【顶刊解析】COMPAG | 高光谱成像与机器学习协同实现小麦赤霉病早期精准检测

1. 顶刊身份卡

期刊名称    Computers and Electronics in Agriculture（COMPAG）

中科院分区    农林科学1区TOP期刊

JCR分区    Q1区

发表年份    2024年

论文标题    Enhancing fusarium head blight detection in wheat crops using hyperspectral indices and machine learning classifiers

中文标题    利用高光谱指数和机器学习分类器增强小麦赤霉病检测

作者单位    南京农业大学国*信息农业工程技术中心

使用设备    GaiaField-V10E便携式高光谱成像系统（双利合谱）

2. 应用方向速览

小麦赤霉病（FHB）由禾谷镰刀菌引起，感染初期（1-4天）无肉眼可见症状，传统检测手段无法实现早期预警。本研究以双利合谱GaiaField-V10E高光谱成像系统为核心设备，通过连续小波变换（CWT）提取敏感光谱特征，结合GLCM纹理分析，构建了新型光谱指数（WFSI₁、WFSI₂）和纹理指数（WFTI₁、WFTI₂），在症状前阶段实现78.9% 平均分类精度，DS2阶段（病穗率4-5%）达90%以上，数据融合后进一步提升至98%。该技术框架可迁移至粮食仓储真菌毒素筛查、中药材霉变检测、水稻稻瘟病等其他作物病害早期预警领域。

关键词：小麦赤霉病，高光谱成像，光谱指数，纹理指数

3. 研究背景

小麦赤霉病（FHB）是由禾谷镰刀菌等真菌引起的毁灭性穗部病害，不仅导致小麦减产，还会产生严重威胁人畜健康的真菌毒素。该病害的防控面临一个根本难题：病原菌在侵染初期（1-4天）呈半活体营养型生存模式，虽无肉眼可见症状，但病菌已在穗部组织内定殖扩展。这种“症状前”的隐蔽性，使得传统人工调查和破坏性取样难以实现大规模早期预警。

近年来，高光谱成像技术凭借“图谱合一”的优势，能同时捕捉病害早期的生化组分变化与微观组织损伤，为早期无损检测提供了新路径。但现有研究往往对“症状前”阶段关注不足，且模型在不同年份和品种间的泛化能力较差。

针对上述科学问题，南京农业大学国*信息农业工程技术中心曹卫星教授、朱艳教授和姚霞教授团队以双利合谱GaiaField-V10E便携式高光谱成像系统为核心传感平台，开展了为期三年四批次的系统性研究。该团队创新性地构建了基于一致特征选择策略的新型光谱指数和纹理指数，结合多种机器学习分类器，成功实现了从症状前到高病害尺度的*确分类与定量评估。该研究为高光谱技术在精准农业病害监测中的深入应用提供了可靠的方法论支撑。

4. 实验设计

研究团队在2018至2021年三个小麦生长季内，于南京农业大学牌楼实验基地和智能玻璃温室开展了四次独立实验（EXP.01-04）。供试材料为三个六倍体冬小麦品种：感病品种Aikang-58和PH-691，抗病品种Sumai-3。所有植株于温室盆栽条件下培养，在抽穗期采用点接种法（point inoculation），每穗接种2 mL禾谷镰刀菌分生孢子悬浮液。病害严重程度依据病穗像素比例划分为9个等级：

病害等级划分（依据病穗像素比例）：

Pre-sy（症状前） ：病穗率 0%，接种后 1–2 天

DS1：病穗率 1–3%，接种后 3 天（症状初现阶段，部分个体开始出现轻微可见变化）

DS2：病穗率 4–5%，接种后 4–5 天

DS3：病穗率 6–10%，接种后 6–8 天

DS4：病穗率 11–20%，接种后 9–12 天

DS5：病穗率 21–40%，接种后 13–15 天

DS6：病穗率 41–60%，接种后 17–19 天

DS7：病穗率 61–80%，接种后 20–22 天

DS8：病穗率 81–100%，接种后 22–25 天

说明： 本研究中“症状前（Pre-sy）”特指接种后 1–2 天（病穗率 0%），DS1 起为症状初现阶段。研究重点关注的早期检测窗口为 Pre-sy 至 DS2（接种后 1–5 天）。

EXP.01和EXP.02的数据用于特征筛选和模型构建（70%训练、30%测试），EXP.03（成像数据）和EXP.04（非成像数据）作为独立验证集，全面评估所开发方法的可转移性。

图1. 根据病害分级标准（表2）的小麦穗真彩色图像。从左至右：无症状期（Pre-sy），病害蔓延比例：1–3%（DS1或3DAI）、4–5%（DS2或4DAI）、6–10%（DS3或6DAI）、11–20%（DS4或9DAI）、21–40%（DS5或13DAI）、41–60%（DS6或17DAI）、61–80%（DS7或20DAI）和81–100%（DS8或22DAI）。

5. 高光谱数据采集

成像高光谱数据： 研究采用双利合谱GaiaField-V10E便携式高光谱成像系统采集麦穗高光谱图像。系统光谱范围400-1000 nm，光谱分辨率2.8 nm，光谱通道数256，采用内置推扫成像方式。采集时，将5-7穗小麦样本平行排列于暗箱内，相机与样本平面呈180°垂直角度，工作距离60 cm，提供0.24 mm的空间分辨率。每次数据采集包含三类图像：样本图像、99.99%反射率标准白板校准图像和0%反射率暗场校正图像。

图2. 小麦穗的高光谱图像采集实验装置。

非成像高光谱数据： 采用非成像高光谱测量方式进行独立验证，使用光纤探头在麦穗的上、中、下三个空间位置分别采集光谱，每个位置多次测量取平均，以代表整个麦穗的光谱特征。

图3. (A) 非成像光谱测量的实验装置，(B) 光纤探针采集光谱的空间位置说明。

生化参数测定： 为建立生化变化与光谱响应的关联，研究团队对每批样本进行了破坏性生化分析。取健康和感病样本各5穗，切取穗轴、颖片、浆片、外稃、内稃等穗部组织（去除籽粒部分），液氮研磨后*确称取0.1 g，以95%乙醇浸泡48 h至样本完全变白。过滤后使用紫外-可见分光光度计（Thermo Scientific Evolution 220）在470 nm、649 nm和665 nm波长处测定吸光度，依据Lichtenthaler（1987）方法计算叶绿素和类胡萝卜素含量。穗部含水量（SWC）通过鲜重与80°C烘干至恒重后的干重差值计算。

6. 研究结果

生化参数的时序响应： 三年实验数据显示，感病麦穗的叶绿素含量在DS1（1-3%病穗率）阶段即出现统计学显著下降（P<0.05），而穗部含水量和类胡萝卜素含量的显著性差异大多出现在DS2-DS3阶段。在健康样本中，上述参数随生育期推进也呈现一定程度的下降（与籽粒灌浆和穗部自然衰老有关），但感病样本的下降速率和幅度均显著大于健康对照。叶绿素降解是FHB感染后最早可检测的生化事件，为高光谱检测提供了坚实的生理学基础。

图4. 基于趋势线比较2019年（左栏）、2020年（中栏）和2021年（右栏）不同病害程度下，健康植株与感染植株的尖*生物化学参数（A、B、C：尖*含水量；C、D、E：尖*叶绿素含量；G、H、I：尖*类胡萝卜素含量）。红色星号表示健康样本与病害样本之间的统计显著性。

光谱特征提取与新型指数构建： 研究采用连续小波变换（CWT）对400-1000 nm反射光谱进行分解，选用Mexican Hat小波（高斯二阶导数）作为母小波，将原始光谱信号变换为尺度-波长二维小波功率标量图。通过计算各尺度-波长组合与病害尺度之间的决定系数（R²），提取前5%的高相关区域作为候选特征。对2019年和2020年两年数据的相关标量图分别进行阈值化后取交集，最终筛选出4个跨年度稳定的小波特征（WFs）：WF₄₂₃、WF₅₈₁、WF₆₂₄和WF₈₆₅。WF₄₂₃位于叶绿素a/b的强吸收区（430 nm附近），其反射率升高直接反映叶绿素降解；WF₅₈₁和WF₆₂₄分别对应类胡萝卜素/叶黄素和花青素的吸收特征；WF₈₆₅位于近红外区域，主要反映穗部组织的内部结构变化。WF₈₆₅在症状前阶段（DS1，病穗率仅1-3%）即出现显著响应，与FHB的半活体营养型感染模式有关——病原菌在症状出现前已开始对宿主组织内部结构造成损伤。在纹理特征方面，基于上述4个敏感波长，研究提取了8类GLCM纹理特征（均值、方差、同质性、对比度、相异性、熵、二阶矩、相关性），共32个纹理特征。通过随机森林-递归特征消*（RF-RFE）方法，依据变量重要性（VIP）评分进行筛选，最终获得5个跨年度一致的纹理特征（TFs）：COR₄₂₃、MEA₅₈₁、HOM₈₆₅、CON₈₆₅和DIS₈₆₅。

图5. 2019年（a-c）和2020年（d-f）测量的尖峰数据集（DS1、DS2、DS3）的小波系数相关性尺度图，以及每年的交集值（g和h），用于特征提取。最后，显示两年共同的特征（i）。横轴表示400–1000 nm的光谱波段，纵轴为小波尺度2–8。高灰度亮度与疾病相关，反之亦然。红色区域（a-f）表示前5%*强的相关性，而g-i则表示交集值。

感病麦穗在可见光区的平均反射率随病害加重持续升高，而在近红外区（特别是865 nm附近）反射率持续降低，验证了WF₈₆₅对病害的敏感性。为进一步验证WF₈₆₅与穗部组织结构损伤的关联，研究对穗部颖片进行了半薄切片观察。接种后8h，颖片组织细胞结构完整；接种后12h，部分细胞壁出现轻微破坏；接种后20h，组织损伤范围扩大，可见明显的细胞间隙增大和细胞壁降解；接种后30h，颖片组织呈现高度破坏状态。这表明FHB病原菌在症状出现前已开始分泌细胞壁降解酶，对宿主组织造成微观结构损伤，首先表现为近红外区域散射特性的改变。这一发现从组织学层面解释了WF₈₆₅在症状前阶段即显著响应的生理机制。

图6. 三年实验的平均光谱特征。健康：接种当天的反射率；DS：1–3%（DS1）、4–5%（DS2）、6–10%（DS3）、11–20%（DS4）、21–40%（DS5）、41–60%（DS6）、61–80%（DS7）和81–100%（DS8）

图7。通过半薄切片观察的内部尖刺鳞片结构示意图，分别展示了接种后8小时（未受损）、12小时（轻微损伤）、20小时（中度损伤）和30小时（重度损伤）时真菌感染对其破坏的作用。红色箭头标出受损组织。

图8. 基于变量重要性（VIP）通过RF-RFE从尖峰纹理数据集（DS1、DS2、DS3）构建的纹理特征重要性图。

利用筛选出的WFs和TFs，研究构建了4个新型归一化差值指数（经RF-RFE优选）：

• WFSI₁ = (WF₆₂₄ − WF₈₆₅) / (WF₆₂₄ + WF₈₆₅)

• WFSI₂ = (WF₆₂₄ − WF₅₈₁) / (WF₆₂₄ + WF₅₈₁)

• WFTI₁ = (MEA₅₈₁ − CON₈₆₅) / (MEA₅₈₁ + CON₈₆₅)

• WFTI₂ = (MEA₅₈₁ − DIS₈₆₅) / (MEA₅₈₁ + DIS₈₆₅)

其中WFSI₁联合色素响应波段（624 nm）和结构响应波段（865 nm），两个波段对病害的响应方向相反（VIS区反射率升高，NIR区反射率降低），归一化差值可有效放大病害信号并抑制环境噪声。WFTI₁和WFTI₂首*将纹理信息引入FHB检测。

新型指数的分类性能： 研究采用5种机器学习分类器——K近邻（KNN）、随机森林（RF）、支持向量机（SVM）、神经网络（NN）和极*梯度提升（Xgboost），以70%数据训练、30%数据测试的方式，评估上述新型指数与传统植被指数的分类精度。

在症状前阶段，传统植被指数（NDVI、PSNDa、PSNDb、LICI、CAR等）的平均分类精度（ACA）仅约50%，基本不具备有效的早期识别能力。而新型指数的表现显著优越：WFSI₁的ACA达到78.90%，WFTI₁为73.60%，WFSI₂为72.0%，WFTI₂为71.0%。WFSI₁以近10个百分点的优势*先于其他新型指数，表明624 nm与865 nm的联合使用对症状前阶段的病害信号具有*强的放大效应。在DS2阶段（4-5%病穗率），各指数的分类精度进一步提升：WFSI₁的ACA达到90.10%，WFSI₂为90.30%，WFTI₁为88.10%，WFTI₂为85.40%。上述趋势在2019、2020和2021三年数据中保持高度一致，充分证明了新型指数的跨年度稳定性。

图9. 所有机器学习分类器（MLCs）与三个小麦生长季中选定植被指数（VIs）的平均分类准确率（ACA）对比：PSNDaa ∼ PSNDb，色素特异性归一化差值；NDVI，归一化差值植被指数；LIC1，利希滕塔勒指数；CAR，卡特指数，以及新开发的指数：WFSI11 ∼ WFSI2，小麦赤霉病光谱指数；WFTI11 ∼ WFTI2，小麦赤霉病纹理指数。

将四种新型指数进行数据融合后，分类精度获得进一步提升。在症状前阶段，2019、2020、2021三年的融合ACA分别达到79.05%、76.75%和78.59%；在DS2阶段，融合ACA分别提升至98.06%、89.68%和94.83%。光谱信息与纹理信息的互补融合有效弥补了单一模态的不足，实现了显著的增益效果。

图10. 使用不同机器学习分类器对所有新开发的指标与所有指标（光谱+纹理）融合进行平均分类准确率比较。

机器学习算法对比与独立验证： 在所有分类器中，Xgboost的综合表现*优，在独立验证数据集（EXP.04，非成像数据）上，从DS2阶段起多数病害尺度的分类精度达到100%；神经网络（NN）次之。Xgboost在计算速度、模型可扩展性和内存占用效率方面均表现出明显优势。不同分类器对同一特征的响应存在差异——这一发现提示，在评估特征和指数的鲁棒性时，不应依赖单一算法，而应采用多分类器集成评估框架。独立验证结果显示，WFSI₁和WFSI₂在非成像数据上同样表现出高分类精度，Xgboost在DS2及以后阶段多数达到100%。这一结果证明本研究所开发的方法不仅可以用于高光谱成像系统，也可以迁移至更简单的非成像光谱设备（如便携式光谱仪），大大降低了田间应用的技术门槛。

图11. 不同机器学习分类器（MLCs）与数据集的平均分类准确率（ACA）对比分析。A图：X轴为MLCs，Y轴显示各实验年份（2019、2020和2021）的具体ACA，其中A左为无症状期，A右为有症状或全部疾病等级（DS1-DS8）。B图：X轴为MLCs，Y轴分别显示小波特征（WFs）、纹理特征（TFs）以及WFs+TFs（数据融合）的ACA，其中B左为无症状期，B右为有症状或全部疾病等级（DS1-DS8）。

病害严重程度定量估测： 在单变量线性回归中，WFSI₁的建模R²=0.88，独立验证R²=0.84、RMSE=14.94；WFSI₂的建模R²=0.90，独立验证R²=0.83、RMSE=15.15。两个光谱指数均表现出优异的定量估测性能。纹理指数WFTI₁（R²=0.53）和WFTI₂（R²=0.57）的定量估测精度较低，更适合用于分类任务。在多变量回归中，将四种指数联合作为输入特征，KnnR取得*优结果——R²=0.91，RMSE=10.81，优于RFR（R²=0.90，RMSE=11.70）和SVMR（R²=0.91，RMSE=11.54）。

图12. 利用EXP.02数据集进行校准（圆圈）和EXP.03数据集进行验证（三角形）的新型指数之间的多变量定量关系示意图：小麦赤霉病光谱指数（WFSI1 和 WFSI2）、小麦赤霉病质地指数（WFTI1 和 WFTI2）与病害严重度等级（DS）的关系：（A）随机森林回归（RFR），（B）支持向量机回归（SVMR），（C）K近邻回归（KnnR）。

7. 结论与启发

核心结论： ①在生化层面，叶绿素含量是FHB感染后最早出现显著变化的指标（DS1阶段，P<0.05），早于含水量和类胡萝卜素，为光谱检测提供了明确的生理学靶标。②通过连续小波变换与年度间交集策略筛选出的4个小波特征（WF₄₂₃、WF₅₈₁、WF₆₂₄、WF₈₆₅）具有明确的生理学含义和跨年度稳定性，其中WF₈₆₅在症状前阶段的响应与FHB半活体营养型感染导致的早期组织结构损伤有关。③新型光谱指数（WFSI₁、WFSI₂）和纹理指数（WFTI₁、WFTI₂）在症状前阶段的ACA达到71-79%，在DS2阶段达到85-90%，显著优于传统植被指数，数据融合进一步将DS2阶段的ACA提升至98%。④Xgboost在多分类器中表现*优，在独立验证数据集上多数阶段达到100%精度。

可复制的核心技术点：

一致特征选择策略。 未将多年数据混合后一次性筛选，而是对各年度数据独立分析后取交集，有效排除了单一年份特有的偶发相关特征，提升了模型的跨年度可转移性。

光谱-纹理双模态指数开发。 将光谱信息和GLCM纹理信息分别构建归一化指数，分别降维后再融合，既保留了“图谱合一”的核心优势，又避免了高维数据输入带来的计算复杂度和过拟合风险。

技术观察与启示：

近红外区域的价值。 WF₈₆₅在病穗率仅1-3%时即显著响应，说明NIR波段对半活体营养型病原菌引起的早期组织结构损伤高度敏感，设备选型时NIR波段的光谱分辨率与信噪比至关重要。

纹理特征的前症状优势。 症状前阶段纹理指数精度高于光谱指数，提示病害对组织结构的早期损伤可能早于生化组分的可测变化。“早期纹理占优、后期光谱占优”的规律可能适用于其他点状病斑起始的病害。

指数化对设备小型化的支撑。 4个指数仅涉及4个光谱波段及其纹理特征，为开发窄带专用传感器提供了理论依据，降低了设备成本和计算负担。

应用迁移方向： 本研究的方法论框架可迁移至粮食仓储与食品安全领域——谷物中DON、黄曲霉毒素等真菌毒素的无损快速筛查；在中药材质量控制方面，所建立的“光谱-纹理”双指标评价体系可为其提供新的质量评价范式；在农作物病害早期预警方面，本研究的特征选择和指数构建方法可迁移至水稻稻瘟病、玉米大斑病等其他真菌病害的早期检测研究。

8. 论文引用信息

1. Mustafa, G., Zheng, H., Khan, I.H., et al. (2024). Enhancing fusarium head blight detection in wheat crops using hyperspectral indices and machine learning classifiers. Computers and Electronics in Agriculture, 218, 108663.

2. Cheng, T., et al. (2010). Detection of Fusarium head blight in wheat using continuous wavelet analysis.

3. Mahlein, A.K., et al. (2013). Development of spectral indices for detecting different plant diseases.

4. Zhang, D.Y., et al. (2020). Integrating spectral and image data to detect Fusarium head blight of wheat. Computers and Electronics in Agriculture, 175, 105588.

5. Zheng, H., et al. (2019). Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery. Precision Agriculture, 20, 611-629.

原文DOI链接：https://doi.org/10.1016/j.compag.2024.108663​