—— 摘要 ——
研究人員對檢測馬鈴薯晚疫?。?em style="margin: 0px; padding: 0px;">Phytophthora infestans）的高光譜成像越來(lái)越感興趣。由于在野外條件下，尤其是在疾病早期，很難獲得疾病發(fā)展的準確光譜特征，以前的工作主要集中在受控條件下的實(shí)驗室測量。然而，試驗結果從實(shí)驗室外推到田間環(huán)境被證明是困難的。本試驗評估了實(shí)驗室高光譜數據在馬鈴薯晚疫病田間檢測模型中的應用。試驗是從六個(gè)分離的葉盤(pán)構建了一個(gè)高光譜訓練庫，其中包含8585個(gè)光譜，標記為健康類(lèi)別和疾病發(fā)展的五個(gè)進(jìn)展階段。經(jīng)過(guò)平滑和歸一化處理后，70.0%的數據接受了邏輯回歸模型的訓練，30.0%的數據留作驗證。然后，在高和低染病壓力下，對田間條件下兩個(gè)馬鈴薯品種（對晚疫病敏感和抗性）拍攝的12幅高光譜圖像進(jìn)行分類(lèi)。實(shí)驗室數據的分類(lèi)準確率為94.1%，這不足以使用實(shí)驗室收集的數據集檢測田間癥狀。當通過(guò)包含一階導數和采用新的歸一化策略改變光譜預處理時(shí)，新模型導致80.8%的較低分類(lèi)準確率，在標記的實(shí)驗室光譜上得到驗證，但能夠在田間條件下檢測癥狀。視覺(jué)疾病評分與田間疾病模型分類(lèi)結果之間的相關(guān)性得出R2值為0.985?？梢缘贸龅慕Y論是，訓練一個(gè)實(shí)驗室數據模型用于田間疾病檢測是可行的。
—— 引言 ——
作物病害仍然是馬鈴薯生產(chǎn)中的主要產(chǎn)量限制因素。致病疫霉菌（Phytophthora infestans (Mont.) de Bary）引起馬鈴薯晚疫病，是最臭名昭著(zhù)的病原體之一。為了減少與該疾病相關(guān)的巨大社會(huì )經(jīng)濟消耗和環(huán)境成本，科學(xué)家們正在尋求精確施用農藥，這需要關(guān)于整個(gè)田間作物病害狀況的高質(zhì)量、高分辨率數據支撐。
本研究的目的是評估基于實(shí)驗室數據訓練的機器學(xué)習模型在田間疾病檢測中的適用性。實(shí)現這一目的的目標是：（a）基于實(shí)驗室測量構建標記的高光譜訓練庫，（b）基于該數據集訓練機器學(xué)習疾病檢測模型；（c）在野外條件下拍攝的全新、未標記的高光譜圖像上驗證該模型；（d）實(shí)施替代特征選擇和預處理，以提高模型在野外疾病檢測中的性能。
—— 材料和方法 ——
實(shí)驗室測量
圖1顯示了實(shí)驗室條件下高光譜測量的實(shí)驗裝置。一臺推掃式高光譜相機，能夠在400-1000 nm光譜范圍內測量224個(gè)波段的反射率（FX10e相機，芬蘭，奧盧），相機放置在一個(gè)帶有透明蓋子的保護性塑料盒內。傳感器的位置應與移動(dòng)方向垂直，從天頂的角度直接向下測量。傳感器盒兩側安裝了兩個(gè)500 W鹵鎢燈，為高光譜相機提供額外照明。
從Bintje品種的不同馬鈴薯植株上收獲六片分離的葉片，使用釘書(shū)釘（不刺穿植物組織）將其連接到泡沫塑料托盤(pán)上。其中三片葉子接種了一種致病疫霉菌孢子溶液(isolate EU36)，另外三片作為對照。這些托盤(pán)在100.0%濕度和19°C溫度下培養3天，然后將每個(gè)托盤(pán)放在傳送帶上對葉片進(jìn)行高光譜掃描。
病原體在3天后達到活體營(yíng)養階段，可見(jiàn)病變剛剛開(kāi)始形成，但沒(méi)有壞死營(yíng)養或孢子形成。在理想條件下，這個(gè)階段距離新孢子形成大概有1-4天。此時(shí)，葉片相對較大面積沒(méi)有受到影響。在每次測量之前，獲取白色參考掃描（100.0%反射率瓷磚）和暗參考值（通過(guò)關(guān)閉相機快門(mén)實(shí)現）。白色參考用于補償照明條件的變化，而暗參考用于補償傳感器的背景信號。
圖1 實(shí)驗室條件下用于離體葉片實(shí)驗的高光譜傳感器實(shí)驗裝置
田間測量
田間數據在位于比利時(shí)Kruishoutem的跨省馬鈴薯栽培研究中心（PCA）/國際馬鈴薯栽培研究中心進(jìn)行收集，遵循Appeltans等人（Appeltans et al., 2020）描述的方法。使用一個(gè)長(cháng)為3m的可移動(dòng)鋁制測量架從研究中心的致病疫霉菌品種試驗中進(jìn)行了 12 次掃描。測量架位于作物上方，測量高度為作物冠層上方300mm。掃描是通過(guò)使用電動(dòng)機和傳動(dòng)帶將移動(dòng)到作物冠層上進(jìn)行的，使用與實(shí)驗室測量相同的方法進(jìn)行白色和暗參考測量。這些掃描對應于兩個(gè)馬鈴薯品種：Agria，抗晚疫病品種；Fontane，易感晚疫病品種。
對于每個(gè)品種，在晚熟生長(cháng)階段選擇感染程度高和低的地塊，然后于2020年7月30日在每個(gè)地塊的三個(gè)位置進(jìn)行掃描，四個(gè)地塊總共進(jìn)行12次掃描（表1）。表1顯示了四個(gè)測量地塊中每個(gè)地塊的葉面積感染百分比。注意，Agria-A的葉面積感染率在2020年7月20日時(shí)為2.5%，而Agria-B為32.5%，但在7月30日測量時(shí)它們是相同的。值得注意的是，測量是在盛夏進(jìn)行的，平均最高氣溫為30°C，幾乎沒(méi)有降水，這會(huì )使受感染的葉片迅速干燥，并限制感染的傳播。
表1 2020年測量的田間小區中感染葉面積的百分比
四個(gè)地塊各進(jìn)行三次掃描，其中兩個(gè)是Agria品種（Agria-A和Agria-B），兩個(gè)是Fontane品種（Fontane-A和Fontane-B）。附錄'-A'和'-B'分別對應于較低的感染和較高的感染
高光譜庫
訓練數據集是通過(guò)選擇一個(gè)感興趣的區域獲得的，該區域覆蓋一片葉子的7張小葉，包含健康和染病組織。高光譜訓練數據集的光譜屬于健康和染病組織，根據近紅外區域的反射率情況在疾病進(jìn)展過(guò)程中自動(dòng)標記，“健康”對應于高光譜庫中的668 nm波段的反射率介于0和0.17之間；疾病分五個(gè)階段，第一階段0.17-0.19，第二階段0.19-.21，第三階段0.21-0.23，第四階段0.23-0.25，第五階段高于0.25。這個(gè)過(guò)程產(chǎn)生了8585個(gè)光譜的訓練庫。對應于健康和疾病五個(gè)階段的每個(gè)訓練集占整個(gè)訓練集的百分比分別為86.2%、4.7%、3.3%、2.00%、2.1%和1.7%。
建模
圖2顯示了用于實(shí)現實(shí)驗室疾病檢測模型和田間疾病檢測模型的建模過(guò)程。實(shí)驗室疾病檢測模型是一種經(jīng)過(guò)微調的模型，用于在實(shí)驗室條件下拍攝的高光譜圖像上檢測疾病。對田間疾病檢測模型進(jìn)行了微調，以便在田間條件下拍攝的高光譜圖像上檢測癥狀。兩個(gè)模型都在實(shí)驗室條件下采集的同一數據集上進(jìn)行訓練。第一個(gè)預處理步驟是使用白色參考值和暗參考值校正實(shí)驗室原始光譜數據。然后，去除411nm以下和990nm以上的譜帶，因為它們含有太多的噪聲。503 nm及以下波段附近的噪聲和反射輕微升高是由于接種用藍色聚苯乙烯泡沫塑料托盤(pán)產(chǎn)生的高“藍色”反射。使用scikit-learn軟件包中的Savitzky-Golay平滑函數對數據進(jìn)行平滑，然后通過(guò)將光譜除以850和900 nm之間的平均反射率進(jìn)行歸一化。
圖2 疾病檢測建模圖，顯示最終工作流程以及實(shí)現此最終工作流程所需的步驟
使用scikit-learn Python軟件包的train_test_split算法將該數據集分開(kāi)，70.0%（6006個(gè)光譜）用于訓練，30.0%（2579個(gè)光譜）用于模型驗證。這70.0%用于使用scikit-learn Python軟件包的LogisticRegressionCV函數來(lái)訓練邏輯回歸模型，從而產(chǎn)生一個(gè)有監督的機器學(xué)習分類(lèi)器，該分類(lèi)器能夠將每個(gè)圖像像素分為六個(gè)類(lèi)別之一：健康、階段1、階段2、階段3、階段4和階段5。LogisticRegressionCV函數有12個(gè)可能的C參數值作為輸入（0.1,0.5,1,1.5,2,4,10,15,20,30,50,100），算法從中自動(dòng)選擇最佳C值。在這種情況下，算法保留了10的C值。這個(gè)經(jīng)過(guò)訓練的模型被稱(chēng)為實(shí)驗室疾病檢測模型。
使用實(shí)驗室模型對實(shí)驗室數據進(jìn)行分類(lèi)后，進(jìn)行模型調整使模型更適合田間數據的分類(lèi)。從現在起，這種新的、經(jīng)過(guò)調整的模型被稱(chēng)為“田間疾病檢測模型”。為了開(kāi)發(fā)這種田間疾病檢測模型，通過(guò)將光譜除以850-900 nm的平均反射率進(jìn)行歸一化，并進(jìn)行Savitzky-Golay平滑，計算一階導數以消除陰影效應。測試了一系列波段組合、植被指數、特征選擇和光譜預處理步驟（包括1-3階導數）。一階導數被證明是消除陰影影響的唯一可行的預處理策略。因此，最終模型在第一次推導后使用了整個(gè)光譜范圍。
—— 結果 ——
這項工作的主要結果是發(fā)現，基于實(shí)驗室尺度的訓練數據集，可以訓練一種機器學(xué)習算法來(lái)檢測田間下的晚疫病癥狀。然而，建模過(guò)程并不簡(jiǎn)單，需要進(jìn)行修改，使最終模型僅在田間條件下可用（但不再在實(shí)驗室條件下可用）。
圖3顯示了馬鈴薯晚疫病菌感染期間（歸一化和平滑后）高光譜輪廓的發(fā)展。圖3A顯示了健康馬鈴薯組織的光譜輪廓。在680 nm處，葉綠素吸收導致反射率的典型下降是顯而易見(jiàn)的。紅邊區域（700到780 nm之間）的形狀非常清晰，在從可見(jiàn)光區域到近紅外區域的過(guò)渡過(guò)程中，反射率急劇上升。在可見(jiàn)光區域，綠色波段（近550nm）的高反射率清晰可見(jiàn)。圖3B顯示了馬鈴薯晚疫病病變的光譜輪廓。紅邊區域的形狀更不明確，呈現出更為平緩的傾斜。與正常光譜相比，綠色區域的反射率降低。圖3C顯示了馬鈴薯晚疫病病變的橫截面相對應的光譜。在這里，可以看到光譜特征從健康組織到疾病組織的轉變。比較圖3A-C中不同感染階段的光譜，可見(jiàn)光區域的反射率在綠色區域降低，在紅色和藍色區域增加，在近紅外區域增加，這表明隨著(zhù)晚疫病病變的發(fā)展，875 nm之前的反射率值降低，875 nm之后的反射率增加。
圖4更為明顯和詳細地描述了這一發(fā)展，圖4描繪了本研究中開(kāi)發(fā)的馬鈴薯晚疫病預測模型的每個(gè)類(lèi)別訓練集的光譜。通過(guò)計算混淆矩陣來(lái)評估建模精度和分類(lèi)錯誤。實(shí)驗室模型實(shí)現了94.1%的建模精度，在更改模型特征以用于田間疾病檢測后，該精度降至80.8%。
圖5顯示了在高光譜庫上訓練的實(shí)驗室邏輯回歸疾病檢測模型的混淆矩陣。由于訓練數據是從單個(gè)感興趣的區域中選擇的，然后自動(dòng)標記，因此相對較多的訓練樣本對應于“健康”類(lèi)。在評估整體模型準確性時(shí)，這一點(diǎn)很重要，因為可能存在對健康標簽分類(lèi)的偏見(jiàn)。然而，從混淆矩陣來(lái)看，很明顯，無(wú)論類(lèi)別如何，幾乎沒(méi)有錯誤分類(lèi)。
圖3 疾病進(jìn)展過(guò)程中高光譜特征的發(fā)展。A健康馬鈴薯組織的高光譜特征，B馬鈴薯晚疫病病變的高光譜特征，C馬鈴薯晚疫病病變橫截面像素對應的高光譜曲線(xiàn)
圖4 高光譜訓練庫中每個(gè)疾病進(jìn)展等級的馬鈴薯葉片光譜圖，平均光譜以粗體顯示。
圖5 根據全譜實(shí)驗室數據訓練的邏輯回歸疾病檢測模型對應的混淆矩陣。階段1至5代表基于668 nm波段的侵染性支原體疾病進(jìn)展階段
表2 從混淆矩陣得出的感染性支原體實(shí)驗室疾病檢測模型的診斷（以比率給出）
TPR真陽(yáng)性率、TNR真陰性率、PPV精密度/陽(yáng)性預測值、NPV陰性預測值、FPR假陽(yáng)性率、FNR假陰性率、FDR假發(fā)現率、ACC準確度
實(shí)驗室模型的整體模型精度為94.1%。表2顯示了從混淆矩陣（圖5）得出的每類(lèi)實(shí)驗室疾病檢測模型的診斷結果。每個(gè)類(lèi)別的檢測準確率為95.0%或更高。第2階段和第3階段的假陰性率（FNR）最高，分別為15.0%和12.0%，表明這一數量的群體被錯誤分類(lèi)。注意，錯誤分類(lèi)是模型錯誤標記特定光譜的結果。
為了進(jìn)一步評估分類(lèi)性能，通過(guò)對用于高光譜庫建設的高光譜圖像的每個(gè)像素進(jìn)行分類(lèi)來(lái)生成分類(lèi)圖像。研究并檢查了該圖是否存在異常，還研究了疾病在整個(gè)葉片中的傳播。圖6顯示了實(shí)驗室模型對藍色泡沫塑料托盤(pán)的高光譜圖像進(jìn)行的分類(lèi)，托盤(pán)中含有接種了馬鈴薯晚疫病菌的馬鈴薯植株的分離葉片。圖6A顯示了完全分類(lèi)的圖像，而圖6B顯示了單個(gè)感染性瘧原蟲(chóng)病變的特寫(xiě)。圖6C顯示了分離葉片托盤(pán)的正常RGB圖像，僅疊加了階段1和階段2像素。圖6D顯示了病變的特寫(xiě)RGB圖像，再次與1期和2期疾病像素疊加，以可視化高光譜相機檢測到的病變（1至5期）覆蓋的區域大于RGB圖像中肉眼可見(jiàn)的深棕色斑點(diǎn)。
為了評估在實(shí)驗室條件下訓練的疾病檢測模型在野外條件下的性能，為野外條件下測量的所有高光譜圖像構建了分類(lèi)圖像，通過(guò)檢查田間高光譜圖像上可見(jiàn)的晚疫病癥狀分類(lèi)來(lái)評估模型性能。圖7顯示了在野外條件下測量的12幅高光譜圖像的代表性圖像的logistic回歸實(shí)驗室疾病檢測模型分類(lèi)（表1）。圖7A顯示了從高光譜數據立方體中獲取的RGB圖像。請注意，RGB圖像中的白色區域代表土壤像素，由于這些區域的低反射率和大量噪聲，這些像素看起來(lái)很亮。在歸一化步驟中，該低反射率被轉換為高反射率（未顯示數據）。盡管視覺(jué)疾病評估（表1）證實(shí)了癥狀的存在，但實(shí)驗室模型并未成功識別疾病。
圖6 實(shí)驗室條件下，在感染馬鈴薯晚疫病菌3天后測量的托盤(pán)分離馬鈴薯葉片的高光譜圖像分類(lèi)。A分類(lèi)圖像，B感染支原體病變特寫(xiě)，C階段1和階段2疊加在超立方體的正常RGB圖像上，顯示可見(jiàn)的深棕色病變，周?chē)屑膊z測模型分類(lèi)的紅色和黃色區域
圖7 使用實(shí)驗室檢測模型對田間采集的12次掃描的代表性高光譜圖像進(jìn)行分類(lèi)。A為RGB圖像，B分類(lèi)圖像
在調整建模和預處理策略以開(kāi)發(fā)田間疾病檢測模型后，再次生成田間掃描的分類(lèi)圖像，以重新評估模型性能。圖8顯示了在野外條件下進(jìn)行的12次掃描的代表性高光譜圖像（表1），按照改進(jìn)的田間疾病檢測模型進(jìn)行分類(lèi)。田間疾病檢測模型的分類(lèi)精度降低（從94.1%降至80.8%），但提高了田間測量的分類(lèi)性能。圖8A顯示了從超立方體導出的RGB圖像。圖8B顯示了分類(lèi)結果。很難區分第一階段、第三階段和第五階段之間的疾病，但第四階段的分類(lèi)似乎準確地涵蓋了田間視覺(jué)上存在的癥狀。
結果表明，盡管調整后的疾病檢測模型在田間條件下表現合理（圖8），但它無(wú)法對原始實(shí)驗室數據集進(jìn)行分類(lèi)（圖9）。圖9顯示了通過(guò)田間疾病檢測模型對離體葉片數據集（在實(shí)驗室獲得）的分類(lèi)。
為了表明該模型在田間條件下繪制疾病圖譜的有效性，由訓練有素的技術(shù)人員將分類(lèi)圖像與傳統的視覺(jué)評分進(jìn)行比較。圖10將田間疾病檢測模型的分類(lèi)與田間技術(shù)人員確定的疾病評分進(jìn)行了比較。技術(shù)人員的結果與方程式1的模型結果之間存在線(xiàn)性回歸，R2值為0.985。
y = 0.7894x ? 1.8175 (方程式1)
y為模型結果，x為技術(shù)人員的結果。這表明技術(shù)人員獲得的結果高估了作物的病害嚴重程度，或者模型低估了病害嚴重程度。注意，由于僅包括4個(gè)圖（對應于12個(gè)高光譜圖像），且只有3個(gè)不同的疾病嚴重程度，該R2值僅指示模型輸出和視覺(jué)評分結果之間的相關(guān)性，還需要進(jìn)一步確認。
圖8 使用田間采集的12次掃描的代表性高光譜圖像的經(jīng)調整的田間邏輯回歸檢測模型對高光譜圖像進(jìn)行分類(lèi)。A超立方體獲得的RGB圖像，B分類(lèi)圖像
圖9 使用改進(jìn)的田間邏輯回歸疾病檢測模型對實(shí)驗室數據進(jìn)行分類(lèi)。A分離的土豆葉的托盤(pán)，B病損特寫(xiě)
圖10 技術(shù)人員和田間疾病檢測模型測量的四個(gè)地塊的平均疾病嚴重程度的比較。
—— 結論 ——
當前工作的結果強調了利用實(shí)驗室數據訓練馬鈴薯晚疫病菌田間疾病檢測模型的困難性。期間開(kāi)發(fā)了兩個(gè)模型，一個(gè)模型能夠對實(shí)驗室數據進(jìn)行分類(lèi)，準確率為94.1%，但無(wú)法對田間條件下拍攝的圖像進(jìn)行分類(lèi)，另一個(gè)模型經(jīng)過(guò)調整，在田間條件下表現更好，但準確率降低了80.8%，并高估了實(shí)驗室掃描的癥狀。經(jīng)過(guò)實(shí)驗室訓練的模型在實(shí)驗室數據方面表現良好，能夠在實(shí)驗室檢測到早期的、可見(jiàn)的癥狀。然而，該模型無(wú)法對田間數據進(jìn)行分類(lèi)。經(jīng)過(guò)調整的田間檢測模型（也根據實(shí)驗室數據進(jìn)行了訓練）能夠在田間條件下對感染后期進(jìn)行分類(lèi)，但在實(shí)驗室數據上表現不佳，突出了兩種數據類(lèi)型之間的差異?？梢缘贸鼋Y論，根據實(shí)驗室數據開(kāi)發(fā)一個(gè)在一定程度上適用于田間條件的模型是困難的，但并非不可能。作者建議考慮創(chuàng )建一個(gè)高光譜訓練庫，將田間數據或至少溫室和實(shí)驗室數據融合在一起。這種混合模型結合了實(shí)驗室條件下收集早期疾病發(fā)展信息的優(yōu)勢，以及獲得田間數據的噪聲和干擾因素信息的優(yōu)勢。
原文信息：
Appeltans, S., Pieters, J.G. & Mouazen, A.M. Potential of laboratory hyperspectral data for in-field detection of Phytophthora infestans on potato. Precision Agriculture, 2021: 1-18.
擴展閱讀：