引言

2019 年我國食用菌總產量達3934萬t，總產值高達3127億元。雙孢蘑菇是食用菌最主要的栽培品種之一，在全球60多個國家和地區都有種植生產。雙孢蘑菇的短生長周期、快繁殖、大數量等特點使得其經濟價值廣受菇農認可。但在菇房種植過程中，由于機械化程度低、管理欠妥等問題，雙孢蘑菇不可避免會遭受病害的侵襲。雙孢蘑菇真菌病疣孢霉病，又稱褐腐病、濕泡病，是危害雙孢蘑菇的世界性病害。有害疣孢霉菌是該病的致病真菌，在我國長江以南的種植區域廣為流行，嚴重影響著我國雙孢蘑菇菇房的生產效益。由于雙孢蘑菇疣孢霉病與寄主、病原菌、傳播媒介及菇房培養環境條件均有關系，且發病潛伏期長、傳染快，存在使健康菇無法正常成長的問題，有經驗的菇農最快也要在雙孢蘑菇子實體小菇期后才能鑒別染病與否；或者采用內源轉錄間隔區（ITS）基因片段的聚合酶鏈式反應（PCR）鑒定以及傳統的柯赫氏法則待菇體出現損耗后進行檢測。這些方法往往因為時效性差導致病菇傳染速度大于遏制速度。因此，在早期對雙孢蘑菇疣孢霉病進行快速、無損的檢測識別，能夠幫助菇農及時發現菇房染病雙孢蘑菇，提醒菇農及時采取止損措施，阻止病害繼續擴散，從而保證菇房的雙孢蘑菇產量與品質，保障菇農的正 常經濟收益。

國內外學者采用無損檢測技術對雙孢蘑菇內部品質開展了不同研究，高光譜成像技術能同時獲取雙孢蘑菇的光譜和圖像信息，具有信息量豐富、檢測便捷、無損等優點，被廣泛應用于農作物病害檢測。例如 Parrag 等利用高光譜成像技術檢測雙孢蘑菇子實體成熟期的蜘蛛網病（由樹枝狀真菌引起），利用SVM建模成功分離出蜘蛛網病感染樣本，每組樣本的正確率均在80%以上；Gaston等利用可見-近紅外高光譜成像技術對雙孢蘑菇子實體成熟期菌蓋上的褐斑病 （細菌性病，無害）進行識別研究，對正常、機械 損傷及在運輸或儲存時被微生物腐敗后的雙孢蘑菇建立識別模型，使用決策樹將雙孢蘑菇分類，分類的準確度能在95%以上。結果表明高光譜可以用于檢測并對蘑菇不同類型的損傷進行快速、自動的分類。

現已有很多基于高光譜成像技術對雙孢蘑菇子實體成熟期時含水率、新鮮度和 損傷情況的預測研究，但目前針對雙孢蘑菇病害研究都是在子實體生長的中后期，原基期至小菇期時的早期雙孢蘑菇可能處在菌絲生長階段，其菌蓋無法用肉眼辨別。故采用高光譜成像技術獲取早期 雙孢蘑菇各個生長周期的病害光譜信息，以實現雙孢蘑菇病害的早期診斷。本研究擬基于高光譜成像技術，在雙孢蘑菇生長早期 （小菇期之前）對雙孢蘑菇疣孢霉病進行檢測識別，能夠發現染病雙孢蘑菇的同時，還能夠減少農藥使用、農藥超標、土壤污染等環境問題。為消除高光譜圖像數據在采集過程中，可能存在光譜曲線 錯誤旋轉、基線漂移和圖像變形等不利因素造成的噪聲信號大而過擬合，本研究對采集的高光譜數據進行預處理，并選擇最優預處理算法。對比不同建模方法結合預處理方法，通過定性評價標準選擇最終的病害鑒別模型，為開發雙孢蘑菇疣孢霉病早期 鑒別設備提供參考。

2、材料與方法

2.1 實驗材料

雙孢蘑菇菌菌種為W192，疣孢霉菌種為My.p0012，均由福建省農業科學院食用菌研究所提供。

2.2 方法

2.2.1 雙孢蘑菇的培養

將播種、裝袋后的雙孢蘑菇放入人工氣候培養箱中培養，初始設置溫度22 ℃，相對濕度90%，無光照。待菌絲能夠長滿90%栽培 料時（約兩周）進行覆土處理，以福建省農業科學院食用菌研究所的土料覆蓋栽培料約2.5cm為覆土層高。參考郭倩等研究的成果，此時調整人工氣候培養箱內的環境為溫度20℃，濕度 85%，無光照。待菌絲長到2/3覆土層時（約覆土后7～10d）， 調整人工氣候培養箱內的環境為溫度20℃,相對濕度90%，無光照，等待出菇。培養期間每天早晚通風1h。

2.2.2 雙孢蘑菇染病接種

將有害疣孢霉菌在馬鈴薯葡萄糖瓊脂培養基（PDA）上,于25℃ 恒溫暗箱中培養7d。于無菌操作臺內用超純水將PDA培養基上的有害疣孢霉菌孢子洗下，制作成孢子懸液，并用血球計數板檢查 有害疣孢霉菌孢子懸液為1.0×105個mL?1。待雙孢蘑菇菌絲長到2/3覆土層時，將5mL 有害疣孢霉菌孢子懸液均勻噴灑在覆土層表面。

2.2.3 病菇鑒定

在無菌臺內將病菇上的褐色液滴和病菇切片分別放置在PDA平板培養基內并封口后，于25 ℃恒溫培養箱中培養。5d后，在顯微鏡 下挑出菌絲并純化，觀察是否有發黃、凋零現象。也可通過菌蓋大小來判斷，處在同一時期的雙孢蘑菇，與健康樣本的菌蓋直徑相比，染病樣本的菌蓋直徑較短。

2.2.4 高光譜圖像獲取

高光譜成像系統（見圖1）主要包括內置推掃高光譜成像儀、4 個 50W鹵鎢燈光源、樣品升降臺及平板電腦等。為保證采集的高光譜圖像清晰，避免失真現象，調試確定物鏡距離、CCD相機曝光時間和推掃移動速度。經過反復調試，最終確定物鏡高度為 30cm，CCD 相機曝光時間為70ms，相機推掃移動速度為 1.30 mm·s?1。分別采集健康雙孢蘑菇早期子實體菌蓋的可見/近紅外高光譜圖像（401～1046 nm，分辨率2.8nm）后提取感 興趣區域（Region of interest，ROI）的平均光譜數據。由于感興趣區域為菌蓋周圍部分，故感興趣區域提取形狀選擇橢圓形，逐一選取圖像樣本的ROI后利用新區域（New Region）疊加待提取數據的樣本圖像區域，最后在401～1046 nm 波段下提取所有圖像感興趣區域的光譜數據。為清除由于傳感器暗電流等原因產生圖像中的噪音，將采集到的原始高光譜圖像利用標準反射白板和黑暗背景下高光譜圖像數據校正，如公式 1 所示

I = I0? B /W ? B (1)

式中：I——校正之后的高光譜圖像數據；I0——原始的高光譜圖像數據；B——黑暗背景下的高光譜圖像數據；W——標準反射白板的高光譜圖像數據。

2.2.5 診斷模型

隨機森林分類器（RF）是一種集成分類器，對于異常值和噪聲有良好的容忍度，隨機選擇的訓練樣本子集和變量后，生成多個決策 樹，其具體執行步驟見參考文獻。本研究隨機森林通過設定500 顆決策樹對分類結果進行投票，例如，當對健康樣本的投票數高于對染病樣本的投票數時，隨機森林就將這個變量確定為健康樣本。支持向量機（SVM）的基本原理是將原始特征空間映射到更高維度的空間，使得數據線性可分，這種轉換是通過對原始數據應用內核函數來隱式執行的。本研究采用徑向基函數（RBF）核函數結合 網格法優化參數，使建模結果最佳。對于二分類的分類目標是尋找最優超平面，得到正確分類結果并使分類間隔最大。極限學習機（ELM）由Huang等提出，優化了傳統的單隱含層前饋神經網絡。不同于傳統的神經網絡，ELM 無需迭代調整參數，能夠自動實現參數調優。ELM隨機分配隱含層的權值和偏差值，通過解簡單的方程式確定最終的輸出權值 ，計算速度快。

圖 1 可見/近紅外高光譜成像系統

可以由算法隨機設定輸入層和隱含層的連接權值以及隱含層的閾值，在設定完成后，不 需要反向調整。在保證學習精度的前提下，泛化性能滿足需求。通過定性評價指標：樣本識別準確度（見公式2），針對分類問題判斷所建模型對樣本分類的效果。準確度越高，該模型對輸入樣本的分類完成的越好。

樣本識別準確度 = 正確分類樣本數輸入樣本總數 ×100% (2）

3、結果與分析

3.1 平均光譜曲線分析

采集原基期、菇蕾期、幼菇期、小菇期的健 康、染病雙孢蘑菇高光譜圖像，各個生長周期約1～2d。小菇期后染病雙孢蘑菇病害特征較為明顯， 菌蓋表面出現褐變等患病癥狀，因此將接種后7～ 11d 內的樣本認定為早期。獲取菌蓋部分的ROI高光譜圖像，最終獲得共400個高光譜圖像的ROI光譜數據樣本，具體見表 1。

表1樣本信息

本研究采用401～1046nm 波長范圍，共360個波段做進一步研究。健康和染病雙孢蘑菇高光譜平均光譜曲線如圖2所示，健康和染病雙孢蘑菇的高光譜曲線輪廓在原基期和菇蕾期較為相似，隨著蘑菇的生長，在幼菇期后健康雙孢蘑菇能夠長出光滑白凈的子實體，其對應反射率逐漸提高，而染病雙孢蘑菇從小菇期開始發病癥狀顯現，菌蓋表面由于有害疣孢霉菌的侵染產生不規則褐斑。

圖2健康和染病雙孢蘑菇高光譜平均光譜曲線

染病雙孢蘑菇光譜反射率與健康雙孢蘑菇光譜反射率的差異主要體現在401～450nm 的紫光波段附近和800～1046nm的近紅外波段范圍。400～500nm是紫光波段范圍，此時物質反射率越高，則對紫光的吸收就越多，呈現出的黃色就越深，發病癥狀越顯著。由于水的O-H在960nm 處的合頻吸收，C-H 在800～900nm區域的第三倍頻吸收，N-H在1000～1100nm區域的第二倍頻在這個區域的吸收比較弱，表明有害疣孢霉菌對雙孢蘑菇的侵染還使得其內部含水率發生了變化。

3.2 預處理

如圖3可見SG卷積一階求導處理后，消除干擾的同時在1000～1100nm范圍內引入了一定噪聲；SG 卷積平滑處理后，光譜曲線較為平滑，噪聲信號有所降低；多元散射校正（MSC）處理后，光散射和基線漂移等問題得到明消除。

3.3 鑒別模型

將預處理后的高光譜數據用于建立基于高光譜成像技術的雙孢蘑菇疣孢霉病早期檢測模型，將樣本按 2∶1的比例劃分為測試集和預測集，得到測試集樣本共267個，預測集樣本共133個，最終定性評價的結果如表2所示。其中，結果最好的為MSC-SVM 模型，測試集和預測集總體樣本識別準確度為 92.21%和91.04%。在無預處理的全波段建模結果 中，測試集樣本總體識別準確度在85%以上，預測 集樣本總體識別準確度在87%以上。

表2不同預處理與不同建模方法結果

在經過MSC法 對原始光譜數據進行預處理后RF建模預測集準確度由88.06%提升至89.34%，SVM 建模預測集準確度由87.38%提升至91.04%，SG 卷積一階求導后ELM 建模預測集準確度由89.62% 提升至90.93%。表明MSC能夠有效去除冗余信息，提高檢測準確度。經過MSC預處理后，SVM 建模的測試集和預測集染病樣本識別準確度較RF和 ELM建模結果好，分別提至91.71%和 91.52%，這可為在線監測設備的研究提供依據。模型預測集分類結果如圖4～6所示。

圖3雙孢蘑菇高光譜曲線

圖4隨機森林分類結果

圖5SVM分類結果

圖6ELM分類結果

由圖4可以觀察到，500顆決策樹對每個樣本的投票結果都往兩端聚集，僅有少量樣本投票結果在誤差框（虛線框）內，表明樣本特征較明顯，隨機森林能夠將樣本特征提取，并以此作為分類依據，得到良好的分類結果。對比不同模型的預測集總體樣本識別準確度，MSC預處理過后的隨機森林分類模型比無預處理、SG卷積平滑和SG卷積一階求導的準確度提升的百分比多，說明MSC預處理能夠消除雙孢蘑菇菌蓋表面的顆粒大小及其分布不均所產生的散射影響。如圖5所示，在400個分類樣本中，僅有少量樣本被用RBF核函數建模的SVM分類模型誤判類別。當全波長分類模型的準確率較RF分類器提升的同時，SVM分類模型測試集準確度也維持在87% 以上。其中，無預處理的SVM診斷模型預測集總體樣本準確度可達到87.38%，經MSC預處理后SVM 診 斷模型的預測集總體樣本準確度也由87.38% 提高到91.04%，較SG 卷積平滑和SG卷積一階求導提升的多，分別為90.38%和90.70%。SVM采用徑向基函數（RBF）核函數，用網格搜索法自動選擇優化參數，使得診斷模型準確度最佳。

結論

本研究應用可見/近紅外高光譜成像技術，以雙孢蘑菇疣孢霉病為研究對象，對該病害早期檢測方法進行研究，探討了MSC、SG卷積一階求導和SG卷積平滑3種預處理方法對建模結果的影響，得知經過 MSC預處理后的建模結果中，無關信息被有效消除，光譜信息的信噪比提高，為提升雙孢蘑菇疣孢霉病早期診斷模型的準確度奠定基礎。對比預處理后的全波段高光譜圖像數據經過RF、SVM和ELM 等3種建模方法對染病雙孢蘑菇的鑒別效果影響，結果表明，3種建模方法均有效提升診斷模型的準確度。其中，經過MSC預處理和SVM建模方法組合的模型，測試集和預測集總體樣本識別準確度為 92.21%和91.04%，優于其他預處理和建模方法的 組合。該研究結果為進一步開發雙孢蘑菇疣孢霉病 的快速無損檢測設備提供了理論基礎。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯黃宇