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。

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。

柑橘黄龙病的传统诊断方法主要依赖于人眼经验及生化技术，前者凭经验，诊断快，但准确性低; 后者准确性高，但效率低和成本高.本文采用高光谱成像技术，获取5种症状柑橘叶片的高光谱图像，采用基于主成分分析和BP神经网络相结合的方法，对370～988 nm波段范围内的柑橘叶片高光谱图像进行了病状的无损检测. 研究结果表明，柑橘叶片的高光谱图像存在很大冗余，前四个主成分累积方差贡献率达到97.42%. 数据建模分类得表明: BP神经网络的分类准确率达85%以上，经主成分后再利用BP神经网络的分类准确率绝大部分达到90%以上.因此，利用高光谱成像技术进行柑橘黄龙病的早期诊断具有较高的可行性.