论文部分内容阅读
库尔勒香梨因其皮薄汁多的特点,在采摘、运输和贮藏期间极易产生损伤,受到病原菌的侵染。扩展青霉感染引起的青霉病是库尔勒香梨贮藏期间主要发生的病害之一,因其存活能力较强,极易在香梨间发生传染,感染病原菌后的病害发展速度快,造成大面积的梨果腐烂。因此,开展香梨果实的青霉病病害发展过程监测与检测方法的研究,实现香梨采摘后的病害动态监测和早期检测,对库尔勒香梨病害防治、推动香梨产业的健康发展都具有重要的意义。高光谱成像(Hyperspectral imaging,HIS)技术具有图谱合一的特点,在病害检测方面具有明显的优势,已被广泛应用于农产品的病害检测领域。本论文对库尔勒香梨青霉病开展基于高光谱成像技术的图谱分析研究,利用感官、理化指标对病害发展过程进行评价,主要研究内容如下:1、以马铃薯葡萄糖琼脂(Potato dextrose agar,PDA)作为培养基,对扩展青霉进行活化。培养出茁壮的菌落后,配置成1×10~7cfu/ml的孢子悬浮液用于接种。梨果接种采用有伤和无伤两种接种方式,模拟香梨不同损伤下病原菌的感染及侵染过程,研究库尔勒香梨样品在有伤和无伤接种方式下的青霉病病害发展过程。2、利用HIS系统对病害发展各阶段的香梨果实进行高光谱图像数据的采集。通过光谱分析技术,基于两种接种方式下香梨青霉病病害发展各阶段的原始光谱、平均光谱和预处理光谱,分析并总结了光谱曲线的变化规律。采用主成分分析(Principal component analysis,PCA)得分图对病害发展各阶段的香梨进行特征分析,判断基于HIS技术识别病害发展各阶段香梨果实的可行性。借助PCA载荷图筛选出了特征波段,并分别建立了基于原始光谱和特征波段的支持向量机(Support vector machine,SVM)分类模型,总体分类精度达到了77.5%和83.1%。通过图像分析技术,提取了高光谱图像1089nm处的单波段灰度图进行处理,使用阈值分割法可以有效地将染病区域进行分割,完成对病害发展各阶段香梨果实染病区域的识别,实现了病害发展过程的监测。3、以库尔勒香梨色差(Lab)和可溶性固形物(Soluble solids content,SSC)作为香梨青霉病病害程度评价的感官、理化指标。通过对评价指标的分析,发现随着病害发展香梨色差L值、b值和SSC是呈现下降的趋势,色差a值呈现上升的趋势,这说明香梨果皮颜色是由绿色逐渐变黄和变暗的。样品色差数据上的变化,与病害发展各阶段香梨病害区域的RGB图像变化是符合的。4、建立香梨各指标参数基于原始光谱和预处理光谱的偏最小二乘回归(Partial least squares regression,PLSR)模型,通过对比发现采用多元散射校正(Multiplicative scatter correction,MSC)预处理后模型的效果最佳。色差L模型的R_C和RMSE_C分别为0.903和0.797,R_V和RMSE_V分别为0.890和0.829;色差a模型的R_C和RMSE_C分别为0.918和0.456,R_V和RMSE_V分别为0.895和0.505;色差b模型的R_C和RMSE_C分别为0.903和0.410,R_V和RMSE_V分别为0.885和0.426;SSC含量模型的R_C和RMSE_C分别为0.912和0.308%,R_V和RMSE_V分别为0.885和0.494%。使用竞争性自适应重加权(Competitive adaptive reweighted sampling,CARS)算法筛选特征波段,各参数分别选择了11、9、9和14个特征波段。香梨各指标参数基于特征波长建立支持向量机回归(Support vector regression,SVR)预测模型,通过粒子群优化(Particle swarm optimization,PSO)算法寻优得到惩罚因子C分别为6.724、3.844、3.674和3.134,核参数gamma分别为3.325、2.170、1.461和1.265。色差L值的预测模型校正集和验证集相关系数为0.934和0.912,均方根误差为0.630和0.672;色差a值的预测模型校正集和验证集相关系数为0.931和0.910,均方根误差为0.420和0.398;色差b值的预测模型校正集和验证集相关系数为0.924和0.905,均方根误差为0.373和0.412;SSC的预测模型校正集和验证集相关系数为0.946和0.923,均方根误差为0.330%和0.375%。香梨各指标参数建立的特征波段SVR模型相关系数和均方根误差较全波段(full-spectrum)MSC-PLSR模型均有所提升,模型效果良好,可以实现对病害发展各阶段梨果评价参数的精确预测。