基于拉曼光譜的稻葉瘟病害程度劃分研究

譚 峰，于 洋，才巧玲，廉 琦，姜 珊，韓國鑫，張乃夫，辛元明

(黑龍江八一農墾大學 電氣與信息學院，黑龍江 大慶 163319)

0 引言

隨著植保作業機械變量噴施技術研究的深入，急需一種高效的病害程度識別技術。水稻稻瘟病是水稻3大主要病害之一[1-2]，稻葉瘟發生在水稻葉片上，葉瘟病的流行直接影響水稻正常生長，降低水稻產量。

目前，作物病害診斷主要有紅外熱成像[3]、近紅外光譜[4]、高光譜[5]及計算機視覺[6]等光譜及成像檢測手段。以上列舉的光譜及成像檢測技術普遍準確率較高，但紅外熱成像技術，波長介于0.75～1 000μm間；近紅外光譜檢測技術，敏感度不高，一般需要檢測量至少1%；高光譜檢測技術，需要獲取的數據量大，導致信息處理的效率較低；計算機視覺技術，需要考慮光源穩定性。拉曼光譜具有快速、簡單的特點，可對樣本無損定性分析，一次同時覆蓋50～4 000波數的范圍，對于物質狀態要求不高，可以有效區分出分子結構之間的不同[7-8]。常規拉曼光譜通過較少的樣品量就可以得到，隨著拉曼光譜技術在農業研究[9-10]等方面的發展，現已逐漸成為一種有效的檢測方法。因此，本文采用拉曼光譜技術對稻葉瘟病進行相應知識分析并結合寒地水稻細胞生物學概念，提出了運用該技術對寒地水稻稻葉瘟病的病害程度分析，并運用動量因子BP神經網絡算法對水稻稻葉瘟病害程度進行模型建立，可為前期未防治或防治稻葉瘟[11-12]不佳的發病區域，進行病害程度的劃分，也可為日后稻葉瘟植保作業施藥量的決策提供前期的理論依據。

1 標準及優化的BP神經網絡原理

BP神經網絡算法[13-15]主要包括輸入、隱含和輸出層。本文引用動量因子BP神經網絡優化算法，可以有效減小學習過程中的高頻振蕩，提高模型的學習率。BP神經網絡拓撲結構如圖1所示。

圖1 BP神經網絡拓撲結構Fig.1 BP neural network topology architecture

n個訓練樣本的誤差函數為

(1)

設第j個隱含層神經元輸入為netj，表示為

(2)

設第k個輸出層神經元輸入為netk，表示為

(3)

根據鏈式求導法則可推導，權值調整形式為

(4)

(5)

閾值調整形式為

(6)

(7)

根據誤差梯度下降法逐步對參數進行調整，其中：1≤j≤q，1≤k≤m，1≤i≤n，0<η<1。Yk為第k個網絡輸出層神經元；xi為網絡輸入；θj和ak為閾值；△Wkj為網絡輸出層的權值更新；△ak為網絡輸出層的閾值更新；△Wij為網絡隱含層的權值更新；△θj為網絡隱含層的閾值更新；η為學習率；n為訓練樣本量；netj為第j個網絡隱含層節點的輸入；netk為第k個網絡輸出層節點的輸入。

增加的動量項一般形式為

(8)

其中，第1項表示標準BP算法的修正量；第2項表示動量項；α表示動量系數，取值一般為(0，1)；n取1，2，3…。

2 材料與方法

2.1 實驗材料

寒地水稻樣本采集于2014年黑龍江省肇源縣26.67hm2的實驗田，品種為吉粳88。正常和稻葉瘟病害的水稻樣本均取自于空氣溫、濕度適宜并且易受稻葉瘟病菌侵染的同一片比較濕潤的稻田，受病害侵染的水稻樣本由農學專家確診。根據《稻瘟病測報調查規范》中對大田葉瘟發生程度分級指標對樣本進行采集，主要包括正常水稻、稻葉瘟輕度和重度樣本，對受病害及周圍未侵染的同片葉片光譜進行采樣并選取27條具有代表性的水稻拉曼光譜進行相關實驗研究，實驗儀器選用高性能的Advantage系列的臺式拉曼光譜儀器。

2.2 實驗方法

2.2.1 拉曼特征頻率指定

本文通過查閱《化學手冊》對水稻植株進行拉曼光譜研究，并從蛋白質主鏈及側鏈兩方面對水稻葉片進行特征頻率指定。通過拉曼特征值指認得出，寒地水稻對拉曼散射較敏感的波段主要集中在500～1 700cm-1波段內。本文將主要對在此范圍的拉曼光譜進行研究。

2.2.2 實驗數據處理方法

本實驗運用SPSS和Microsoft Excel對已通過光譜儀中NuSpec及origin9軟件預處理的水稻拉曼光譜數據進行特征頻率值的對比和分析，并通過MatLab軟件對標準化的水稻拉曼光譜數據進行病害程度劃分的動量因子BP神經網絡模型建立。其中，區別特征峰變化主要運用主成分分析的方法，對數據進行標準化處理，可以提高網絡模型的運算收斂速率。經主成分分析變換得到的各主成分之間相互獨立，可以有效消除原始數據中的冗余信息[16]。

3 結果與分析

3.1 稻葉瘟病害程度分析

本文選取3條代表正常、稻葉瘟輕度和重度的水稻葉片的光譜進行折線圖繪制，并將稻葉瘟輕度和重度水稻葉片的拉曼譜峰分別上調50和100，結果如圖2所示。在1 152、1 520cm-1等處正常水稻的葉片拉曼特征峰強度高于稻葉瘟輕度水稻，整體譜線的變化幅度較小，稻葉瘟輕度葉片、正常水稻葉片的拉曼特征峰相比，重度稻葉瘟葉片拉曼相對強度趨于平緩，正常水稻、稻葉瘟輕度和重度葉片的相對強度存在明顯差異。

圖2 正常和稻葉瘟水稻折線對比圖Fig.2 Broken line contrast diagram of normal and rice leaf blast

本文對具有典型性特征的拉曼特征峰進行受試者工作特征曲線分析，如圖3所示。由坐標原點到縱坐標最高點曲線下面積為1，表明稻葉瘟重度病害在此處的c-c鍵幾乎沒有振動；正常水稻和稻葉瘟輕度病害的受試者工作特征曲線的曲線下面積為0.567，表明稻葉瘟輕度病害在折點處的鍵間的化學鍵相互作用減小，c-c鍵振動能量變低。結果表明：隨著稻葉瘟病菌侵染水稻葉片內部細胞環境產生變化，運用受試者工作特征曲線可以有效分析出1 152cm-1波數處的拉曼特征峰水稻正常葉片與稻葉瘟輕度、稻葉瘟重度葉片病害發生程度的區別。

圖3 正常及稻葉瘟水稻1152cm-1波數處的 受試者工作特征曲線圖Fig.3 Curves of operating characteristics of normal and rice leaf blast rice at 1152cm-1wave number

圖4為正常水稻和稻葉瘟重度病害的短曲線下面積為1，表明稻葉瘟重度病害在此處的c=c鍵幾乎沒有振動；正常水稻和稻葉瘟輕度病害的受試者工作特征曲線的曲線下的面積為0.550，表明稻葉瘟輕度病害在折點處的c=c鍵的振動能量降低，且c=c鍵間的化學鍵彼此影響變小。結果表明：隨著稻葉瘟病菌的侵入，在1 520cm-1波數處的拉曼特征頻率產生變化，表明水稻正常葉片和稻葉瘟輕度、稻葉瘟重度的病害發生程度區別明顯。

3.2 基于主成分分析的優化BP神經網絡對稻葉瘟病害程度劃分分析

網絡模型的輸入端為3個主成分，隱含層設置21個神經元，1個輸出端。其中，網絡模型中訓練函數運用帶有動量的梯度下降法TRAINGDM，隱含層選用雙極性S型函數TANSING作為前向傳播函數，輸出層函數設置為線性函數PURELIN。模型輸出預測結果主要分3類，包括正常水稻、稻葉瘟輕度和重度，目標值依次設置為0、1、2。本文通過模型的建立繪制了基于動量因子BP神經網絡的寒地正常及稻葉瘟水稻的模型結構，如圖5所示。

圖4 正常及稻葉瘟水稻1520cm-1波數處的 受試者工作特征曲線圖Fig.4 Curves of operating characteristics of normal and rice leaf blast rice at 1520 cm-1wave number

圖5 基于動量因子BP神經網絡的寒地正常及 稻葉瘟水稻的模型結構Fig.5 Model structure of normal and rice leaf blast rice in cold regions based on momentum factor BP neural network

本研究采用訓練數據外的6條標準化數據進行模型預測，如圖6所示。

(a) 模型訓練的均方誤差圖

(b) 模型訓練的相關系數圖圖6 基于動量因子BP神經網絡模型的訓練均方 誤差和相關系數圖Fig.6 Training mean square error and correlation coefficient diagram based on momentum factor BP neural network model

將預測集帶入網絡模型訓練得出的均方誤差為0.002 409 6，相關系數為0.998 2，預測集的網絡預測結果如表1所示。通過研究可知：動量因子BP神經網絡算法是對研究正常水稻及受稻葉瘟感染的水稻病害程度劃分的一種可行方法。

表1 基于動量因子BP神經網絡模型的預測結果Table 1 Prediction results based on momentum factor BP neural network model

4 結論

1)繪制正常水稻與稻葉瘟水稻的折線圖，表明正常水稻葉片和稻葉瘟輕度、重度拉曼特征頻率區別明顯，正常水稻葉片相對強度在1 152、1 520cm-1等波數處的拉曼特征頻率高于稻葉瘟輕度葉片，稻葉瘟重度的水稻葉片拉曼特征峰趨于平緩。通過受試者工作特征曲線對具有典型意義的拉曼特征峰進行分析，隨著稻瘟病病菌的侵染，會破壞水稻細胞內部相應物質成分和結構，區別出正常水稻葉片和稻葉瘟輕度、重度間的差異性，為稻葉瘟病害程度檢測方法研究奠定理論基礎。

2)基于動量因子BP神經網絡算法的網絡預測集的均方誤差為0.002 409 6、相關系數為0.998 2。優化的BP神經網絡對水稻正常葉片、稻葉瘟輕度和重度分類檢測的準確度較好，可以實現正常水稻、稻葉瘟輕度和重度葉片的病害程度劃分，也可為植保稻葉瘟防治中藥物噴灑量提供前期理論支持。