基于拉曼光谱的稻叶瘟病害程度划分研究

谭 峰，于 洋，才巧玲，廉 琦，姜 珊，韩国鑫，张乃夫，辛元明

(黑龙江八一农垦大学 电气与信息学院，黑龙江 大庆 163319)

0 引言

随着植保作业机械变量喷施技术研究的深入，急需一种高效的病害程度识别技术。水稻稻瘟病是水稻3大主要病害之一[1-2]，稻叶瘟发生在水稻叶片上，叶瘟病的流行直接影响水稻正常生长，降低水稻产量。

目前，作物病害诊断主要有红外热成像[3]、近红外光谱[4]、高光谱[5]及计算机视觉[6]等光谱及成像检测手段。以上列举的光谱及成像检测技术普遍准确率较高，但红外热成像技术，波长介于0.75～1 000μm间；近红外光谱检测技术，敏感度不高，一般需要检测量至少1%；高光谱检测技术，需要获取的数据量大，导致信息处理的效率较低；计算机视觉技术，需要考虑光源稳定性。拉曼光谱具有快速、简单的特点，可对样本无损定性分析，一次同时覆盖50～4 000波数的范围，对于物质状态要求不高，可以有效区分出分子结构之间的不同[7-8]。常规拉曼光谱通过较少的样品量就可以得到，随着拉曼光谱技术在农业研究[9-10]等方面的发展，现已逐渐成为一种有效的检测方法。因此，本文采用拉曼光谱技术对稻叶瘟病进行相应知识分析并结合寒地水稻细胞生物学概念，提出了运用该技术对寒地水稻稻叶瘟病的病害程度分析，并运用动量因子BP神经网络算法对水稻稻叶瘟病害程度进行模型建立，可为前期未防治或防治稻叶瘟[11-12]不佳的发病区域，进行病害程度的划分，也可为日后稻叶瘟植保作业施药量的决策提供前期的理论依据。

1 标准及优化的BP神经网络原理

BP神经网络算法[13-15]主要包括输入、隐含和输出层。本文引用动量因子BP神经网络优化算法，可以有效减小学习过程中的高频振荡，提高模型的学习率。BP神经网络拓扑结构如图1所示。

图1 BP神经网络拓扑结构Fig.1 BP neural network topology architecture

n个训练样本的误差函数为

(1)

设第j个隐含层神经元输入为netj，表示为

(2)

设第k个输出层神经元输入为netk，表示为

(3)

根据链式求导法则可推导，权值调整形式为

(4)

(5)

阈值调整形式为

(6)

(7)

根据误差梯度下降法逐步对参数进行调整，其中：1≤j≤q，1≤k≤m，1≤i≤n，0<η<1。Yk为第k个网络输出层神经元；xi为网络输入；θj和ak为阈值；△Wkj为网络输出层的权值更新；△ak为网络输出层的阈值更新；△Wij为网络隐含层的权值更新；△θj为网络隐含层的阈值更新；η为学习率；n为训练样本量；netj为第j个网络隐含层节点的输入；netk为第k个网络输出层节点的输入。

增加的动量项一般形式为

(8)

其中，第1项表示标准BP算法的修正量；第2项表示动量项；α表示动量系数，取值一般为(0，1)；n取1，2，3…。

2 材料与方法

2.1 实验材料

寒地水稻样本采集于2014年黑龙江省肇源县26.67hm2的实验田，品种为吉粳88。正常和稻叶瘟病害的水稻样本均取自于空气温、湿度适宜并且易受稻叶瘟病菌侵染的同一片比较湿润的稻田，受病害侵染的水稻样本由农学专家确诊。根据《稻瘟病测报调查规范》中对大田叶瘟发生程度分级指标对样本进行采集，主要包括正常水稻、稻叶瘟轻度和重度样本，对受病害及周围未侵染的同片叶片光谱进行采样并选取27条具有代表性的水稻拉曼光谱进行相关实验研究，实验仪器选用高性能的Advantage系列的台式拉曼光谱仪器。

2.2 实验方法

2.2.1 拉曼特征频率指定

本文通过查阅《化学手册》对水稻植株进行拉曼光谱研究，并从蛋白质主链及侧链两方面对水稻叶片进行特征频率指定。通过拉曼特征值指认得出，寒地水稻对拉曼散射较敏感的波段主要集中在500～1 700cm-1波段内。本文将主要对在此范围的拉曼光谱进行研究。

2.2.2 实验数据处理方法

本实验运用SPSS和Microsoft Excel对已通过光谱仪中NuSpec及origin9软件预处理的水稻拉曼光谱数据进行特征频率值的对比和分析，并通过MatLab软件对标准化的水稻拉曼光谱数据进行病害程度划分的动量因子BP神经网络模型建立。其中，区别特征峰变化主要运用主成分分析的方法，对数据进行标准化处理，可以提高网络模型的运算收敛速率。经主成分分析变换得到的各主成分之间相互独立，可以有效消除原始数据中的冗余信息[16]。

3 结果与分析

3.1 稻叶瘟病害程度分析

本文选取3条代表正常、稻叶瘟轻度和重度的水稻叶片的光谱进行折线图绘制，并将稻叶瘟轻度和重度水稻叶片的拉曼谱峰分别上调50和100，结果如图2所示。在1 152、1 520cm-1等处正常水稻的叶片拉曼特征峰强度高于稻叶瘟轻度水稻，整体谱线的变化幅度较小，稻叶瘟轻度叶片、正常水稻叶片的拉曼特征峰相比，重度稻叶瘟叶片拉曼相对强度趋于平缓，正常水稻、稻叶瘟轻度和重度叶片的相对强度存在明显差异。

图2 正常和稻叶瘟水稻折线对比图Fig.2 Broken line contrast diagram of normal and rice leaf blast

本文对具有典型性特征的拉曼特征峰进行受试者工作特征曲线分析，如图3所示。由坐标原点到纵坐标最高点曲线下面积为1，表明稻叶瘟重度病害在此处的c-c键几乎没有振动；正常水稻和稻叶瘟轻度病害的受试者工作特征曲线的曲线下面积为0.567，表明稻叶瘟轻度病害在折点处的键间的化学键相互作用减小，c-c键振动能量变低。结果表明：随着稻叶瘟病菌侵染水稻叶片内部细胞环境产生变化，运用受试者工作特征曲线可以有效分析出1 152cm-1波数处的拉曼特征峰水稻正常叶片与稻叶瘟轻度、稻叶瘟重度叶片病害发生程度的区别。

图3 正常及稻叶瘟水稻1152cm-1波数处的 受试者工作特征曲线图Fig.3 Curves of operating characteristics of normal and rice leaf blast rice at 1152cm-1wave number

图4为正常水稻和稻叶瘟重度病害的短曲线下面积为1，表明稻叶瘟重度病害在此处的c=c键几乎没有振动；正常水稻和稻叶瘟轻度病害的受试者工作特征曲线的曲线下的面积为0.550，表明稻叶瘟轻度病害在折点处的c=c键的振动能量降低，且c=c键间的化学键彼此影响变小。结果表明：随着稻叶瘟病菌的侵入，在1 520cm-1波数处的拉曼特征频率产生变化，表明水稻正常叶片和稻叶瘟轻度、稻叶瘟重度的病害发生程度区别明显。

3.2 基于主成分分析的优化BP神经网络对稻叶瘟病害程度划分分析

网络模型的输入端为3个主成分，隐含层设置21个神经元，1个输出端。其中，网络模型中训练函数运用带有动量的梯度下降法TRAINGDM，隐含层选用双极性S型函数TANSING作为前向传播函数，输出层函数设置为线性函数PURELIN。模型输出预测结果主要分3类，包括正常水稻、稻叶瘟轻度和重度，目标值依次设置为0、1、2。本文通过模型的建立绘制了基于动量因子BP神经网络的寒地正常及稻叶瘟水稻的模型结构，如图5所示。

图4 正常及稻叶瘟水稻1520cm-1波数处的 受试者工作特征曲线图Fig.4 Curves of operating characteristics of normal and rice leaf blast rice at 1520 cm-1wave number

图5 基于动量因子BP神经网络的寒地正常及 稻叶瘟水稻的模型结构Fig.5 Model structure of normal and rice leaf blast rice in cold regions based on momentum factor BP neural network

本研究采用训练数据外的6条标准化数据进行模型预测，如图6所示。

(a) 模型训练的均方误差图

(b) 模型训练的相关系数图图6 基于动量因子BP神经网络模型的训练均方 误差和相关系数图Fig.6 Training mean square error and correlation coefficient diagram based on momentum factor BP neural network model

将预测集带入网络模型训练得出的均方误差为0.002 409 6，相关系数为0.998 2，预测集的网络预测结果如表1所示。通过研究可知：动量因子BP神经网络算法是对研究正常水稻及受稻叶瘟感染的水稻病害程度划分的一种可行方法。

表1 基于动量因子BP神经网络模型的预测结果Table 1 Prediction results based on momentum factor BP neural network model

4 结论

1)绘制正常水稻与稻叶瘟水稻的折线图，表明正常水稻叶片和稻叶瘟轻度、重度拉曼特征频率区别明显，正常水稻叶片相对强度在1 152、1 520cm-1等波数处的拉曼特征频率高于稻叶瘟轻度叶片，稻叶瘟重度的水稻叶片拉曼特征峰趋于平缓。通过受试者工作特征曲线对具有典型意义的拉曼特征峰进行分析，随着稻瘟病病菌的侵染，会破坏水稻细胞内部相应物质成分和结构，区别出正常水稻叶片和稻叶瘟轻度、重度间的差异性，为稻叶瘟病害程度检测方法研究奠定理论基础。

2)基于动量因子BP神经网络算法的网络预测集的均方误差为0.002 409 6、相关系数为0.998 2。优化的BP神经网络对水稻正常叶片、稻叶瘟轻度和重度分类检测的准确度较好，可以实现正常水稻、稻叶瘟轻度和重度叶片的病害程度划分，也可为植保稻叶瘟防治中药物喷洒量提供前期理论支持。