论文部分内容阅读
油菜（Brassica napus L.）生长过程中易受菌核病（Sclerotinia sclerotiorum（Lib.）de Bary）的影响,感染菌核病可导致油菜籽产量明显下降,因此有必要对菌核病进行早期快速诊断。基于光谱检测技术的作物病害检测方法虽能取得到不错的检测精度,然而该技术忽略了光与生物组织间的相互作用过程（吸收事件和散射事件）,同时反射率与透射率光谱作为一种相对信号,测量值受参考信号影响。针对以上缺点,本研究基于单积分球结合逆倍增方法（Inverse Adding Double,IAD）获取了油菜叶片光学特性参数,通过吸收系数、约化散射系数描述光子与油菜叶片组织之间的作用过程;结合叶片生理生化指标分析,解释了菌核病胁迫下油菜叶片的光响应机制;并最终实现了基于光学特性参数的油菜叶部菌核病早期快速检测。本研究成果可为病害无损检测提供新的检测依据,且厘清菌核病油菜光学响应有助于推进油菜病害光学检测仪器的开发,同时光学特性参数作为生物的一种绝对属性,利于作物病害诊断标准的制定。本文的具体研究内容和结论如下:（1）构建了单积分球测量系统,用于测量油菜叶片500-1000 nm波段的光学特性参数(吸收系数（6）和约化散射系数′。为验证系统精度,使用纯散射剂Intralipid-20%、纯吸收剂Naphthol Green B和印度墨水配置了一份纯吸收溶液以及三份散射能力不同吸收能力与纯吸收溶液相同的仿生溶液,并计算仿生溶液光学特性参数测量值与参考值的相对误差量化系统精度。准直透射平台测量的纯吸收溶液的吸收系数作为(（6）参考值,′参考值由经验公式计算。结果表明,在500-1000 nm波段,单积分球系统测量′时的平均测量误差为8.66%,而(（6）的平均测量误差为8.30%。本研究搭建的单积分球系统测量结果可靠,后续可用于测量样本的光学特性参数。（2）获取了健康期、菌核病胁迫下潜育期、和病斑显现期（病斑早期、病斑后期）油菜叶片在500-1000 nm波段的吸收系数(（6）与约化散射系数′,结合叶片色素、可溶性糖以及水分含量分析解释了菌核病对油菜叶片(（6）和′的影响规律。结果显示,油菜叶片几乎不吸收近红外光,此波段内（730-1000 nm）油菜叶片的(（6）值远小于可见光波段（500-730 nm）的(（6）值。叶片(（6）曲线在620 nm、675nm和980 nm分别存在与叶绿素b、叶绿素a以及水分相关的吸收峰。同时由于叶片感染菌核病后,叶片叶肉出现褐化现象,叶片540 nm波长的(（6）增大,并在病斑后期样本(（6）曲线中形成吸收峰。感染菌核病后,油菜叶片在620 nm、675 nm以及980 nm波长的(（6）先减小,并在病斑后期阶段开始有所上升;叶片在620 nm、675nm以及980 nm波长的(（6）值减小与叶片内部叶绿体瓦解以及水分流失有关。后续(（6）值增加则与病斑后期阶段叶片厚度急剧减小有关。不同于叶片的(（6）曲线,叶片′曲线较为平坦,仅在675 nm存在一处由“串音”现象引起的散射峰。病斑后期样本′曲线趋势遵循米氏散射原理,即′值随着波长的增加而减少。随着病害严重程度的增加,油菜叶片在500-1000 nm波段的′值逐渐增大,叶片′的增加主要与入侵叶肉的菌丝、核盘菌分泌的草酸晶体、染病叶片内部游离的细胞器以及组织水分流失有关。健康油菜叶片与不同病害严重程度油菜叶片(（6）与′的主成分分析（Principle Component Analysis,PCA）结果表明,健康期样本与潜育期样本具有更多的相似特征,存在较多样本重叠现象,而病斑早期样本与上述两类样本明显分离。（3）使用蒙特卡洛模拟（Monte Carlo Modeling,MCML）方法模拟了540nm、620 nm、675 nm以及980 nm波长的光子在健康期、潜育期、病斑早期油菜叶肉组织内部的传输过程。结果表明,光子在油菜叶片内部的光场分布呈灯芯竖条状,由灯芯中心向外光子能量逐渐降低。675 nm光束在油菜叶片内部的穿透深度最小,980 nm光束可以完全穿透油菜叶片。随着病害严重程度的增加,四种波长光子在叶片内部的光场均变的较为扁平。（4）基于光学特性参数实现了健康期、潜育期、病斑早期油菜叶片的分类,研究了不同特征波长提取方法与判别分类方法对分类精度的影响。结果表明,使用全波段作为SVM、LDA模型的输入特征时,最优判别模型的Marco-F1达到86.87%,且部分模型能100%识别样本是否处于病斑早期阶段;经遗传算法（Genetic Algorithm,GA）、主成分载荷系数法（Principle Component Analysis Loadings,PCA-Loadings）与连续投影算法（Successive Projections Algorithm,SPA）优选特征波长后,样本吸收系数(（6）特征数量分别缩减到78、30和20,约化散射系数′特征数量分别缩减为77、35、和20;经GA算法选取特征波长后,最优判别模型的Marco-F1达到88.52%,而基于PCA-Loadings以及SPA特征波长建立的最优判别模型Marco-F1相较于原始特征略有提升,分别达到88.18%与87.17%。相比于原始特征,基于优选特征波长建立的部分判别模型同样能100%识别样本是否处于病斑早期,而判别样本是否处于健康期以及潜育期的能力略有提升。