雙孢蘑菇疣孢霉病早期高光譜圖像鑒別

陳子涵 廖小玲

摘 要：雙孢蘑菇疣孢霉病是由有害疣孢霉菌Mycogone perniciosa引起的、破壞性極強的真菌類病害，且該病害檢測困難耗時，往往導致菇房絕收，菇農收益損失嚴重。早發現、早處理能夠有效解決病害帶來的經濟損失和農藥殘留超標等質檢問題。因此，本研究將能夠快速無損檢測的高光譜成像技術應用到雙孢蘑菇病害早期鑒別。以雙孢蘑菇菌Agaricus bisporus子實體為試材，對健康染病雙孢蘑菇生長早期子實體樣本采集菌蓋的全波段（401～1046 nm）可見/近紅外高光譜圖像信息，利用多元散射校正（MSC）進行預處理，采用決策樹（DT）提取特征波段，對比隨機森林（RF）和極限學習機（ELM）兩種模型對健康和染病雙孢蘑菇鑒別準確度。利用DT選取401.00、951.59、978.09、1006.59和1044.90 nm為鑒別病害的特征波段。對比RF和ELM所建模型效果，得到MSCDTELM模型檢測效果最優，測試集和預測集總體樣本鑒別準確度分別為92.39%和91.32%。結果表明，該模型可以有效提高基于全波段的雙孢蘑菇疣孢霉病早期的鑒別準確度，得到基于高光譜成像技術的便捷準確鑒別雙孢蘑菇病害早期的模型，同時，為進一步開發雙孢蘑菇病害早期的多光譜設備提供了理論依據和方法。

關鍵詞：雙孢蘑菇;高光譜成像技術;病害早期檢測;鑒別

中圖分類號：S 646? ?文獻標志碼：A? ?文章編號：0253-2301（2021）04-0016-07

DOI： 10.13651/j.cnki.fjnykj.2021.04.003

Identification of Agaricus Bisporus Disease in Early Stage by Hyperspectral Image

CHEN Zi-han， LIAO Xiao-ling

（College of Mechanical and Electronic Engineering， Fujian Agriculture andForestry University， Fuzhou， Fujian 350002， China）

Abstract： The wet bubble disease of Agaricus bisporus is a highly destructive fungal disease caused by Mycogone perniciosa， which is difficult to detect and time-consuming， often leading to the failure of mushroom houses and the serious loss of income of the mushroom farmers. Early detection and treatment for this disease can effectively solve the economic loss caused by the diseases and the quality control problems such as excessive pesticide residues. Therefore， in this study， the hyperspectral imaging technology， which could be used for the rapid nondestructive detection， was applied to the early identification of Agaricus bisporus diseases. By using the fruiting body of Agaricus bisporus as the test material， the full-band （401-1046 nm） visible/near-infrared hyperspectral image information of the pileus was collected from the fruiting body samples at the early growth stage of healthy infected Agaricus bisporus. The multiplicative scatter correction （MSC） was used for the preprocessing. The decision tree （DT） was used to extract the characteristic bands. The accuracy of the two models， Random Forest （RF） and Extreme Learning Machine （ELM）， for the identification of healthy and infected Agaricus bisporus was compared. By DT， 401.00， 951.59， 978.09， 1006.59 and 1044.90 nm were selected as the characteristic bands for the disease identification. By comparing the effect of RF model and ELM model， the MSC-DT-ELM model had the best detection effect， and the identification accuracy of the test set and the prediction set were 92.39% and 91.32%， respectively. The results showed that the MSC-DT-ELM model could effectively improve the early identification accuracy of the wet bubble disease of Agaricus bisporus based on full band， and obtain a convenient and accurate model for the early identification of Agaricus bisporus disease based on the hyperspectral imaging technology. At the same time， the theoretical basis and method were provided for the further development of multispectral equipment for the rapid and nondestructive identification of Agaricus bisporus diseases in the early stage.

Key words： Agaricus bisporus; Hyperspectral imaging technology; Early detection of disease; Identification

雙孢蘑菇Agaricus bisporus，又稱白蘑菇或紐扣蘑菇，是最常見的栽培蘑菇品種之一，目前在70多個國家進行商業化生產[1]。其肉質鮮美、營養豐富[2]，具有重要的經濟價值，已在全國各地推廣種植[3]。隨著雙孢蘑菇生產和栽培規模日益擴大，其病害的發生與危害也逐年加重，經濟效益大幅下降，嚴重挫傷菇農生產積極性，成為制約雙孢蘑菇產業持續發展的重要因素[4]。雙孢蘑菇疣孢霉病，又稱褐腐病、泡濕病，是一種土傳真菌性病害，具有普遍性、強危害性，特別嚴重的得病菇房減產達50%～60%。其病原菌為有害疣孢霉Mycogoneperniciosa Magnus Delacr.，屬于子囊菌門Ascomycota、糞殼菌綱Sordariomycetes、肉座菌目Hypocreales、肉座菌科Hypocreaceae、疣孢霉屬Mycogone[5]。我國大部分人工栽培的雙孢蘑菇對疣孢霉病高度敏感，且自抗性較差，至今尚未發現對疣孢霉病有免疫的菌株[6]。有害疣孢霉菌對雙孢蘑菇子實體侵染的發病率，高于有害疣孢霉菌在覆土層中間侵染雙孢蘑菇菌絲[7]。當雙孢蘑菇菌絲逐漸扭結到產生菇蕾時，是該病原菌侵染的有利時機。雙孢蘑菇被疣孢霉菌侵染后形成畸形病菇，染病雙孢蘑菇布滿菇房，健康雙孢蘑菇被徹底侵蝕瓦解[8]。但，其具有傳染性強、早期癥狀不明顯、潛伏期長等特點，有經驗的菇農最快也要在雙孢蘑菇子實體小菇期后才能鑒別染病與否，或者采用內源轉錄間隔區（ITS）基因片段的聚合酶鏈式反應（PCR）鑒定[9]以及傳統的柯赫氏法則[10]等有損耗時的檢測方法。這些方法都需要對雙孢蘑菇進行離體檢測，耗時長，得到檢測結果時，雙孢蘑菇疣孢霉病已蔓延菇房，無法起到及時提醒菇農病害發生并采取措施阻止病害進一步擴散的目的。因此，需在病害發生的早期（小菇期之前）能夠快速、無損地鑒別出染病雙孢蘑菇，幫助菇農及時清除染病雙孢蘑菇，及時止損，保證菇房健康雙孢蘑菇的品質，極大降低病害發生時菇農的經濟損失。

由于高光譜成像技術能夠無損便捷識別農產品病害的特點，被廣泛應用于農產品病害檢測。例如，Tao等[11]用近紅外高光譜成像儀，采集被黃曲霉真菌染病和健康的玉米粒在900～2 500 nm光譜范圍的圖像，利用隨機蛙跳算法提取30、50和100個重要變量，分別建立偏最小二乘判別模型得到二分類預測的準確度為87.7%、93.8%和95.2%。Gao等[12]利用高光譜成像技術對赤霞珠葡萄的無癥狀葡萄卷葉病（GLD）和發病期葡萄卷葉病進行無損檢測，分別在5個生長期采集葉片高光譜圖像，為消除高光譜樣本異常值，利用光譜歸一化和蒙特卡洛算法對圖像進行預處理，利用最小絕對收縮和選擇算子對預處理后的數據進行特征波長提取，得到690、715、731、1409、1425和1582 nm是早期檢測該病害的特征波段，用最小二乘支持向量機（LS-SVM）作為分類器得到準確率在66.67%～89.93%。表明，高光譜成像技術具有在無癥狀階段無損檢測農作物真菌病害的能力。

高光譜成像技術在食用菌病害檢測中也被用于開發快速檢測蘑菇病害的無損檢測系統。例如，Bagnasco等[13]研究了高光譜成像技術結合主成分分析法檢測健康和被嗜真菌感染的牛肝菌，采集樣本在可見/近紅外光譜區（400～1000 nm）的高光譜圖像，采用標準正態變換法（SNV）對原始數據進行預處理，基于分數閾值的監督規則，分析了兩種低階主成分的分數圖，結果表明該方法可以直接在測試樣本的假彩色圖像中顯示被污染的樣本點。但在利用高光譜成像技術對雙孢蘑菇早期病害方面的研究較少，且針對雙孢蘑菇病害的研究都在其子實體生長的中后期（小菇期之后）。Parrag等[14]采集感染蛛網病的采收期雙孢蘑菇菌蓋在900～1700 nm光譜范圍內的高光譜圖像，利用歸一化算法（單個強度值減去整個光譜強度的平均值）和Savitzky-Golay平滑（多項式階為3，窗口大小為9）對原始光譜進行預處理，在平均光譜中發現水峰附近（1200 nm和1450 nm）與健康雙孢蘑菇菌蓋的反射值有明顯差異，利用支持向量機（SVM）成功分離出感染蛛網病的樣本，正確率在80%以上，結果表明利用高光譜成像技術得出雙孢蘑菇的含水率空間分布，可以用于檢測雙孢蘑菇的腐壞程度。

綜上所述，在早期（小菇期之前）對雙孢蘑菇疣孢霉病進行檢測識別，能夠及時發現染病雙孢蘑菇阻止其繼續侵害健康雙孢蘑菇的同時，還能減少因發病早期癥狀不明顯，無法及時確診使菇農盲目采用大量化學農藥處理，導致的農藥超標、食品安全、土壤污染等問題。因此，本研究擬基于高光譜成像技術，建立雙孢蘑菇疣孢霉病早期快速檢測方法，為開發雙孢蘑菇病害檢測的快速便捷方法提供參考。

1 材料與方法

1.1 試驗材料

試驗材料為福建省農業科學院食用菌研究所提供的雙孢蘑菇菌種W192。將播種、裝袋后的雙孢蘑菇放入人工氣候箱（MEC-350B-LED型，寧波普朗特儀器有限公司）中培養。

1.2 試驗方法

1.2.1 雙孢蘑菇的培養 設置人工氣候箱溫度22℃，相對濕度90%，無光照。培養期間每天早晚通風1 h。兩周后，菌絲布滿栽培料，進行覆土處理，高度約2.5 cm。此后，調整人工氣候箱內的環境為溫度20℃，濕度85%，無光照。覆土后7～10 d，菌絲長至2/3覆土層，調整人工氣候箱內的環境為溫度20℃，相對濕度90%，無光照。

1.2.2 雙孢蘑菇染病與鑒定 有害疣孢霉菌My.p0012，由福建省農業科學院食用菌研究所提供。將有害疣孢霉菌在馬鈴薯葡萄糖瓊脂培養基（PDA）上，于25℃恒溫黑暗環境中培養7 d。于無菌操作臺（SWCJ1FB型，蘇州凈化設備有限公司）內用超純水將PDA培養基上的有害疣孢霉菌孢子洗下，制作成有害疣孢霉菌的孢子懸液。用血球計數板檢查該孢子懸液，確定濃度為1.0×105個·mL-1。雙孢蘑菇菌絲長至2/3覆土層時，將5 mL有害疣孢霉菌孢子懸液均勻噴灑在覆土層表面。將病菇上的褐色液滴和病菇切片分別在無菌臺內，置于PDA平板培養基，于25℃黑暗環境中培養。5 d后，在顯微鏡下挑出菌絲并純化，觀察是否是有害疣孢霉菌。

1.2.3 高光譜圖像獲取 試驗采用內置CCD相機（Sony ICX285，JPLY Electronic Tech，China）的推掃式便攜式高光譜成像系統（GaiaField Pro-V10E型，四川雙利合譜科技有限公司），其光譜波長范圍為可見/近紅外的401～1046 nm，光譜分辨率為2.8 nm，圖像空間分辨率為696×700，成像鏡頭（HSIA-OL23），焦距為23 mm，鏡頭接口C-mount（SPECIM）。配有多功能暗箱（HSIA-DB），可接電源220 V AC，50Hz/60Hz，其內置有4個鹵鎢燈光源（64610HLX，OSRAMLightbulbCo.，Ltd，Germany），各50 W。為便捷實用，配有平板電腦（iPad mini4）。滿足試驗采用高光譜技術實現快速便捷無損檢測病害的儀器要求。經過反復調試，最終確定物鏡高度為30 cm，相機推掃移動速度為1.30 mm·s-1，CCD相機曝光時間為70 ms。于孢子懸液噴灑后連續進行高光譜圖像采集，每12 h采集1次，直至肉眼可見發病（小菇期之后）。

1.2.4 高光譜圖像數據預處理 獲取健康雙孢蘑菇早期子實體菌蓋的可見/近紅外高光譜圖像后，提取感興趣區域（Region of interest， ROI）的平均光譜數據。為清除由于傳感器暗電流等原因產生圖像中的噪音，將采集到的原始高光譜圖像利用標準反射白板和黑暗背景下高光譜圖像數據校正，如公式1所示。

式中：

I-校正之后的高光譜圖像數據;Io-原始的高光譜圖像數據; B-黑暗背景下的高光譜圖像數據;W-標準反射白板的高光譜圖像數據。

本研究所采集到的光譜信息在400～1046 nm，共360個波段（全波段）。為消除雙孢蘑菇菌蓋表面的顆粒大小及其分布不均所產生的散射影響，采用多元散射校正（Multiplicative scatter correction，MSC）算法，具體算法可見參考文獻[15]。

1.2.5 特征波段提取方法 決策樹（Decision Tree，DT）是數據挖掘中非常流行的分類工具，廣泛應用于深度學習和機器學習、工業應用、醫療和生物信息等領域[16]。DT算法原理就像猜詞游戲，猜詞游戲需要進行幾輪的屬性問題，最終確認游戲答案。這些屬性問題就是DT中的非葉子節點，屬性問題的答案就是該節點的分支。在本研究中，對于一個輸入的光譜數據樣本，輸出能夠鑒別健康與染病雙孢蘑菇的特征波段。提取出的特征波段就能夠更好的幫助鑒別模型的確認，并提高鑒別速率。

1.2.6 建模方法 隨機森林分類器（Random Forest，RF）是一種集成分類器，本研究使用確定的訓練樣本子集和變量生成多個決策樹，具體執行步驟見參考文獻[17]。隨機森林通過設定500顆決策樹對分類結果進行投票，例如，當對染病雙孢蘑菇樣本的投票數高于對健康雙孢蘑菇樣本的投票數時，隨機森林就將這個變量確定為染病雙孢蘑菇樣本。

極限學習機（Extreme learning machine，ELM）由Huang等[18]提出，不同于傳統的神經網絡，ELM無需迭代調整參數，能夠自動實現參數調優[19]，計算速度快，優化了傳統的單隱含層前饋神經網絡。

1.2.7 定性評價指標 樣本識別準確度（公式2），針對分類問題判斷所建模型對樣本分類的效果。準確度越接近100%，該模型對輸入樣本的分類完成的越好。當準確度為100%時，表明該模型能夠完全正確地鑒別出健康與染病雙孢蘑菇。

2 結果與分析

2.1 健康與染病雙孢蘑菇樣本

本研究中最終獲得不同生長階段肉眼可見發病前染病的雙孢蘑菇樣本圖像共計200組，健康雙孢蘑菇的不同子實體時期樣本共計200組，具體見表1。

2.2 預處理

MSC處理后，光散射、光譜重疊和基線漂移等問題得到明顯消除。圖1可以看出預處理后在401～450 nm和800～1046 nm波長范圍內反射率差異明顯，為后續選擇病害鑒別特征波段打下基礎。

2.3 特征波段

將MSC處理后的數據隨機將樣本的2/3劃分測試集，1/2為預測集，得到測試集樣本共267個，預測集樣本共133個。為防止數據過擬合，并限定決策樹的生長，設定使交叉驗證的誤差最小的葉子節點含有最小樣本數為10。產生優化后的決策樹將非葉子節點數由26減少到10，分別計算得到優化前后決策樹的重新采樣誤差為0.049和0.099，交叉驗證誤差為0.044和0.334，與優化前后誤差幾乎一樣。為進一步提取鑒別染病雙孢蘑菇的特征波段，本研究對優化后的決策樹剪枝，將非葉子節點數由10減少到5，計算剪枝后的決策樹重新采樣誤差和交叉驗證分別為0.069和0.032。表明優化后的決策樹在保證正確率的前提下，得到能夠鑒別染病雙孢蘑菇的5個特征波段，對模型的簡潔度有很大的提高，有助于后續鑒別模型的建立。決策樹最終確定提取的特征波段為401.00、951.59、978.09、1006.59和1044.90 nm，見圖2。

2.4 鑒別模型

將無預處理、經MSC預處理和提取特征波段后的光譜數據分別建立RF和ELM分類模型，得到的定性評價結果如表2所示。在沒有任何處理的全波段（401～1046 nm，共360個波段數）建模結果中，ELM的預測集總體樣本鑒別準確度為89.62%，高于RF分類器的預測集總體樣本鑒別準確度88.06%。經過MSC預處理后，RF與ELM分類器鑒別準確度由88.06%和89.62%提升至89.34%和90.87%。表明，MSC能夠有效提高原始光譜信噪比，消除無關信息，提高檢測準確度。經DT提取5個特征波段后，建模速度有效提高的同時，RF和ELM的預測集總體樣本鑒別準確度提升至90.79%和91.32%。得到最佳鑒別模型為MSC-DT-ELM組合，其測試集和預測集樣本鑒別準確度分別為92.39%和91.32%。模型預測集總體樣本鑒別結果如圖3、4所示。

3 結論與討論

本研究以對雙孢蘑菇的傳染性、侵害性極強有害疣孢霉菌引起的疣孢霉病為研究對象，針對其子實體染病早期診斷無法實現快速無損等問題，引入目前廣泛用于農作物病害檢測的高光譜成像技術，探索該病害早期檢測方法。探討了MSC預處理、DT提取特征波段后，得到5個能夠讓分類模型性能提升的特征波段401.00、951.59、978.09、1006.59、1044.90 nm。其中，水的O-H在960 nm處的合頻吸收，C-H在800～900 nm區域的第3倍頻吸收，N-H在1000～1100 nm區域的第2倍頻在這個區域的吸收比較弱[20]，表明有害疣孢霉菌對雙孢蘑菇的侵染還使得其內部含水率發生了變化。最后，對比了RF和ELM對有預處理和無預處理光譜數據的鑒別模型準確度的結果，得到最佳鑒別模型為MSC-DT-ELM組合。該研究結論為開發更加快速便捷的鑒別雙孢蘑菇病害早期的多光譜設備提供了理論依據和方法。

參考文獻：

[1]SIWULSKI M， BUDKA A， RZYMSKI P， et al.Worldwide basket survey of multielemental composition of white button mushroom Agaricus bisporus[J].Chemosphere，2020， 239： 124718.（doi：10.1016/j.chenmosphere.2019.124718）

[2]孫若蘭，肖靚，易有金，等.雙孢蘑菇采后貯藏保鮮研究進展[J].食品科學，2021， 42（1）： 333-340.

[3]張文強，陳青君，張國慶，等.蛋白添加劑對雙孢蘑菇農藝性狀及品質的影響[J].中國農業科學，2020， 53（10）： 2091-2100.

[4]張怡，錢忠海，劉琴，等.甲基硫菌靈對季節性栽培雙孢蘑菇褐腐病的生物活性及田間防效和安全性評價[J].江蘇農業科學，2018， 46（15）： 81-83.

[5]張春蘭，徐濟責，李丹，等.有害疣孢霉與不同食用菌的培養關系[J].西北農林科技大學學報（自然科學版），2017， 45（1）： 112-118.

[6]FU Y， WANG X， LI D， et al.Identification of resistance to wet bubble disease and genetic diversity in wild and cultivated strains of Agaricus bisporus[J].International Journal of Molecular Sciences，2016， 17（10）： 1568.（doi：10.3390/ijms17101568）

[7]HOLLANDDM，COOKE RC.Nutrient depletion and sporulation in the wet bubble pathogen Mycogone perniciosa[J].Mycological，1991， 3（95）： 364-369.

[8]魏峰，侯祥保.雙孢蘑菇疣孢霉病的發生及綜合防治[J].現代農業科技，2009（2）： 102.

[9]YANG Y， SOSSAH F L， LI Z， et al.Genome-wide identification and analysis of chitinase GH18 gene family in Mycogone perniciosa[J].Frontiers in Microbiology，2021， 11（1）： 596719.（doi： 10.3389/fmicb.2020.596719）

[10]GEA F J， TELLO J C， NAVARRO M.Efficacy and effects on yield of different fungicides for control of wet bubble disease of mushroom caused by the mycoparasite Mycogone perniciosa[J].Crop Protection，2010， 29（9）： 1021-1025.

[11]TAO F， YAO H， HRUSKA Z， et al.A novel hyperspectral-based approach for identification of maize kernels infected with diverse Aspergillus flavus fungi[J].Biosystems Engineering，2020， 200： 415-430.

[12]GAO Z， KHOT L R， NAIDU R A， et al.Early detection of grapevine leafroll disease in a red-berried wine grape cultivar using hyperspectral imaging[J].Computers and Electronics in Agriculture，2020，179：105807.（doi：10.1016/j.compag.2020.105807）

[13]BAGNASCO L， ZOTTI M， SITTA N， et al.A PCA-based hyperspectral approach to detect infections by mycophilic fungi on dried porcini mushrooms （boletus edulis and allied species）[J].Talanta，2015， 144： 1225-1230.

[14]PARRAG V， FELFLDI J， BARANYAI L， et al.Early detection of cobweb disease infection on Agaricus bisporus sporocarps using hyperspectral imaging[J].Acta Alimentaria，2014， 43（S1）： 107-113.

[15] MARTENS H， NIELSEN J P， ENGELSEN S B.Light ccattering and light absorbance separated by extended multiplicative signal correction.Application to near-Infrared transmission analysis of powder mixtures[J].Analytical Chemistry，2003， 75（3）： 394-404.

[16]TSAI P， CHEN K， HONG T， et al.Categorizing SHR and WKY rats by chi2 algorithm and decision tree[J].Scientific Reports，2021， 11（1）：3463.（doi：10.1038/s41598021828643）

[17]BELGIU M， DRGU 瘙 塃L.Random forest in remote sensing： A review of applications and future directions[J].ISPRS Journal of Photogrammetry and Remote Sensing，2016， 114： 24-31.

[18]HUANG G B， ZHU Q Y， SIEW C K.Extreme learning machine： Theory and applications[J].Neurocomputing，2006， 70（1/3）：489-501.

[19]DING S， XU X， NIE R.Extreme learning machine and its applications[J].Neural Computing and Applications，2014， 25（3-4）： 549-556.

[20]李鴻強.基于高光譜分析的蔬菜品質檢測方法研究[D].北京：中國農業大學，2019.

（責任編輯：柯文輝）