路皓翔 徐明昌 张卫东 杨辉华 刘振丙

摘 要 针对柑橘黄龙病检测模型的准确度较低、可靠性较差等问题，提出了一种压缩自编码融合极限学习机（Contractive auto-encoder combined extreme learning machine，CAE-ELM）的柑橘黄龙病鉴别方法。此方法通过ELM代替CAE顶层的Softmax分类器和反向微调阶段，达到减少算法运行时间同时提高模型的稳定性及鉴别能力的目的。其中，CAE实现了样本深层特征提取，ELM可实现分类鉴别。为了评估CAE-ELM模型性能，以不同比例的柑橘叶片近红外光谱数据作为训练集进行实验，采用波形叠加极限学习机（Summation wavelet extreme learning machine， SWELM）、ELM、支持向量机（Support vector machine， SVM）、堆叠去噪自编码（Stacked denoising auto-encoder， SDAE）、反向传播模型（Back propagation， BP）、CAE作为对比方法。在柑橘黄龙病的鉴别实验中，无论训练集样本大小，CAE-ELM均能保持最高的分类准确度，尤其当训练集与测试集为1080/165时分类准确度达100.00。同时，CAE-ELM模型比SDAE、CAE和BP模型具有更快的训练速度，但慢于SVM、ELM和SWELM模型。结果表明，CAE-ELM模型可以准确鉴别柑橘黄龙病，且模型具有良好的鲁棒性和可扩展性。

关键词 压缩自编码; 极限学习机; 近红外光谱; 柑橘黄龙病

1 引 言

近年来，化学计量学结合光谱分析技术已经广泛用于各个行业和产业[1～4]，其中近红外光谱分析技术具有检测准确度高、无污染、高效的优点，受到广泛关注。柑橘黄龙病是柑橘产业的毁灭性病害，在我国的广西、江西、湖南等柑橘主产区传播广泛[5]。因无有效的根治方法，一旦柑橘树发病，通常只能将果树砍掉，所以又被称为柑橘树的“癌症”。

黄龙病病菌是一种依靠木虱进行传播的类细菌病原体[6，7]，柑橘树一旦感染该病菌，会导致其根须腐烂，在很短的时间内丧失结果的能力，造成极大的损失。……