背景:輪斑病是最嚴(yán)重的茶樹葉部病害之一，嚴(yán)重影響茶葉的產(chǎn)量和品質(zhì)。傳統(tǒng)的輪斑病檢測方法主要依靠人工識別，存在準(zhǔn)確率低、效率低等不足。并且，人們只能在感染后期檢測到輪斑病，往往為時已晚，不利于防治。因此，如何準(zhǔn)確的、快速的檢測早期茶葉輪斑病對提高茶園經(jīng)濟效益至關(guān)重要。目前，高光譜成像技術(shù)具有無損、快速的分析優(yōu)勢，可以高通量地獲得植物的空間和光譜信息，捕獲由疾病引起的葉片光譜變化，在應(yīng)對疾病感染的植物表型分析中具有很大潛力。

實驗設(shè)計：本研究的圖形摘要如圖1所示。具體是，以3年生茶樹枝條為研究對象（32個茶樹品種），模擬了輪斑病的病原分離株(DDZ-6)侵染茶樹葉片的過程；然后，利用高光譜成像設(shè)備（GaiaField Pro-V10）采集了不同感染癥狀葉片的光譜圖像，高光譜相機捕獲的圖像具有1101×960（空間×光譜）像素，光譜范圍在可見-近紅外波段（397-1001 nm）內(nèi)，測量了176個波段的光譜反射率。

圖1 高光譜成像設(shè)備賦能茶樹葉片輪班病監(jiān)測的圖形摘要

為了消除高光譜采集過程中存在的散射效應(yīng)、隨機噪聲和系統(tǒng)噪聲等問題的影響，利用MSC、S-G和1-D對病斑光譜進(jìn)行預(yù)處理。預(yù)處理前后的光譜曲線如圖2所示。

圖2 原始光譜與預(yù)處理后的光譜

為了剔除無效信息，采用SUVE、CARS和SPA選擇所有光譜數(shù)據(jù)中有代表性的波段作為“特征波段”（圖3）。篩選出對輪斑病響應(yīng)最為敏感的三個關(guān)鍵波段（紅光區(qū)）—— 693 nm、727 nm和766 nm，為輪班病的高效檢測奠定了堅實基礎(chǔ)。

圖2特征波段的篩選

最后，利用CNN、LSTM和SVM算法建立了茶葉輪斑病的早期檢測模型和抗病品種的快速篩選模型。在實驗室的理想條件下，CARS-LSTM模型展現(xiàn)出了高達(dá)92.6%的檢測準(zhǔn)確率（圖3）。在田間茶園的應(yīng)用中，693 nm+727 nm結(jié)合CNN模型也達(dá)到了87.8%的優(yōu)異表現(xiàn)，展現(xiàn)了強大的實用潛力。

圖3 不同模型對不同病情級別的分類性能

本研究利用高光譜成像設(shè)備（GaiaField Pro-V10）的先進(jìn)性，成功賦能于茶園輪班病的早期檢測中。無論是在實驗室內(nèi)的理想條件中，還是復(fù)雜多變的大田環(huán)境中，該研究均有效地檢測了輪斑病，取得顯著成效。該成果不僅為茶園輪斑病的早期監(jiān)測構(gòu)建了核心算法體系，更為輪斑病的有效控制提供了有力的技術(shù)支撐。

作者簡介：毛藝霖，青島農(nóng)業(yè)大學(xué)，研究生，單位：山東省農(nóng)科院

論文摘自，歡迎下載瀏覽： Mao, Y., Li, H., Xu, Y., Wang, S., Yin, X., Fan, K., Ding, Z. and Wang, Y. (2024), Early detection of gray blight in tea leaves and rapid screening of resistance varieties by hyperspectral imaging technology. J Sci Food Agric. https://doi.org/10.1002/jsfa.13756