图 1 高光谱成像仪
Fig. 1 Hyperspectral imaging instrument
金 秀，齐海军，李绍稳*
（安徽农业大学信息与计算机学院，安徽 合肥 230036）
摘 要：本实验针对马铃薯干腐病潜育期到发病期的诊断方法进行研究，利用时序高光谱对病害发生过程中的病症特征进行分析和提取，并基于时序性特征采用动态时间弯曲（dynamic time warping，DTW）聚类算法对时序关键点进行分析，即对发病期初始点进行诊断。本研究在数据预处理中使用图像阈值分割算法提取动态感兴趣区域，利用概率密度比算法剔除病害光谱异常值，在对比病症的光谱与外观后，发现马铃薯干腐病的光谱具有非单调性特征，再基于该非单调性特征使用高斯核函数的主成分权重系数法进行光谱特征提取。最后基于病害特征，利用模糊聚类方法判定时序关键点，其结果正确率仅为66.7%；针对特征时序性再利用DTW聚类算法判定时序关键点，其结果正确率达94.4%。本实验研究表明基于DTW的时序高光谱诊断方法能对马铃薯干腐病发病期进行有效诊断。
关键词：马铃薯干腐病；时序高光谱；时序关键点；模糊聚类；动态时间弯曲
马铃薯是全球第四大重要的粮食作物，其地位仅次于小麦、水稻和玉米。储藏期中马铃薯干腐病是最常见的真菌类病害，病害的发生会严重影响马铃薯品质，降低其食用价值和经济价值[1-5]。干腐病的诱因主要是镰刀真菌侵染，当真菌孢子侵染到马铃薯外表后，其不断繁殖使得马铃薯外部和内部发生病变。植物病理学上将病害过程分为侵入期、潜育期和发病期，当病害发展到发病期阶段时，病症从隐性变成显性，危害性递增[6-11]，所以病害发病期诊断对于病害防治和预测是非常重要的。
病害监测方法主要有图像识别[12-17]、环境因子的预测[18-21]、机器视觉[22-23]等，图像技术在病害病症显现时（即病害发病期）有效，但对隐藏类病症尤其在病害潜育期阶段无法诊断。镰刀真菌孢子侵染马铃薯时，马铃薯内部色素含量、水分和细胞间隙首先发生变化，光合作用和养分水分吸收、运输、转化等生理机能衰退，随后发病部位出现相应的病症，马铃薯内部成分形态和结构发生改变。因此通过对比不同病害阶段的光谱曲线差别，可以判断染病作物内部结构变化情况。大量研究表明，在光谱的红外和近红外波段范围内，染病作物曲线会发生明显变化[24-25]。高光谱技术由于其光谱分辨率高，与普通光谱对比，其观察到的对象特征更加丰富；因此可对病害的病症外观进行监测，从而也可对病害造成的内部变化进行分析[26-29]。在病害潜育期时可利用光谱对病斑进行诊断，在病害发病期时可利用图像进行诊断，所以基于时序高光谱成像的数据分析，可获得潜育期到发病期时序关键点，即诊断马铃薯干腐病发病期。
近年来，国内外专家学者使用了多种技术来对病害进行检测、分析。路阳等[30]利用图像处理技术对水稻的病害进行智能识别，通过利用灰度值、边缘检测、几何特征提取等方法进行识别。此外，近红外高光谱技术也被大量用于马铃薯检测上[31]。Dacal-Nieto等[32]应用高光谱技术检测马铃薯黑星病，采用支持向量机（support vector machine，SVM）和随机分类对映射在马铃薯块茎中的每个像素进行分类，准确度达97.1%，同时利用高光谱技术对马铃薯的空心病进行了检测，其病症检测的正确率达89.1%。周竹等[33]利用高光谱技术对马铃薯的损伤进行检测和比较，识别马铃薯损伤的准确率高达97.39%。苏文浩等[34]利用近红外高光谱技术选择了7 个特征波长，通过第二主成分识别马铃薯外部缺陷，正确率达97.08%。黄涛等[35]针对马铃薯的空心病利用近红外高光谱技术提取8 个光谱特征，再基于SVM算法建立的模型识别率达100%。谢传奇等[36]利用高光谱中的光谱和纹理特征对番茄早疫病进行早期检测，通过主成分分析、连续投影算法结合最小二乘SVM构建了早期鉴别模型，其识别率达95%左右。Ray等[37]使用了高光谱技术对马铃薯叶片的晚疫病进行研究分析，发现了病叶片在710、720 nm和750 nm特征波长处具有明显特征。Sugiura等[38]使用RGB成像系统对马铃薯早疫病进行评估，发现病害的发生与时序图像具有一定的相关性，其相关系数为0.77。胡耀华等[39]利用高光谱技术对马铃薯叶片的晚疫病进行了诊断研究，其建立的最小二乘SVM的识别模型对诊断的准确率高达94.87%，结果表明高光谱技术可以实现晚疫病胁迫下马铃薯病害程度的有效区分。López-Maestresalas等[40]利用短波近红外高光谱对马铃薯表皮的损伤进行无损检测，其模型的准确率可达98.56%。从国内外的研究可知，高光谱技术既可利用图像进行病症分析，又可通过特征波长来进行病害诊断；因此对于RGB图像等病害识别技术方法而言，高光谱技术更能利用其图像和光谱特征的融合，充分地采集病害发生变化的信息特征，从而精确地进行病害诊断和识别。
因此，图谱合一的高光谱技术因其具有大量数据信息而被广泛用于成分分析中，其中在病害诊断应用上的研究较多；但国内外研究普遍未将不同时序阶段的高光谱进行分析和对比，即病害时序高光谱图像分析，从而丢失了大量有效的诊断信息，无法进行有效的病害预测和判定。本实验利用时序高光谱数据对马铃薯干腐病发病期进行了分析研究。实验环境一致性、实验数据量庞大等问题会导致时序高光谱成像实验和分析方法复杂化[41-42]；而结合时序算法与高光谱数据的交叉研究相对较少，其中主要的研究也仅局限于利用时序高光谱技术对化学成分和病害变化进行监测，仅有部分人做了时序高光谱的基础研究。Stuckens等[43]使用时序高光谱技术对果园的生长状态进行检测。Wu Di等[44]利用时序高光谱技术分析了牛肉中水分状态的变化。Xie Chuanqi等[45]应用时序高光谱技术监测了茶叶水分含量变化。Kim等[46]利用时序高光谱技术分析了松材线虫病的发生过程。时序高光谱在数据结构上将时序信息与高光谱信息相结合，使得观测对象的信息量递增，虽然数据处理难度也随之增加，但其在病害判定和预测上的前景会更加广阔。
本研究以马铃薯干腐病对象，利用时序高光谱技术对不同阶段病症进行分析，再基于时序数据分析算法，判定出马铃薯干腐病潜育期到发病期的时序关键点，最终实现马铃薯干腐病发病期的诊断。基于时序高光谱的发病期初始点判定能为马铃薯干腐病的早期预测和机理研究提供参考。
实验所用试材为安徽地区的沿淮河春马铃薯，购自安徽合肥本地超市。
高光谱成像仪器 美国Opto-Knowledge Systems公司。技术参数如下：相机类型为Scientific Complementary Metal Oxide Semiconductor（SCMOS），相机尺寸大小为226 mm×220 mm×113 mm，质量为13.6 kg，波长范围为400～1 000 nm，光谱分辨率为1.45 nm/pixel，空间分辨率最大为2 048×2 048 像素，扫描角度为-30°～30°。高光谱成像仪由2 个卤素灯光源和1 台进行数据接收的笔记本电脑组成，将样本放置于观察台上进行成像信息采集，图1为实验中高光谱仪器的组件架构。
图 1 高光谱成像仪
Fig. 1 Hyperspectral imaging instrument
1.3.1 样品处理
挑选表皮无任何明显病害、光滑的马铃薯，人工进行镰刀菌接种。先在马铃薯表皮上制作2 个小孔，然后镰刀菌的孢子悬浮液注射入孔内，进行真菌侵染，从而产生马铃薯干腐病。为观察发病的情况，以打孔未接种样本、未打孔样本进行参照对比[47-49]。其中为保证马铃薯干腐病发生，将制作的样本放置到人工气候箱中储藏，其环境始终保持为24～25 ℃，相对湿度为90%，通过样本间的对比发现，经过18 d后，接种的马铃薯样本完全发病。本研究在18 d的发病过程中，每天都对所有的接种样本进行高光谱数据采集，由于部分接种孔并未发病，导致病斑基本无任何变化，即干腐病并未发生；因此最后在30 个马铃薯干腐病病斑中除去未有效发病的样本，优选了18 个有效样本进行高光谱数据分析，并将其组合为时序高光谱数据集，因此分析的样本总数为324（18×18＝324）。
时序高光谱图像采集方法是以病原菌接种当天为初始点，每隔24 h对样本进行高光谱成像实验，直至完全发病后（18 d）结束实验。实验环境中固定了每天采集时间点（10：00～12：00）和仪器光强（50 W卤钨灯）、相机垂直角度（90°）、相机到样本距离（35 cm）等因素，对同一对象进行数据采集，可确保实验对象数据的时序一致性。实验采集的数据为时序高光谱数据，即采集信息是所有时序点上高光谱图像集成而组成的时序高光谱图像，此数据由三部分组成：光谱、图像、时间轴，如图2所示，不同时间点采集的高光谱信息可构成一个完整的时序高光谱数据集。
图 2 时序高光谱图像
Fig. 2 Time series hyperspectral images
时序高光谱可以充分描述样本在接种病原菌后的变化过程，而这种变化过程也可分成线性或非线性。当病害变化过程为线性时，可用简单聚类算法来划分病害程度；而当病害变化过程为非线性时，必须针对时序样本的共性特征进行聚类分析，从而总结出样本在不同时间点上的变化规律。因此时序聚类方法是通过时序点的样本聚类分析来划分病害程度，由于其聚类的算法更符合时序类的非线性特征，所以可精确地判断病害潜育期到发病期的时序关键点，从而达到对马铃薯进行干腐病发病期判定的目的。
时序高光谱数据采集的一致性是整个实验中重点需要解决的问题，本次实验为保证信息采集的一致性，采取了以下措施：1）为阻隔其他光线干扰、保证拍摄环境的一致性，在搭建的黑房中进行实验；并且在拍摄高光谱图像前灯光需预热约10 min，保证灯光光线强度一致再进行光谱数据采集；同时为保证在拍摄过程中样本的方向一致性，实验在样本的背面进行标注定位；2）为保证拍摄过程中对样本不进行干扰，本次实验过程要求非常熟练，须快速将样本在人工气候箱和样本台之间进行转移，从而避免样品污染等问题；3）设备进行预热，保证辐射的光谱强度基本一致；4）使用了专业拍摄的黑布材料作为背景台，减少反射等干扰。
1.3.2 数据处理
对采集的数据进行分析，关键要建立病症与高光谱数据之间的关系。通过对马铃薯干腐病发病过程的观察可知，在病害的潜育期无法通过图像特征确定病症所在位置，因此必须实现病斑感兴趣区域（region of interest，ROI）的时序动态匹配。同时为了提高病害时序关键点判定的精确度，利用异常样本剔除、阈值分割、特征提取等方法对从接种到完全发病的病害病斑时序高光谱进行特征提取和验证。病斑光谱预处理算法中在图像的ROI提取上使用了最大类间方差法（OTSU）[50-52]，其方法是在判决分析或最小二乘原理的基础上进行计算的，其算法在目标域背景面积相差不大时能有效地进行分割；在异常值剔除中利用常用的概率密度比法；而在特征提取算法中使用了核函数主成分法（kernel principal component analysis，KPCA）[53]，其通过核函数映射结果代替原来的数据，从而可以解决高维数据的线性不可分问题。
在样本分析过程中，本研究使用了模糊聚类（fuzzy C-means，FCM）算法和动态时间弯曲（dynamic time warping，DTW）算法，FCM是基于传统的C均值聚类使用了模糊算法，它使划分到同一集合的对象之间相似度最高，是一种柔性的模糊划分[54-55]；但是聚类算法对时序数据的分析效果较差，主要因为在聚类过程中并未考虑时序具有的相似性，所以发病后的病斑光谱与发病前的病斑光谱容易混淆。为解决该问题，本研究利用DTW算法对时序光谱数据进行聚类分析，并进行时序关键点提取，该算法能更准确地对时序数据进行聚类分析并得到结果。时序数据具有高维度、有序性、属性多、噪声杂等特征，因此可通过不同向量值之间的距离来决定类别归属，DTW算法最初是用于语音识别，其优点在于：允许2 个时间序列非等长比较以及不同步的点对应计算，可以对时间序列的同步问题进行处理，将两个序列的错位点关联起来。因此DTW算法（式（1）～（3））可对时序序列进行划分[56-57]，其算法定义为：设两条序列Q＝{q1，q2，…，qn}，C＝{c1，c2，…，cm}，长度分别为n和m，式（1）表示了序列Q和序列C中的一条最短路径，即DTW距离。
式中：W表示变量i在序列Q上、变量j在序列C上进行递归计算的结果，d表示两个相同长度序列的距离函数（曼哈坦距离、欧几里得距离等）。
本研究基于DTW的聚类分析，先通过时序光谱之间距离计算不同病斑光谱数据之间的关联度，然后再通过时序点的模式形态来判定时序关键点，图3为基于DTW的高光谱数据处理流程图。
在高光谱数据处理过程中，H值代表了DTW的时序点百分比，其中3 个时序邻接点的H值可被描述为单调序列和非单调序列变化两种基本的模式[58-59]，图4的a、b为3 个序列点的非单调序列变化，图4的c、d为3 个序列点的单调序列变化，本研究基于DTW的算法将具有H值非单调序列变化的第一个时序点判定为时序关键点，图4的时序点2、3、4号构成的第一个H值非单调点，因此时序点3号为病害时序关键点，即为发病期的初始点。
图 3 基于DTW的高光谱数据处理流程图
Fig. 3 Flow chart of hyperspectral data processing on the basis of DTW
图 4 1号样本的H值
Fig. 4 H value of sample 1
本研究中，时序高光谱数据以cub的格式导入到代码中进行数据批量处理和分析，并实现以上算法。本实验使用的数据处理平台为envi 4.2、IDL 6.2、Matlab 7.0。
1.3.3 正确率评价标准
病害发病期初始点的人工诊断方法是以病害表现形态的差异化来定义的，马铃薯干腐病从接种真菌开始进行病斑状态的观察，当病斑发生扩大或颜色加深时，则判定当天的病斑为发病期时序关键点，但人工诊断发病期初始点也具有小范围的误差。在本实验中，因为时序高光谱数据是以1 d为单位进行采集的，为消除人工诊断结果和实验过程造成的正确率偏差，病害时序关键点的判定方法以人工诊断判定为基准点，允许判定结果有前后1 d以内的误差；但误差范围超过时，则代表该病害时序关键点判定错误。
马铃薯干腐病的高光谱图像数据量大，每个像素点包含339 个波长原始辐射值，因此必须划分出病斑的ROI。从发病过程可知，病害后期病症较为明显，光谱提取较易，而病害前期病症图像几乎无法分辨，无法通过阈值分割进行光谱提取。因此本实验利用明显病斑区域进行OTSU阈值分割后，再基于分割后的ROI来映射病害前期的病斑（图5A），最终可提取出时序高光谱数据（图5B）。其中病斑高光谱的时序变化并不具有规律性，下一步将对病斑光谱特征进行分析及提取。
图 5 1号马铃薯干腐病的病斑光谱数据集
Fig. 5 Spectral data of dry rot lesions for sample 1
为分析样本高光谱的时序性特点，先对数据进行主成分分析，以第1主成分的两个波峰538、794 nm作为特征进行时序图的绘制，发现马铃薯干腐病的病斑光谱随着病害的发生呈现明显的非单调性（图6）。因此为匹配病斑时序高光谱的非单调性特点，利用高斯KPCA进行光谱特征的提取，通过前3 个主成分的加权重系数曲线，提取了14 个波峰作为病斑高光谱的特征波长（图7）。
图 6 马铃薯在储藏18 d过程中病斑区域于538、794 nm波长处的光谱时序图
Fig. 6 Time series spectral plot of dry rot lesions during 18 days of storage at 538 and 794 nm
图 7 KPCA的权重系数
Fig. 7 Weight coeff i cient of KPCA
通过对马铃薯进行18 d连续的高光谱拍摄获得了时序高光谱图像，该数据描述了干腐病从接种到发病的整个过程。在实验的过程中，马铃薯干腐病的病斑变化呈现出两个特性：1）病斑包含了腐烂区域和菌丝区域两部分，首先是接种位置周边腐烂，然后腐烂区域加速了真菌的生长，当菌丝扩散到一定范围时，腐烂区域会继续变大、加深，这种病斑阶段性的转变导致了光谱反射率呈非线性时序变化；2）干腐病发病困难，与未接种马铃薯对比发现，大部分样本在接种后的第5～6天才发生明显变化，第18天确定干腐病已产生，切开马铃薯表皮进行观察，其内部明显有发病症状，所以可确定该马铃薯进入了干腐病的发病期（图8）。
图 8 马铃薯1号的干腐病时序图
Fig. 8 Time series images of potato sample 1 infected with dry rot
根据以上的病斑观察情况，利用人工专家知识可以确定出马铃薯干腐病发病期，第4～5天由于马铃薯1号病斑出现了明显的菌丝和腐烂症状，基本可以确定该病斑点进入发病期，其时序关键点（发病期初始点）即为第4～5天。因此利用人工观察的病害程度可确定出马铃薯干腐病的发病期，其18 个样本的时序关键点见表1。
表 1 人工观察判定的时序关键点
Table 1 Time series key points by artif i cial judgment
本研究使用了FCM进行时序关键点的判定，该算法是通过隶属度来确定每个数据点的类别。因为本次实验目的为判定病斑的发病期，即发病的时序关键点，所以将FCM设定为2 类，且将第1天的病斑光谱固定为第1类。通过分析了18 个样本的18 d光谱数据后，得到的结果见表2。与人工诊断结果（表1）进行对比分析可知，7、12号样本发病期的时序关键点判定完全正确，1、4、11号样本正确率偏差了0.5 d，2、3、5、8、13、16、18号的样本正确率偏差了1 d，且其判定的关键点在实际发病后，因此，12 个样本的结果在规定范围内，故为正确的时序关键点；其中，18 个样本中，第6、9、10、15、17号样本的判定结果相对提前，虽然其偏差也为1 d，但从病害的时序发病状态下进行判断，此类结果也属于严重偏差；同时第14号样本判定结果离准确值较远，因此该类结果偏差更为严重，所以本次FCM进行时序关键点判定的正确率为12/18＝66.7%。基于FCM的发病期判定结果可知，可以通过时序高光谱的聚类分析进行时序关键点判定病害，但与正确的时序关键点相比偏差较大，因此判定精确性和准确度都较差。
表 2 干腐病病斑的时序关键点
Table 2 Time series key points for dry rot disease lesions
图 9 基于DTW算法的18 个样本H值
Fig. 9 H values of 18 samples based on DTW
马铃薯干腐病的时序高光谱数据通过DTW算法来进行聚类分析，可得到时序点的DTW距离百分比（图9）。利用算法进行聚类分析后可知，发病期时序关键点如表3所示。将基于DTW的时序关键点与表1相对比可知：第12号病害样本出现半天的偏差，第11号病害样本出现了完全错误，所以判定出整体的发病期时序关键点判定的正确率为17/18＝94.4%，而且其结果仅有1 个病害样本出现了半天的偏差，其准确度较高。研究结果表明基于DTW距离的聚类分析能判定马铃薯干腐病的潜育期与发病期的时序关键点，且与FCM聚类相比其判定结果精确性和准确度都有很大的提升。
表 3 基于DTW算法的时序关键点判定
Table 3 Time series key points based on DTW
马铃薯的干腐病病症发生过程中除了病斑的变化，同时也伴随镰刀菌的菌丝生长，因此病害的潜育期相对于发病期更加隐蔽，监测和诊断难度更大，所以发病期时序关键点判定非常困难。本实验基于病症时序高光谱数据进行模糊聚类分析后发现，FCM的时序关键点判定的错误率高达33.3%，表明了复杂病症时序数据情况下，仅用非时序性的聚类分析进行发病期时序关键点的判定是具有一定缺陷的。因此，为匹配时序数据的特性，本实验在时序关键点判定上，使用了基于DTW的聚类方法，分析结果发现该算法能准确预判马铃薯干腐病发病期的时序关键点。其病害的时序关键点诊断的结果中，18 个病斑样本完全错误的时序关键点和半天偏差的时序关键点都仅1 个，整体的正确率高达94.4%，明显优于FCM聚类结果。研究结果表明，时序高光谱技术可以诊断病害的潜育期到发病期的时序关键点，其中基于DTW的时序高光谱聚类方法对病害发病期的诊断准确度较高，其研究结果也为后期的病害预测模型提供了参考。
参考文献：
[1] 陈红梅, 李金花, 柴兆祥, 等. 35 个马铃薯品种对镰刀菌干腐病优势病原的抗病性评价[J]. 植物保护学报, 2012, 39(4): 308-314.DOI:10.13802/j.cnki.zwbhxb.2012.04.016.
[2] BOJANOWSKI A, AVIS T J, PELLETIER S, et al. Management of potato dry rot[J]. Postharvest Biology & Technology, 2013, 84(5):99-109. DOI:10.1016/j.postharvbio.2013.04.008.
[3] DELGADO J A, SCHWARZ P B, GILLESPIE J, et al. Trichothecene mycotoxins associated with potato dry rot caused by Fusarium graminearum[J]. Phytopathology, 2010, 100(3): 290-296.DOI:10.1094/PHYTO-100-3-0290.
[4] HIMS M. The weather relationships of powdery scab disease of potatoes[J]. Annals of Applied Biology, 1976, 84(2): 274-275.DOI:10.1111/J.1744-7348.1976.TB01758.X.
[5] HAASE N. Prediction of potato processing quality by near infrared reflectance spectroscopy of ground raw tubers[J]. Journal of Near Infrared Spectroscopy, 2011, 19(1): 37-45. DOI:10.1255/jnirs.919.
[6] 李金花, 柴兆祥, 王蒂, 等. 甘肃马铃薯贮藏期真菌性病害病原菌的分离鉴定[J]. 兰州大学学报(自然科学版), 2007(2): 39-42.DOI:10.3321/j.issn:0455-2059.2007.02.009.
[7] 许永锋, 张建朝, 张文斌. 马铃薯播种后干腐病发生原因调查及综合防治技术[J]. 中国蔬菜, 2016(2): 81-82. DOI:10.3969/j.issn.1000-6346.2016.02.025.
[8] 李小龙, 王库, 马占鸿, 等. 基于热红外成像技术的小麦病害早期检测[J]. 农业工程学报, 2014, 30(18): 183-189. DOI:10.3969/j.issn.1002-6819.2014.18.023.
[9] 任向宇. 马铃薯干腐病田间及贮藏期化学防治效果和致病菌抗药性测定研究[D]. 呼和浩特: 内蒙古大学, 2011: 4-12.
[10] 吴觉天, 毕阳, 李永才, 等. 不同愈伤时间对常温贮藏期间马铃薯干腐病和品质的影响[J]. 食品工业科技, 2013, 34(14): 332-334; 357.DOI:10.13386/j.issn1002-0306.2013.14.016.
[11] AGRIOS G N. 植物病理学[M]. 沈崇尧, 译. 北京: 中国农业大学出版社, 2009: 77-109.
[12] 刘君, 王振中, 李宝聚, 等. 基于图像处理的作物病害自动识别系统的研究[J]. 计算机工程与应用, 2012, 48(13): 154-158; 180.DOI:10.3778/j.issn.1002-8331.2012.13.033.
[13] 管泽鑫, 唐健, 杨保军, 等. 基于图像的水稻病害识别方法研究[J]. 中国水稻科学, 2010, 24(5): 497-502. DOI:10.3969/j.issn.1001-7216.2010.05.009.
[14] 邓继忠, 李敏, 袁之报, 等. 基于图像识别的小麦腥黑穗病害特征提取与分类[J]. 农业工程学报, 2012, 28(3): 172-176. DOI:10.3969/j.issn.1002-6819.2012.03.030.
[15] 温长吉, 王生生, 于合龙, 等. 基于改进蜂群算法优化神经网络的玉米病害图像分割[J]. 农业工程学报, 2013, 29(13): 142-149.DOI:10.3969/j.issn.1002-6819.2013.13.019.
[16] 李宗儒, 何东健. 基于手机拍摄图像分析的苹果病害识别技术研究[J].计算机工程与设计, 2010(13): 3051-3053; 3095. DOI:10.16208/j.issn1000-7024.2010.13.027.
[17] 师韵, 王旭启, 张善文. 基于主分量分析的苹果叶部3 种常见病害识别方法[J]. 江苏农业科学, 2016, 44(9): 337-340. DOI:10.15889/j.issn.1002-1302.2016.09.098.
[18] 白基恒, 徐刚, 周婷婷, 等. 重庆市水稻病虫害的时间分布规律与重灾年份预测研究[J]. 自然灾害学报, 2016, 25(2): 26-34.DOI:10.13577/j.jnd.2016.0203.
[19] 于舒怡, 梁春浩, 刘丽, 等. 沈阳地区葡萄霜霉病流行速率、空中孢子囊密度与环境因素的相关性[J]. 植物保护学报, 2016, 43(3): 434-441. DOI:10.13802/j.cnki.zwbhxb.2016.03.012.
[20] 韩泽群, 姜波. 加工番茄病虫害中长期预测方法[J]. 中国农业大学学报, 2013, 18(4): 91-95. DOI:10.11841/j.issn.1007-4333.2013.04.14.
[21] ISHII H. Impact of fungicide resistance in plant pathogens on crop disease control and agricultural environment[J]. Japan Agricultural Research Quarterly, 2006, 40(3): 205-211. DOI:10.6090/jarq.40.205.
[22] 王海超, 高雄, 陈铁英, 等. 农作物病害检测中光谱和图像处理技术现状及展望[J]. 农机化研究, 2015(10): 1-7. DOI:10.13427/j.cnki.njyi.2015.10.001.
[23] BALASUBRAMANIAM P, ANANTHI V P. Segmentation of nutrient deficiency in incomplete crop images using intuitionistic fuzzy C-means clustering algorithm[J]. Nonlinear Dynamics, 2016, 83(1/2):849-866. DOI:10.1007/s11071-015-2372-y.
[24] MISHRA A R, KARIMI D, EHSANI R, et al. Identification of citrus greening (HLB) using a VIS-NIR spectroscopy technique[J]. Transactions of the ASABE, 2012, 55(2): 711-720.DOI:10.13031/2013.41369.
[25] KELINA SAHAYA RAJESH P K, KUMARAVELU C, GOPAL A,et al. Studies on identification of medicinal plant variety based on NIR spectroscopy using plant leaves[C]// International Conference on Advanced Computing Technologies. Piscataway: IEEE, 2014: 1-4.DOI:10.1109/ICACT.2013.6710535.
[26] RUMPF T, MAHLEIN A K, STEINER U, et al. Early detection and classif i cation of plant diseases with Support Vector Machines based on hyperspectral ref l ectance[J]. Computers and Electronics in Agriculture,2010, 74(1): 91-99. DOI:10.1016/j.compag.2010.06.009.
[27] BOCK C H, POOLE G H, PARKER P E, et al. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging[J]. Critical Reviews in Plant Sciences, 2010,29(2): 59-107. DOI:10.1080/07352681003617285.
[28] MAHLEIN A K, OERKE E C, STEINER U, et al. Recent advances in sensing plant diseases for precision crop protection[J]. European Journal of Plant Pathology, 2012, 133(1): 197-209. DOI:10.1007/s10658-011-9878-z.
[29] MARTINELLI F, SCALENGHE R, DAVINO S, et al. Advanced methods of plant disease detection. a review[J]. Agronomy for Sustainable Development, 2015, 35(1): 1-25. DOI:10.1007/s13593-014-0246-1.
[30] 路阳, 关海鸥, 赵斌, 等. 水稻病害图像预处理及其特征提取方法研究[J]. 农机化研究, 2011, 33(8): 27-30. DOI:10.13427/j.cnki.njyi.2011.08.020.
[31] MAHLEIN A K, RUMPF T, WELKE P, et al. Development of spectral indices for detecting and identifying plant diseases[J]. Remote Sensing of Environment, 2013, 128(1): 21-30. DOI:10.1016/j.rse.2012.09.019.
[32] DACAL-NIETO A, FORMELLA A, VAZQUEZ-FERNANDEZ E. Non-destructive detection of hollow heart in potatoes using hyperspectral imaging[C]// International Conference on Computer Analysis of Images and Patterns. Heidelberg: Springer-Verlag, 2011:180-187. DOI:10.1007/978-3-642-23678-5_20.
[33] 周竹, 李小昱, 陶海龙, 等. 基于高光谱成像技术的马铃薯外部缺陷检测[J]. 农业工程学报, 2012, 28(21): 221-228. DOI:10.3969/j.issn.1002-6819.2012.21.031.
[34] 苏文浩, 何建国, 刘贵珊, 等. 近红外高光谱图像技术在马铃薯外部缺陷检测中的应用[J]. 食品与机械, 2013, 29(5): 127-133.DOI:10.3969/j.issn.1003-5788.2013.05.034.
[35] 黄涛, 李小昱, 徐梦玲, 等. 半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究[J]. 光谱学与光谱分析, 2015, 35(1):198-202. DOI:10.3964/j.issn.1000-0593(2015)01-0198-05.
[36] 谢传奇, 王佳悦, 冯雷, 等. 应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究[J]. 光谱学与光谱分析, 2013, 33(6): 1603-1607. DOI:10.3964/j.issn.1000-0593(2013)06-1603-05.
[37] RAY S S, JAIN N, ARORA R K, et al. Utility of hyperspectral data for potato late blight disease detection[J]. Journal of the Indian Society of Remote Sensing, 2011, 39(2): 161-169. DOI:10.1007/s12524-011-0094-2.[38] SUGIURA R, TSUDA S, TAMIYA S, et al. Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle[J]. Biosystems Engineering, 2016,148: 1-10. DOI:10.1016/j.biosystemseng.2016.04.010.
[39] 胡耀华, 平学文, 徐明珠, 等. 高光谱技术诊断马铃薯叶片晚疫病的研究[J]. 光谱学与光谱分析, 2016, 36(22): 515-519. DOI:10.3964/j.i ssn.1000-0593(2016)02-0515-05.
[40] LÓPEZ-MAESTRESALAS A, KERESZTES J C, GOODARZI M, et al.Non-destructive detection of blackspot in potatoes by Vis-NIR and SWIR hyperspectral imaging[J]. Food Control, 2016, 70: 229-241.DOI:10.1016/j.foodcont.2016.06.001.
[41] GOWEN A A, MARINI F, ESQUERRE C, et al. Time series hyperspectral chemical imaging data: challenges, solutions and applications[J]. Analytica Chimica Acta, 2011, 705(1/2): 272-282.DOI:10.1016/j.aca.2011.06.031.
[42] DORREPAAL R, MALEGORI C, GOWEN A. Tutorial: time series hyperspectral image analysis[J]. Journal of Near Infrared Spectroscopy, 2016, 24(2): 89-107. DOI:10.1255/jnirs.1208.
[43] STUCKENS J, DZIKITI S, VERSTRAETEN W W, et al.Physiological interpretation of a hyperspectral time series in a citrus orchard[J]. Agricultural and Forest Meteorology, 2011, 151(7): 1002-1015. DOI:10.1016/j.agrformet.2011.03.006.
[44] WU Di, WANG Songjing, WANG Nanfei, et al. Application of time series hyperspectral imaging (TS-HSI) for determining water distribution within beef and spectral kinetic analysis during dehydration[J]. Food and Bioprocess Technology, 2013, 6(11): 2943-2958. DOI:10.1007/s11947-012-0928-0.
[45] XIE Chuanqi, LI Xiaoli, NIE Pengcheng, et al. Application of time series hyperspectral imaging (TS-HSI) for determining water content within tea leaves during drying[J]. Transactions of the ASABE, 2013,56(6): 1431-1440. DOI:10.1007/s11947-012-0928-0.
[46] KIM S R, KIM E S, NAM Y, et al. Distribution characteristics analysis of pine wilt disease using time series hyperspectral aerial imagery[J]. Korean Journal of Remote Sensing, 2015, 31(5): 385-394.DOI:10.7780/kjrs.2015.31.5.3.
[47] 李金花, 王蒂, 柴兆祥, 等. 甘肃省马铃薯镰刀菌干腐病优势病原的分离鉴定[J]. 植物病理学报, 2011, 41(5): 456-463. DOI:10.16035/j.issn.1001-7283.2017.01.030.
[48] 赵慧, 袁强, 蒋先锋, 等. 拟丝孢镰刀菌侵染对马铃薯块茎生理生化特性的影响[J]. 湖北农业科学, 2015, 54(10): 2380-2383.DOI:10.14088/j.cnki.issn0439-8114.2015.10.019.
[49] 王艳玲, 张紊玮, 杨麦娟, 等. 两种马铃薯干腐病镰刀菌的生物学特征[J]. 中国食品工业, 2016(3): 59-61. DOI:10.3969/j.issn.1006-6195.2016.03.031.
[50] YOON S C, LAWRENCE K C, PARK B, et al. Optimization of fecal detection using hyperspectral imaging and kernel density estimation[J]. Transactions of the ASABE, 2007, 50(3): 1063-1071.DOI:10.13031/2013.23120.
[51] CHEN Q, ZHAO L, LU J, et al. Modif i ed two-dimensional Otsu image segmentation algorithm and fast realisation[J]. IET Image Processing,2012, 6(4): 426-433. DOI:10.1049/iet-ipr.2010.0078.
[52] 孙俊. 改进二维最大类间方差法及其在黄瓜目标分割中的应用[J]. 农业工程学报, 2009, 25(10): 176-181. DOI:10.3969/j.issn.1002-6819.2009.10.032.
[53] HOSSAIN M A, MAMUN M A, ZAMAN S U, et al. Closest class measure based subspace detection for hyperspectral image classification[C]// International Conference on Computer and Information Engineering. Piscataway: IEEE, 2016: 130-133.DOI:10.1109/CCIE.2015.7399298.
[54] 武小红, 蔡培强, 武斌, 等. 基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究[J]. 光谱学与光谱分析, 2016, 36(3):711-715. DOI:10.3964/j.issn.1000-0593(2016)03-0711-05.
[55] 陈湘涛, 李明亮, 陈玉娟. 基于时间序列相似性聚类的应用研究综述[J]. 计算机工程与设计, 2010, 31(3): 577-581. DOI:10.16208/j.issn1000-7024.2010.03.041.
[56] 李正欣, 张凤鸣, 李克武. 基于DTW的多元时间序列模式匹配方法[J]. 模式识别与人工智能, 2011, 24(3): 425-430. DOI:10.3969/j.issn.1003-6059.2011.03.018.
[57] SHOKOOHI-YEKTA M, HU B, JIN H X, et al. Generalizing DTW to the multi-dimensional case requires an adaptive approach[J]. Data Mining &Knowledge Discovery, 2017, 31(1): 1-31. DOI:10.1007/s10618-016-0455-0.
[58] 杜奕, 卢德唐, 李道伦, 等. 一种快速的时间序列线性拟合算法[J].中国科学技术大学学报, 2007, 37(3): 310-314. DOI:10.3969/j.issn.0253-2778.2007.03.016.
[59] 谢福鼎, 李迎, 孙岩, 等. 一种基于关键点的时间序列聚类算法[J].计算机科学, 2012, 39(3): 157-159; 173. DOI:10.3969/j.issn.1002-137X.2012.03.036.
Diagnosis of Symptom Appearance of Potato Dry Rot Disease Using Time Series Hyperspectral Imaging Based on Dynamic Time Warping
JIN Xiu, QI Haijun, LI Shaowen*
(School of Information and Computer, Anhui Agricultural University, Hefei 230036, China)
Abstract:In the present study, we aimed to develop a method to diagnose the incubation period and symptom appearance of potato dry rot using time series hyperspectral imaging based on dynamic time warping (DTW). The symptom features during the development of dry rot were analyzed and extracted. The time series key point, namely the start point of symptom appearance was analyzed by DTW clustering algorithm based on the time series characteristics. The threshold segmentation algorithm was used to extract the region of interest (ROI) during the data preprocessing, and the probability density algorithm was applied to eliminate the abnormal spectral data. By comparison of the spectra and appearance of potatoes during the development of dry rot, non-monotonic characteristics were observed in the spectra. Further, the spectral characteristics were extracted by kernel principal component analysis (KPCA). Finally, the time series key point was predicted by using fuzzy clustering model (FCM) based on the symptoms features with an accuracy of only 66.7%. By contrast, the prediction accuracy of DTW on the basis of time series features was as high as 94.4%. This study conf i rmed that the time series hyperspectral imaging based on DTW could effectively diagnose the symptom appearance of potato dry rot.
Keywords:potato dry rot disease; time series hyperspectral; time series key point; fuzzy clustering; dynamic time warping
JIN Xiu, QI Haijun, LI Shaowen. Diagnosis of symptom appearance of potato dry rot disease using time series hyperspectral imaging based on dynamic time warping[J]. Food Science, 2018, 39(19): 233-240. (in Chinese with English abstract)DOI:10.7506/spkx1002-6630-201819036. http://www.spkx.net.cn
金秀, 齐海军, 李绍稳. 基于动态时间弯曲的马铃薯干腐病发病期时序高光谱诊断方法[J]. 食品科学, 2018, 39(19): 233-240. DOI:10.7506/spkx1002-6630-201819036. http://www.spkx.net.cn
引文格式：
文章编号：1002-6630（2018）19-0233-08
文献标志码：A
中图分类号：TP391.44
DOI:10.7506/spkx1002-6630-201819036
*通信作者简介：李绍稳（1962—），男，教授，博士，研究方向为农业信息学。E-mail：shwli@ahau.edu.cn
第一作者简介：金秀（1983—），男，讲师，博士，研究方向为农业信息学。E-mail：jiaotong_jin@163.com
基金项目：农业部948计划项目（2015-Z44）；安徽省教育厅科研项目（KJ2017A151）
收稿日期：2017-05-21