黄龙病危害柑橘果树日益严重, 对柑橘黄龙病进行快速检测研究具有重大意义。 采用拉曼光谱技术, 结合偏最小二乘判别分析(PLS-DA)方法探讨快速诊断柑橘黄龙病及病情类别的可行性。 获取柑橘叶片拉曼光谱并进行普通PCR鉴别分为轻度、 中度、 重度、 缺素和正常5类。 在715～1 639.5 cm-1范围内采用一阶导, 基线校正(Baseline)和多项式拟合三种方法扣除光谱背景, 突显叶片拉曼光谱特征峰。 多项式拟合方法分别进行了2次, 3次和4次拟合, 与一阶导和基线校正两种扣除背景方法进行比较, 结合最小二乘支持向量机(LS-SVM)和偏最小二乘判别分析(PLS-DA)建立判别模型。 经比较发现, 多项式拟合方法扣除光谱背景效果均好于另外两种方法, 其中用2次多项式拟合的PLS-DA模型的效果最好, 预测相关系数(RP)为0.98, 预测均方根误差(RMSEP)为0.67, 总误判率最小为0。 基线校正扣除光谱背景的LS-SVM模型效果最差, 总误判率最大为40%。 研究结果表明, 利用拉曼光谱技术对柑橘黄龙病进行快速识别研究具有一定的可行性, 为柑橘黄龙病无损检测研究提供一种新途径。

应用高光谱成像技术, 结合峰值比判别法和偏最小二乘判别法, 探讨快速无损诊断正常、 缺素和黄龙病柑桔叶片的可行性。 在37428～1 01689 nm可见近红外光谱范围内, 采集了正常、 缺素和黄龙病柑桔叶片的高光谱数据。 以主叶脉为轴线, 两侧各选一个长约60像素、 宽约30像素的椭圆形感兴趣区域。 提取两个感兴趣区域的平均反射率光谱, 经相关分析, 筛选出50279和37428 nm一对特征波长, 建立了正常叶片的峰值比判别模型, 模型误判率为17%, 但该模型无法区分缺素和黄龙病叶片。 采用二阶导数结合平滑光谱预处理方法, 处理反射率光谱, 建立了缺素和黄龙病叶片偏最小二乘判别模型。 采用留一法交互验证确定最佳主成分因子数为17, 建模相关系数为096, 建模标准差为013, 模型对两类叶片分类正确率都达到了100%。 在此基础上, 提出了峰值比判别模型和偏最小二乘判别模型相结合的不同类别叶片二步快速诊断法。 采用未参与建模的正常、 缺素和黄龙病叶片各10片, 评价模型的分类能力, 模型分类正确率达到了967%。 实验结果表明: 应用高光谱成像技术, 结合由峰值比判别模型和偏最小二乘判别模型构成的二步判别法, 快速识别正常、 缺素和黄龙病柑桔叶片是可行的。

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。 使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品, 其中健康叶片60枚, 黄龙病叶片60枚, 缺锌叶片56枚。 手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest, ROI), 计算其平均光谱反射率, 并以此作为样品的反射光谱, 光谱范围为396～1 010 nm。 样品光谱分别经过主成分分析(PCA)及连续投影算法(SPA)进行数据降维, 再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。 相比原始光谱, 由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4, 679.4, 749.4和899.9 nm)建立的模型拥有更好的分类识别能力, 其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。 同时, 从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。 经SPA优选的10个纹理特征值进一步提高了分类效果, 对三类柑橘叶片的识别正确率达到了100%, 93.3%和92.9%。 实验结果表明, 同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。

黄龙病作为柑橘类水果最具毁灭性的疾病之一, 目前尚无有效的治愈手段, 因此疾病预防成为已知的唯一有效方法。 基于四种柑橘叶片(健康叶片、 黄龙病叶片、 铁缺乏叶片及氮缺乏叶片)VIS-NIR的反射光谱详细讨论了黄龙病的辨别方法以及在判别模型中光谱特征值的提取方法。 在两类判别分析的特征值提取方法中, 判别值(discriminability)运算的引入, 为特征值提取提供了一个可靠依据, 判别值越大表明光谱差异性越大。 以被选特征值建立的Fisher线性判别分析模型, 黄龙病与健康、 铁缺乏、 氮缺乏叶片的分类判别预测准确率分别都超过了90%, 分类效果符合预期。 最后, 又讨论了分类树(classificationTree)在多类判别中的应用。 通过对柑橘叶片原始反射谱, 一阶导数谱及被选特征值分别建立分类模型, 四种柑橘叶片平均预测准确度都超过88%, 尤其是基于特征值的分类结果更是超过94%, 验证了在多类判别中检测柑橘黄龙病的可行性及特征值提取的重要性。 结合传统分类方法(k-NN, Bayesian)的结果分析, 特征值作为输入变量的分类结果明显要优于原始光谱, 证实了特征值选取的正确性, 并为将来基于光谱特征值开发多光谱成像技术检测黄龙病打下坚实的基础。

柑桔黄龙病是一种以木虱为载体的细菌病原, 目前还没有行之有效的治疗方法, 对世界柑桔产业构成了严重的威胁。 探索快速检测柑桔黄龙病的方法, 对该病的诊断、 评估及进一步的控制都具有重要意义。 该研究采用了快速、 无损的光谱方法对该病害特征进行初步探索。 实验针对健康及染病植株的叶片及冠层, 分别在实验室条件及田间环境下测量了其可见-近红外光谱反射率, 以分析寻找二者的光谱差异。 对原始光谱数据进行了平滑、 聚类平均等预处理, 并求取了一阶微分以确定其红边位置（red edge position, REP）。 为了应对一阶微分在REP处的多个波峰现象, 采用了线性外插值法及拉格朗日插值法量化REP。 研究结果显示, 健康及染病样本的反射率在可见光、 近红外具有明显的差异。 相比于健康样本, 染病样本因其呈现的黄化现象, 使其反射率在可见光区较高; 又因黄龙病菌会明显阻碍叶片对水分的吸收而使其反射率在近红外较低。 REP同样显示了潜在的区分能力, 其明显随着染病程度的加深逐渐向红波段移动。 在染病程度差异较大的数据集中, REP平均值相差达20 nm; 而在染病程度差异较小的数据集中, 阈值分割法的分类精度也高达90%以上, 且线性外插值法的分类精度略高于拉格朗日插值法。 本研究成果为利用光谱技术快速无损检测柑桔黄龙病提供了可靠的理论依据。