胡泽轩，王文秀，张 凡，2，赵丹阳，马倩云，孙剑锋

（1.河北农业大学 食品科技学院，河北 保定 071000；2. 塔里木大学 现代农业工程重点实验室，新疆 阿尔罕 843300）

‘库尔勒’香梨具有皮薄酥脆、风味独特等优点，深受消费者喜爱［1］，然而在贮藏过程中，香梨果实容易受到链格孢属真菌Alternaria alternata的侵染导致黑斑病［2］。目前对梨采后病害的诊断主要依靠人工识别，但由于潜育期果实表面无明显变化，且人工识别受到主观因素的影响较大，因此误判率较高，这些误判的果实在贮藏期间不仅自身会腐败变质，还会影响附近的健康果实，最终导致大面积病害的发生［3-4］，造成严重的经济损失。因此建立客观、快速、准确的香梨黑斑病潜育期检测方法是十分必要的。

高光谱成像（Hyperspectral imaging，HSI）技术能够同时获取样品的光谱信息和图像信息，实现“图谱合一”，具有分辨率高、波段较多等优点［5］。目前已有部分学者利用该技术实现了水果表面病害的识别［6-8］，证明了其在水果病害检测领域具有良好的应用前景。但现有研究大多针对样品的显性病征进行识别，在深度挖掘样品内部信息，实现病害潜育期的准确识别方面缺少系统性研究。在利用HSI 技术对水果病害进行诊断识别时，需要结合适当的化学计量学方法，目前应用较为广泛的分类模型算法包括最小二乘支持向量机（Least squaressupport vector machines，LS-SVM）、K 最邻近法（K-nearest neighbor，KNN）、随机森林算法（Random forest，RF），等［9］。近年来深度学习算法因其自主学习能力强，可以处理大批量样本数据而备受关注［10］，其中卷积神经网络（Convolutional neural network，CNN）作为1 种深度学习算法，可以直接利用原始图像，从大批量样本中提取出样品的特征信息，避免了复杂的特征提取过程，且该过程是自动进行的，避免了因主观因素产生的实验误差［11］。此外，CNN 对数据预处理的要求较低，甚至不对数据进行预处理即可对光谱信号进行分析，对操作人员的专业性要求较低。CNN 还能进行非线性建模处理，有较强的的泛化能力［10］。鉴于CNN 能够充分挖掘高光谱图像中的深度特征信息，将其与HSI 技术结合，有望实现对‘库尔勒’香梨潜育期病害样品的识别。

针对上述问题，本研究以不同染病程度‘库尔勒’香梨为研究对象，基于高光谱成像技术和卷积神经网络，构建‘库尔勒’香梨黑斑病潜育期快速诊断识别方法。此外，还利用LS-SVM、KNN、RF等常规算法构建模型，进一步对比验证CNN 模型的分类效果。研究结果可为库尔勒香梨黑斑病的无损、实时、准确检测提供参考。

1 材料与方法

1.1 试验样品制备

实验选用大小形状均匀，表面无病害的‘库尔勒’香梨样品共计172 个。为了获得发病样品，首先选择自然发病的香梨果实，从染病区域分离纯化得到病原菌后，将其制备成菌悬液，接种到健康果实中。为了获得不同发病程度的样品，每天接种17 个样品，持续10 d，最终得到124 个接种病原菌的果实和48个健康果实。在培养过程中记录每个样品上病斑的直径，并根据病斑面积与果实面积的比率，参考表1 的标准［12］将样品分为健康、潜育期、轻度发病、重度发病4 个等级。

表1 ‘库尔勒’香梨分级标准Table 1 Classification standard of korla fragrant pear

1.2 高光谱成像系统及图像采集

实验所用高光谱成像系统主要由CCD 相机、2个卤素光源、位移平台、步进电机和计算机组成。经过前期重复试验，位移平台速度、相机与样品间距离、相机曝光时间分别设置为9.74 mm/s、500 mm、8.50 ms。采集样品时，将样品的病变区域向上，按照3 行×3 列的方式摆放在位移平台上，利用线扫描的方式采集样品的高光谱图像。在图像采集过程中，由于暗电流和不同透镜对光的敏感程度不同，需对采集到的高光谱图像进行黑白校正处理。

1.3 光谱信息提取

在提取光谱信息前，对采集到的图像进行分割，得到单个样品的高光谱图像。感兴趣区域的选择在高光谱数据分析中十分重要，能够直接影响模型的准确率和性能。本研究通过阈值分割法选取整个香梨样品作为感兴趣区域，并利用ENVI 5.3 计算出所有像素点的平均光谱作为样品的光谱信息。

1.4 数据增强

由于卷积神经网络中参数量十分庞大，需要大量有标签的样本对模型进行训练［13］。因此本研究参照专利［14］的方法对172 组原始数据进行30倍扩增处理。经过数据增强，共得到5 160 条包含不同染病阶段样品的光谱数据，分别包括健康样品1 440 条、潜育期样品1 890 条、轻度染病样品960 条、重度染病样品870 条。

1.5 光谱预处理

提取到的光谱信息中，除了包含样品本身的信息外，还有一些无关信息如噪声和背景等，对模型的精度产生一定影响［15］。本研究首先利用Savizkg-Golag 5 点平滑消除随机噪声，并对比分析了标准正态变量变换（Standard normal variable transformation，SNV）、一阶导数（First derivative，FD）、二阶导数（Second derivative，SD）及其组合使用对建模结果的影响［16］。

1.6 模型建立及评价

利用Kennard-stone（K-S）算法将预处理后的数据按3 ∶1 的比例划分为校正集和预测集，其中校正集中有3 870 个样品，预测集中有1 290 个样品。

1.6.1 基于常规算法的模型建立 采用了LS-SVM，KNN，RF 3 种常规算法建立分类模型。其中LSSVM 是传统支持向量机的改进和推广，以结构风险最小化为原则，避免了求解二次规划问题；KNN 通过度量特征空间中样本之间的相似性，获得距离目标点最近的k个点，并根据少数服从多数的分类决策规则，确定目标点的分类，本研究k选定为3；RF 是1 种机器学习中常用的决策树算法，效率更高，且不易产生过拟合现象，本研究中随机树数量为500。

1.6.2 基于卷积神经网络的模型建立 CNN 是1 类包含卷积计算且具有深度结构的前馈神经网络，主要由输入层、卷积层、池化层、全连接层和输出层组成（图1），是深度学习的代表算法之一。在建立CNN 模型前，将预处理后的一维光谱数据转变为二维数据，以增强CNN 模型深度挖掘光谱数据中特征信息的能力，最后将人工标记的标签作为输出变量建立CNN 模型。由于网络在向前传输的过程中，每一层卷积的卷积核随机产生，因此最后1 层卷积层的特征输出不相同，需要对整个网络模型不断迭代，根据网络的预测值与标签值之间的损失优化训练过程中的随机量，最终达到模型拟合，并保存最优的模型参数。本研究采用交叉熵损失函数作为模型更新的衡量指标。

图1 卷积神经网络结构示意图Fig. 1 Structure diagram of convolutional neural network

（1）网络结构的优化

在构建CNN 模型时，不同的网络结构会对模型的分类效果产生影响，因此需对网络结构进行优化。本实验将卷积层数量设置为1、2、3，全连接层数量设置为1、2、3，在此基础上进行不同层数间的组合，最终设计了9 种不同的网络结构，并对这些结构进行训练，通过对比不同网络结构模型的分类效果，确定最优网络结构，此时模型的学习率设置为0.000 1。

（2）学习率值的优化

在确定最优网络结构后，需要对CNN 模型的一些超参数进行优化［17］，其中学习率作为最重要的超参数，能够加快模型收敛，避免陷入局部最优的局面，因此选择对学习率进行优化。基于最优网络结构，分别将学习率设置为0.000 1、0.001、0.01、0.000 5、0.005，其它参数的设置如表2 所示。

表2 CNN 模型参数Table 2 Parameters of CNN model

1.6.3 模型评价 以准确率（%）为评价指标，常规算法建模分析在Matlab2014a 中完成，CNN 建模分析在PyCharm Community Edition 2022.1中完成。

2 结果与讨论

2.1 ‘库尔勒’香梨样品分析

不同病害程度的香梨样品如图2 所示。在潜育期，链格孢菌在香梨果实内部不断增殖，但与健康果实相比，外观无明显变化；随着侵染时间的增加，接种区域附近表皮组织开始坏死，形成肉眼可见的黑褐色圆形病斑；在侵染后期，病原菌逐步扩散到周围健康区域，病斑区域加大，同时病斑区域会产生少量液体沉淀，可能是随着侵染时间延长，果实表面的蜡质层及果实细胞壁组成的防御性结构被破坏，细胞内各种酶活性降低，病原菌更容易入侵所致［18］。本研究采用注射器接种链格孢菌悬液的方式模拟制备黑斑病样品，较大程度地接近自然发病样品，使所建立的模型具有较高的实际应用价值。同时，利用游标卡尺测量病斑直径，并计算出病斑面积与果实面积的比率，参照表1 标准对不同染病等级的样品进行分类，减小了人为误差，使研究结果更精确。

图2 不同染病程度的库尔勒香梨Fig.2 ‘Korla’ fragrant pear at different infection degrees

2.2 原始光谱信息及预处理

不同染病程度样品的平均光谱如图3（a）所示，随着染病程度的加深，样品反射率整体呈下降趋势。980、1 210、1 450 nm 处的吸收峰较为明显，其中980 nm 的吸收峰与O-H 的2 级倍频伸缩振动有关［19］；1 210 nm 处的吸收峰与C-H 伸缩的3 级倍频有关；1 450 nm 处的吸收峰与O-H 伸缩的1级倍频有关。健康梨的反射率与潜育期梨的反射率接近，这可能是由于侵染早期，病原菌数量较少，并未大量消耗样品中的水分、糖分等，同时由于植物表皮蜡质层和植物组织细胞壁的防御作用，使得梨果实发生的变化较小。同种发病程度的样品光谱强度有所不同，可能是由于样品中原始叶绿素含量不同，此外由于叶绿素不稳定，在贮藏过程中会分解，也会导致吸收峰强度不同［20］。采用不同方法预处理后的光谱如图3（b）～（h）所示。导数处理使隐藏在原始光谱较宽吸收频带中的特征峰（如1 130 nm 和1 390 nm 处）得到了增强，；SNV 处理后的光谱与原始光谱趋势一致，但有效减少了样品间因光散射引起的误差。将导数处理与SNV 结合，可以有效增强样品特征峰的强度，同时减小光散射引起的误差，FD+SNV、SNV+FD 和SD+SNV、SNV+SD 处理分别与FD、SD 的总体趋势相同，但在数值上有明显差异。

图3 不同病害程度样品的原始光谱及预处理光谱Fig. 3 Original and pretreated spectra of pear samples at different disease degrees

2.3 基于常规算法的建模结果分析

分别将健康、潜育期、轻度染病、重度染病香梨样品赋予类别标签0、1、2、3，基于全部波段，分别利用LS-SVM、KNN、RF 3 种算法进行建模分析，结果如表3 所示。可以发现，基于预处理光谱的建模结果均优于原始光谱建模结果，表明适当的预处理方法能够有效减少噪声和背景的干扰，同时消除散射的影响，对保留光谱中的有效信息、提高模型的鲁棒性有着十分重要的意义。对比不同算法的建模结果可知，LS-SVM 模型的分类效果最好，且FD+SNV 预处理后模型准确率最高，验证集准确率为87.75%；而利用KNN 和RF 建模时，同样是FD+SNV 处理后模型结果最优，验证集准确率分别为87.21%、85.35%，表明FD+SNV 能够更好地消除光谱中无关信息的影响。

表3 不同分类模型判别准确率比较Table 3 Comparison of discrimination accuracy of different models

为了更直观地观察FD+SNV 处理后模型的分类效果，利用混淆矩阵对分类结果进行了分析（图4）。在混淆矩阵中，对角线上的数字代表分类正确的数量，其他数字代表分类错误的样品，颜色越浅，代表模型预测该类别的数量越多。从图中可以看出，模型对健康和潜育期样品的分类效果较差，但能够较好地识别出轻度染病样品和重度染病样品。对于健康和潜育期样品而言，LS-SVM 模型相较于其他2 种模型的分类准确率更高，为85.69%，大量样品被误判可能是由于健康与潜育期样品外观无明显差异，且常规算法无法挖掘光谱中深层的特征信息。对于轻度和重度染病样品而言，3 种算法的建模结果较为相似，其中RF 模型的分类准确率更高，有16 个轻度染病样品被误判为潜育期样品，1 个被误判为重度染病样品，可能是由于部分样品相较于其他轻度染病样品而言，发病不明显，光谱中的特征信息与潜育期样品接近，常规模型无法准确识别造成的，此外个体间差异也会导致误判；有18 个重度染病样品被误判为轻度染病样品，可能是由于这部分样品相较于其它重度染病样品，发病程度较低，光谱中的特征信息与轻度染病样品相似造成的。

图4 不同分类模型的混淆矩阵Fig. 4 Confusion matrix of different classification models

2.4 基于CNN 建模结果分析

2.4.1 网络结构优化的结果分析 通过上述分析可得，基于FD+SNV 预处理的建模结果优于其他方法，因此利用FD+SNV 预处理光谱进行卷积神经网络建模。在模型建立前，需要对卷积神经网络的结构进行优化，结果如图5 所示。

图5 卷积神经网络结构优化Fig. 5 Optimization of convolutional neural network structure

随迭代次数的增加，loss值逐渐降低，校正集的准确率逐渐提高，当迭代次数为70 次时，模型分类效果的变化趋于平稳并逐步达到最大值。采用不同卷积层数和全连接层数，模型的损失率和准确率也会有较大差异，当卷积层数为3，全连接层数为3时，模型的效果最好，对验证集样品的分类准确率达93.19%。

2.4.2 学习率优化的结果分析 基于上述最优网络结构，设置了5 组不同学习率进行建模处理，结果如图6 所示。可以看出随着迭代次数增加，loss值不断降低，校正集的准确率不断提高，当迭代次数为70 次时，模型分类效果的变化趋于平稳并逐步到达最大值。此外，当学习率为0.000 5 时，loss值最低，校正集的准确率最高，将验证集数据代入模型中，分类准确率为99.70%。

图6 卷积神经网络学习率优化Fig. 6 Optimization of convolution neural network learning rate

为了更直观地表明卷积神经网络对不同发病程度样品的分类效果，利用混淆矩阵对结果进行分析，如图7 所示。

图7 卷积神经网络的混淆矩阵Fig. 7 Confusion matrix of convolutional neural network

相比常规算法，CNN 模型可以较好地实现对健康和潜育期样品的识别，准确率为99.76%，对于轻度染病样品，有7 个样品被误判为潜育期样品，1个样品被误判为重度染病样品，可能是由于样品在染病初期，染病部位的特征不够明显，光谱曲线与潜育期样品相似所导致，此外，个体间差异也可能导致误判。模型对轻度染病和重度染病样品的识别率分别为96.67%和99.08%，可能是由于重度发病的样品表面病斑面积更大，更易识别。综上所述，基于FD+SNV 预处理建立CNN 模型，能够有效实现对库尔勒香梨黑斑病潜育期样品的识别。

3 结论

本研究基于高光谱成像技术结合CNN，实现了对‘库尔勒’香梨黑斑病潜育期的识别。首先通过对比不同预处理方式建立的21 种常规分类模型对样品的分类效果，确定最适预处理方法为FD+SNV，最优常规分类模型为LS-SVM。基于FD+SNV 处理光谱建立了CNN 模型，通过对网络结构和学习率进行优化，确定了当卷积层数为3，全连接层数为3，学习率为0.000 5 时，CNN 模型的分类效果最好。与常规模型对比分析，CNN 的整体分类准确率为99.70%，对潜育期样品的分类准确率为99.76%，分类效果均有明显地提高。综上所述，CNN 模型能够对光谱数据的深层信息进行挖掘，提高了对‘库尔勒’香梨黑斑病潜育期样品的分类精度，可为‘库尔勒’香梨黑斑病无损快速检测技术的发展提供1 种新方法。