通过波长优化和深度学习构建的跨品种高光谱框架，用于柑橘黄龙病的检测

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：A cross-cultivar hyperspectral framework for huanglongbing detection in citrus via wavelength optimization and deep learning

柑橘黄龙病多品种通用检测方法研究基于高光谱成像技术，结合SPA和PSO算法优化特征波长，构建CMR-CNN等多模型分类系统，实现跨品种黄龙病诊断，验证了通用检测框架的可行性与模型性能提升。

　　Huanglongbing（HLB），也被称为黄龙病，是一种对全球柑橘产业造成严重威胁的毁灭性病害。该病由柑橘黄龙病菌（Candidatus Liberibacter asiaticus）感染柑橘树的韧皮部组织引起，导致树木生长力下降以及果实品质劣化。目前，HLB尚无有效的治疗方法，因此，早期和准确的检测对于控制病害传播、减少经济损失至关重要。由于不同柑橘品种在果皮形态和结构上存在显著差异，它们的高光谱反射特性也各不相同。这种差异限制了传统高光谱HLB检测方法在不同品种之间的适用性。即便是在相似病害严重程度的叶片中，敏感波长处的反射差异依然存在，进一步降低了传统高光谱检测方法在多品种中的适应性。为了解决这一问题，本研究提出了一种基于高光谱成像的多品种HLB检测方法。在数据采集与预处理后，采用Successive Projections Algorithm（SPA）算法提取特征波长，并使用Particle Swarm Optimization（PSO）算法识别在不同品种间保持一致的波长。通过t-检验验证了这些优化波长的统计显著性。研究结果表明，在特定条件下，不同品种的光谱响应存在显著差异，这证实了所选波长具有跨品种的区分能力。随后，使用SPA和PSO算法处理后的特征集分别训练了三种分类模型：Support Vector Machine（SVM）、Multi-layer Perceptron（MLP）以及一种定制的Convolutional Multi-scale Residual Network（CMR-CNN）。模型采用leave-one-out方法进行测试。PSO优化后的特征集显著提升了模型的性能。在每个品种依次作为测试集的实验设置中，模型运行十次，其性能以所有品种测试结果的均值±标准差（SD）进行表达。SVM的准确率从89.38%±0.81%提升至91.65%±0.7%；MLP的准确率从89.58%±1.19%提升至91.80%±0.35%；CMR-CNN的准确率从90.83%±0.43%提升至92.85%±0.7%。由于其结构复杂性和卓越的特征提取能力，CMR-CNN模型表现出最出色的诊断性能，并在高光谱成像技术用于植物病害诊断方面展现出巨大潜力。该方法建立了一个适用于多种柑橘品种的通用HLB检测框架，无需为不同品种单独建模。

柑橘产业在全球农业经济中占据重要地位，是推动区域经济增长的关键因素。然而，HLB作为一种严重的植物病害，对柑橘产业的可持续发展构成了重大威胁。HLB由Candidatus Liberibacter asiaticus感染柑橘树的韧皮部组织引起，导致树木生长力下降以及果实品质劣化。目前，尚未找到有效的治疗方法，因此，控制HLB的主要策略是尽早发现感染的树木并及时移除，以破坏病原体的传播循环。因此，迫切需要开发快速、准确且无损的HLB早期诊断技术。HLB的典型症状主要体现在叶片上，表现为不规则的黄绿色斑块。因此，本研究以柑橘叶片为研究对象，旨在开发一种适用于多种品种的HLB诊断方法。

目前，检测柑橘HLB的主要方法包括破坏性技术，如生物分子检测和血清学检测。这些方法存在显著的缺点，如采样误差大、成本高、操作过程复杂以及对技术要求较高。近年来，研究人员开始探索非破坏性和快速检测技术，如光谱技术和机器视觉。常用的光谱方法包括近红外光谱、拉曼光谱和可见-近红外光谱。虽然光谱检测方法是非破坏性的，但它们本质上只提供单点光谱曲线，缺乏空间信息。因此，每次测量仅能获得整个叶片的平均光谱曲线，无法捕捉局部病变的特征。

高光谱成像（Hyperspectral Imaging, HSI）是一种先进的技术，结合了精密光学、电子和计算，能够同时获取空间和光谱信息。通过捕捉样本区域内每个像素的光谱数据，HSI可以实现对材料组成的精确分析。将成像与光谱数据结合，使HSI技术在农业应用中得到了广泛应用。近年来，HSI被越来越多地用于柑橘HLB的检测。例如，Ma等人利用HSI结合机器学习，区分了健康柑橘叶片、HLB感染叶片和缺锌叶片，其研究在496–1010 nm的光谱范围内展示了LS-SVM模型在利用SPA优化波长图像的纹理特征进行分类时，健康叶片的准确率达到100%，HLB感染叶片的准确率为93.3%，缺锌叶片的准确率为92.9%。同样，Sun等人利用高光谱成像结合相关分析和DPLS方法，区分了健康叶片、黄化叶片和绿色叶片。通过光谱数据处理开发了峰值比和DPLS模型，提出了一种两步方法，实现了96.7%的样本验证分类率，证实了其方法的可行性。这些研究结果突显了HSI在柑橘HLB早期检测中的显著优势和应用潜力。然而，HSI在实际应用中面临的主要技术挑战是实现跨品种的检测兼容性。不同柑橘品种在生长特性与形态结构上的差异导致其高光谱反射基线存在显著差异。因此，即使是在相同HLB感染程度的叶片中，不同品种的反射差异依然存在，尽管HLB具有特征性的光谱敏感性。直接将单一品种的模型应用于多品种的检测场景，最终会导致检测准确率显著下降。

本研究旨在利用高光谱成像技术结合多尺度卷积神经网络与残差结构，对健康与病害柑橘样本进行分类和区分。研究将从不同柑橘品种的反射数据中识别出病害敏感的光谱波段，并探讨其在不同品种间的光谱响应变化。随后，通过系统评估每种分类模型的性能，验证所提出方法的有效性和优越性。本研究的具体目标包括：（1）分析四种柑橘品种在光谱波长范围内的反射差异；（2）提取和优化光谱特征，并比较特征优化前后分类模型的性能；（3）比较具有多尺度卷积和残差结构的卷积神经网络与两种传统机器学习模型的分类性能。最终，本研究的目标是实现对不同柑橘品种的病害检测，完成跨物种的泛化能力，并克服传统单一品种检测方法的局限性。本研究的关键步骤如图1所示。

在这一框架下，建立一个统一且严谨的实验协议，用于对多种学习算法进行基准测试，具有至关重要的意义。这一框架突显了对模型性能进行高效、可靠评估的迫切需求。Kurban H等人通过求解Kohn-Sham（KS）方程预测材料特性，并开发了新的机器学习方法以实现快速总能量估算。另一项研究涉及对23种CH3NH3PbI3钙钛矿纳米颗粒进行系统基准测试，结果显示基于树的集成方法能够完美预测原子结构，而包括神经网络和支持向量机在内的主流算法则未能有效学习该系统。这种对比突显了基准测试在识别适用于特定材料系统的机器学习方法中的关键作用。基准测试为模型性能提供了一个公平且可重复的评估平台。通过使用相同的实验数据集、预处理流程和一致的性能指标，将传统机器学习模型与我们的创新深度学习模型进行比较，可以确保任何性能差异来源于算法本身的泛化能力和特征提取能力，而非不一致的实验条件。这种受控的比较是科学评估模型泛化性能的基础，能够防止由于不同评估协议导致的误判。这种并列比较显著增强了研究结论的客观性和说服力。

本研究的样本准备阶段采用了来自浙江省台州市的柑橘叶片样本，包括健康和病害样本。样本来源于台州市柑橘研究所，代表了四种主要的柑橘品种：红美人、温州蜜柑、橙子和金桔。对于每个品种，样本是在生长季节从自然田间环境中采集的。每棵植株采集了10片叶片，总计每个品种收集了50片健康的和50片病害的叶片。样本的采集确保了实验数据的多样性与代表性，为后续的高光谱成像分析提供了坚实的基础。在样本准备过程中，特别注意了样本的均匀性与完整性，以确保不同品种之间的对比具有统计学意义。此外，样本的采集时间与环境条件也被严格控制，以减少外部因素对实验结果的干扰。

在柑橘叶片的高光谱数据分析中，使用ENVI软件提取了四种柑橘品种的光谱数据。从400个样本中获得了20,000条光谱曲线。每个样本的50条光谱曲线被平均处理，得到400条平均光谱曲线。为了减少噪声干扰，排除了对噪声敏感的波段，保留了在450–900 nm范围内的225个波段用于后续分析。为了更稳健地比较健康与病害组之间的光谱差异，采用了多种统计方法进行数据处理与特征提取。通过对光谱数据的深入分析，研究人员能够识别出不同品种在特定波长范围内的光谱响应模式，并进一步探讨其在病害检测中的潜在应用。这些分析结果为后续的分类模型训练提供了重要的数据支持。

本研究的结论表明，高光谱成像技术结合特征优化与深度学习，能够实现对多种柑橘品种的HLB准确诊断。主要发现包括：（1）HLB感染的叶片在500–680 nm范围内表现出显著增加的反射率，并且在红边区域（690–740 nm）附近出现了明显的蓝移现象。两个波长——707.0 nm和795.3 nm，被识别为在所有品种中都具有高度区分能力。（2）特征优化显著提升了分类模型的性能，尤其是在跨品种检测中，优化后的特征集能够更有效地捕捉HLB的特征响应，从而提高检测的准确性。（3）CMR-CNN模型在所有分类模型中表现出最佳的诊断性能，其在多品种检测中的准确率显著高于SVM和MLP模型。这表明，CMR-CNN模型在处理高光谱数据时具有更强的泛化能力和特征提取能力，能够适应不同品种的光谱响应模式。

本研究的成果不仅为柑橘HLB的早期检测提供了新的技术手段，也为农业病害诊断领域带来了重要的参考价值。通过结合高光谱成像与深度学习技术，研究人员能够突破传统方法在跨品种检测中的局限性，实现更广泛的适用性。此外，本研究强调了特征优化在提升模型性能中的关键作用，为后续的农业检测研究提供了理论支持和实践指导。这些成果有望推动高光谱成像技术在农业领域的进一步应用，并为实现智能化、精准化的植物病害检测提供新的思路。

本研究的成果具有重要的现实意义和应用前景。在农业生产中，病害的早期检测能够有效减少经济损失，提高作物产量和品质。通过高光谱成像技术，研究人员能够在不破坏作物的前提下实现病害的快速识别，为农业生产提供更加高效、便捷的检测手段。此外，本研究提出的跨品种检测方法，能够适应不同柑橘品种的光谱响应差异，提高检测的普适性。这对于推广高光谱成像技术在柑橘产业中的应用具有重要意义。通过本研究，研究人员能够更好地理解不同品种在光谱响应上的差异，并开发出更适用于多品种检测的模型。

本研究的成果还为农业检测技术的发展提供了新的方向。传统的检测方法往往需要大量的样本和复杂的实验流程，而高光谱成像技术能够通过非破坏性的方式快速获取作物的光谱信息，从而提高检测效率。此外，本研究提出的特征优化方法，能够有效提取病害敏感的光谱波段，提高模型的准确性。这对于农业检测技术的优化与升级具有重要的参考价值。通过本研究，研究人员能够更好地理解不同品种在光谱响应上的差异，并开发出更适用于多品种检测的模型。

本研究的成果不仅在柑橘HLB的检测中具有应用价值，还为其他植物病害的检测提供了借鉴。通过高光谱成像技术，研究人员能够捕捉植物叶片的光谱特征，并结合深度学习模型进行分类和诊断。这种方法不仅适用于柑橘叶片，也可以推广到其他作物的病害检测中。通过跨品种的检测方法，研究人员能够突破传统方法的局限性，实现更广泛的适用性。这对于推动农业检测技术的发展具有重要意义。此外，本研究提出的特征优化方法，能够有效提高分类模型的性能，为其他农业检测研究提供了理论支持和实践指导。

本研究的成果还具有重要的技术推广价值。随着高光谱成像技术的不断发展，其在农业领域的应用范围正在不断扩大。通过本研究，研究人员能够更好地理解不同品种在光谱响应上的差异，并开发出更适用于多品种检测的模型。这不仅有助于提高柑橘HLB的检测准确性，也为其他植物病害的检测提供了新的思路。此外，本研究提出的跨品种检测方法，能够实现检测的普适性，提高技术的推广价值。通过这种方法，研究人员能够将高光谱成像技术应用于更广泛的农业场景，为农业生产提供更加精准的检测手段。

本研究的成果还强调了跨学科合作的重要性。高光谱成像技术的广泛应用需要结合光学、电子、计算等多个学科的知识。通过本研究，研究人员能够将这些学科的知识整合起来，开发出更加高效的检测方法。此外，本研究还涉及机器学习和深度学习技术的应用，展示了这些技术在农业检测中的潜力。通过跨学科的合作，研究人员能够更好地解决农业检测中的复杂问题，提高检测的准确性与效率。这种跨学科的合作模式为未来农业检测技术的发展提供了重要的参考价值。

本研究的成果还具有重要的社会和经济价值。柑橘产业是许多国家和地区的重要经济支柱，HLB的爆发对柑橘产业的可持续发展构成了严重威胁。通过本研究提出的高光谱成像技术，研究人员能够实现对HLB的快速、准确检测，为柑橘产业的病害防控提供技术支持。这不仅有助于提高柑橘产量和品质，还能减少经济损失，提高农民的收入。此外，本研究提出的跨品种检测方法，能够适应不同柑橘品种的光谱响应差异，提高检测的普适性。这对于推广高光谱成像技术在柑橘产业中的应用具有重要意义。

本研究的成果还为农业智能化发展提供了重要的技术支持。随着人工智能和大数据技术的快速发展，农业检测技术正在向智能化方向迈进。通过本研究提出的高光谱成像技术结合深度学习模型，研究人员能够实现对植物病害的自动识别和分类，提高检测的效率和准确性。这不仅有助于提高农业生产水平，还能推动农业的智能化发展。此外，本研究提出的跨品种检测方法，能够适应不同柑橘品种的光谱响应差异，提高检测的普适性。这对于推广高光谱成像技术在柑橘产业中的应用具有重要意义。

本研究的成果还为农业研究提供了新的方法论支持。传统的农业检测方法往往依赖于单一的光谱波段或简单的统计分析，而高光谱成像技术能够提供更全面的光谱信息，结合深度学习模型进行分类和诊断。这种方法不仅提高了检测的准确性，还增强了研究的科学性和系统性。此外，本研究提出的跨品种检测方法，能够适应不同柑橘品种的光谱响应差异，提高检测的普适性。这对于农业研究的进一步发展具有重要意义。通过本研究，研究人员能够更好地理解不同品种在光谱响应上的差异，并开发出更适用于多品种检测的模型。

本研究的成果还具有重要的技术推广价值。随着高光谱成像技术的不断发展，其在农业领域的应用范围正在不断扩大。通过本研究，研究人员能够更好地理解不同品种在光谱响应上的差异，并开发出更适用于多品种检测的模型。这不仅有助于提高柑橘HLB的检测准确性，也为其他植物病害的检测提供了新的思路。此外，本研究提出的跨品种检测方法，能够适应不同柑橘品种的光谱响应差异，提高检测的普适性。这对于推广高光谱成像技术在柑橘产业中的应用具有重要意义。

本研究的成果还为农业检测技术的发展提供了新的方向。传统的检测方法往往需要大量的样本和复杂的实验流程，而高光谱成像技术能够通过非破坏性的方式快速获取作物的光谱信息，从而提高检测效率。此外，本研究提出的特征优化方法，能够有效提取病害敏感的光谱波段，提高模型的准确性。这对于农业检测技术的优化与升级具有重要的参考价值。通过本研究，研究人员能够更好地理解不同品种在光谱响应上的差异，并开发出更适用于多品种检测的模型。

本研究的成果还强调了跨学科合作的重要性。高光谱成像技术的广泛应用需要结合光学、电子、计算等多个学科的知识。通过本研究，研究人员能够将这些学科的知识整合起来，开发出更加高效的检测方法。此外，本研究还涉及机器学习和深度学习技术的应用，展示了这些技术在农业检测中的潜力。通过跨学科的合作，研究人员能够更好地解决农业检测中的复杂问题，提高检测的准确性与效率。这种跨学科的合作模式为未来农业检测技术的发展提供了重要的参考价值。

本研究的成果还具有重要的社会和经济价值。柑橘产业是许多国家和地区的重要经济支柱，HLB的爆发对柑橘产业的可持续发展构成了严重威胁。通过本研究提出的高光谱成像技术，研究人员能够实现对HLB的快速、准确检测，为柑橘产业的病害防控提供技术支持。这不仅有助于提高柑橘产量和品质，还能减少经济损失，提高农民的收入。此外，本研究提出的跨品种检测方法，能够适应不同柑橘品种的光谱响应差异，提高检测的普适性。这对于推广高光谱成像技术在柑橘产业中的应用具有重要意义。

本研究的成果还为农业智能化发展提供了重要的技术支持。随着人工智能和大数据技术的快速发展，农业检测技术正在向智能化方向迈进。通过本研究提出的高光谱成像技术结合深度学习模型，研究人员能够实现对植物病害的自动识别和分类，提高检测的效率和准确性。这不仅有助于提高农业生产水平，还能推动农业的智能化发展。此外，本研究提出的跨品种检测方法，能够适应不同柑橘品种的光谱响应差异，提高检测的普适性。这对于推广高光谱成像技术在柑橘产业中的应用具有重要意义。

本研究的成果还为农业研究提供了新的方法论支持。传统的农业检测方法往往依赖于单一的光谱波段或简单的统计分析，而高光谱成像技术能够提供更全面的光谱信息，结合深度学习模型进行分类和诊断。这种方法不仅提高了检测的准确性，还增强了研究的科学性和系统性。此外，本研究提出的跨品种检测方法，能够适应不同柑橘品种的光谱响应差异，提高检测的普适性。这对于农业研究的进一步发展具有重要意义。通过本研究，研究人员能够更好地理解不同品种在光谱响应上的差异，并开发出更适用于多品种检测的模型。