番茄早疫病感染性强、 破坏性大, 潜育期症前特征的检测识别是番茄早疫病监测预警和科学防治的关键。 在实验室以离体番茄叶片作为研究对象, 利用高光谱图像监测番茄叶片早疫病的病程演变情况, 结合可见光图像和光谱特征进行数据分析。 实验发现, 番茄叶片感染早疫病后其近红外光谱平均值和红边反射率随着时间不断降低, 且在接种36 h时已出现潜育期病症信息。 选择接种36 h的光谱数据作为番茄早疫病潜育期的建模数据, 分别利用了主成分(PCA)变换、 多元散射校正(MSC)对建模数据进行光谱降维或降噪处理, 进而建立梯度提升决策树(GBDT)和支持向量机(SVM)识别模型, 并导入数据进行训练识别。 讨论了PCA和MSC的预处理方法对梯度提升决策树(GBDT)和支持向量机(SVM) 模型识别效果的影响; 进一步讨论常见核函数对SVM识别模型的影响, 优选出预处理方法和识别模型的组合算法。 结果发现, PCA-GBDT、 PCA-SVM(高斯核)、 PCA-SVM(线性核)、 MSC-GBDT、 MSC-SVM(多项式核)这几类组合算法准确率均为95%以上, 能很好的实现番茄早疫病潜育期的光谱识别; 其中MSC-GBDT的识别召回率和准确率最好, 而PCA-SVM(高斯核)识别效率最高。 研究表明, 通过降噪处理后的番茄早疫病潜育期高光谱数据减少了噪声、 更加符合真实的分布、 具有较大的可信数据量, 配合简单的识别模型会导致识别能力不足, 而配合复杂的识别模型可达到一个较可靠的测试结果; 通过降维算法能使番茄早疫病潜育期高光谱数据的维度降低、 数据量减少; 降维后的特征能够表达出病变信息, 配合简单识别模型时识别效果好, 而配合过于复杂的识别模型会导致识别模型的过拟合。

提出了基于连续投影算法（successive projections algorithm, SPA）、 载荷系数法（x-loading weights, x-LW）和格拉姆-施密特正交（gram-schmidt orthogonalization, GSO）提取特征波长的高光谱成像技术检测番茄叶片早疫病的方法。 首先获取380～1 023 nm波段范围内70个健康和70个染病番茄叶片的高光谱图像信息, 然后提取健康和染病叶片感兴趣区域(region of interest, ROI)的光谱反射率值, 建立番茄叶片早疫病的最小二乘-支持向量机(least squares-support vector machine, LS-SVM)鉴别模型, 建模集和预测集的鉴别率都是100%。 再通过SPA 、 x-LW和GSO提取特征波长（effective wavelengths, EW）, 并建立EW-LS-SVM和特征波长-线性判别分析（ew-linear discriminant analysis, EW-LDA）鉴别模型。 结果显示, 每个模型的鉴别效果都很好, EW-LS-SVM模型中预测集的鉴别率都达到了100%, EW-LDA模型中预测集的鉴别率分别是100%, 100%和97.83%。 基于SPA, x-LW和GSO所建模型的输入变量分别是4个（492, 550, 633和680nm）, 3个（631, 719和747 nm）和2个（533和657 nm）, 较少的特征波长便于实时检测仪器的开发。 结果表明, 高光谱成像技术检测番茄叶片早疫病是可行的, SPA, x-LW和GSO都是非常有效的特征波长提取方法。

提出了应用光谱和纹理特征的高光谱成像技术早期检测番茄叶片早疫病的方法。 利用高光谱图像采集系统获取380～1 030 nm范围内71个染病和88个健康番茄叶片的高光谱图像, 同时采用主成分分析法(PCA)对高光谱图像进行处理。 选取染病和健康叶片感兴趣区域(region of interest, ROI)的光谱反射率值, 同时分别从前8个主成分的每幅主成分图像的ROI中提取对比度(Contrast)、 相关性(Correlation)、 熵(Entropy)和同质性(Homogeneity)4个灰度共生矩阵的纹理特征值, 再通过PCA和连续投影算法(SPA)结合最小二乘支持向量机(LS-SVM)构建番茄叶片早疫病的早期鉴别模型。 建立的6个模型中, 采用光谱反射率值的LS-SVM模型对番茄叶片早疫病的识别率最高, 达到100%。 结果表明, 应用高光谱成像技术检测番茄叶片早疫病是可行的。