerotiorum、Macrophomina phaseolina、Rhizoctonia solani 和 Colletotrichum sp.）及对照。种子光谱分析使用 Ocean Optics 分光辐射计，由 NIR 与 Flame 两个传感器组成，覆盖 350–2500 nm 波段。基于各光谱特征（spectral signature），可区分健康与接种种子并识别病原类型。SL 与 SMO 算法表现最佳。高光谱传感器结合机器学习构成了一种有前景的种子病原检测工具，可实现快速、非破坏性分析，可作为传统诊断方法（准确但耗时且依赖专业人员）的互补替代方案。
研究背景方面，大豆栽培中经济影响最大的病害多与种传病原相关，即使少量繁殖体也可将病原引入无病区并形成初侵染中心，复发接种显著推高病害发生与严重度。大豆种子微生物区系以真菌为主，可经系统侵染及成熟、收获、储藏期外源污染附着。传统检测如基于培养的活力健康检验、镜检，以及色谱、质谱、X 射线、热成像与分子工具虽灵敏，但前处理复杂、耗时长、成本高且依赖专业人员和实验室条件。高光谱技术可在 350–2500 nm 获取窄带（<10 nm）连续光谱，凭借材料化学与物理结构差异反映吸收/反射特征，具备样品制备少、非破坏、速度快、可规模化自动化的优势，因此研究人员开展本研究以验证其在大豆种子健康判别与病原属级识别中的可行性。论文发表于《Seeds》。
关键技术方法上，研究人员使用 2024/2025 季巴西马托格罗索州 Chapad?o do Sul 产区大豆，以 blotter test 判定健康种子，分别用 Sclerotinia sclerotiorum（SS）、Macrophomina phaseolina（MP）、Rhizoctonia solani（R2）和 Colletotrichum sp.（Collet）在 PDA 培养基扩繁后接种，设对照共 5 类、每类 20 重复合计 100 样本。光谱采集用 Ocean Optics 分光辐射计（NIR+Flame 传感器，350–2500 nm，硫酸钡白板校准，OceanView 2.0 记录），仅做可视噪声剔除不做平滑/导数等预处理，反射率矩阵 Z-score 标准化。建模采用 Weka 3.8.5 默认参数（ANN 为两层各 10 神经元），六算法（SL、SMO、ANN、RF、REPTree、J48）作 10 折分层交叉验证重复 10 次（每模型 100 运行），以正确分类率（Correct Classification，CC）、Kappa、F-score 评价并用 Tukey 5% 检验，按 SL/SMO 系数模长均值排序选前 10 波段。
研究结果部分，3 节结果显示病原引起种子反射率变化，可见区（400–700 nm）差异明显，2300 nm 后健康与接种曲线趋同。3.1 节健康 vs 接种二分类中，SMO 与 SL 的 CC 超 80%，Kappa 近 0.6，F-score 最高，DT/J48/RF/ANN 显著更差（Kappa<0.2 或 0.3–0.35）；混淆矩阵显示 SL/SMO 对接种种子正确归类 78 例。前 10 重要波段以可见区为主，另含 2402 nm（SMO）与 2115 nm（SL）。3.2 节五类（对照+4 病原）多分类中，SL 平均 CC 近 70% 最高，SMO 次之，DT/J48/RF/ANN 近或低于 40%；SL 与 SMO 的 Kappa 与 F-score 仍领先（SL Kappa 高于 SMO），其余四算法 Kappa<0.2；混淆矩阵佐证 SL 最优。多分类前 10 波段中可见区 300 nm 附近突出。
讨论部分指出，病原取食储藏组织引发色素异常、叶绿素/坏死组织更替及菌丝/分生孢子/菌核等结构，改变化学组成与 O–H、C–O 键振动，从而在可见区与短波红外（SWIR，1300–2500 nm，尤 2000–2500 nm 水吸收与干物质组合带）形成特异光谱特征；SS 菌核、MP 微菌核、Colletotrichum 分生孢子及 R2 色素菌丝均贡献差异。多分类因光谱签名（spectral signature）差异细微对模型判别力要求更高。结果与激光生物散斑、RGB 菌落图像结合机器学习的已有研究一致。研究人员计划用田间自然感染种子扩大样本进一步验证。
结论部分翻译：植物病原真菌定殖大豆种子引起的生理生化变化导致光吸收显著变异，体现在可见光谱（400–700 nm）与短波红外光谱（2000–2500 nm）的光谱曲线中。高光谱传感器结合机器学习算法可依据各光谱特征区分健康与接种种子并识别病原类型，SL 与 SMO 在二分类与多分类中均表现最佳。该工具可实现快速、非破坏性分析，有望作为传统实验室诊断方法（准确但耗时且依赖专业人员）的高效互补替代方案。
