农业机械学报

作者：梁晓颖，张紫婷，杨硕，陈煦，姚志凤，宋怀波

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：小麦赤霉病;高光谱成像;无损检测;特征提取;机器学习

基金：国家自然科学基金项目(32201662)和陕西省重点研发计划项目(2025NC-YBXM-215)

为实现对小麦赤霉病（Fusarium head blight，FHB）严重度等级快速无损检测，采用高光谱成像技术结合机器学习模型进行建模分析。通过对小麦麦穗中部籽粒进行镰刀菌真菌接种，共获取1660个不同程度的患病麦穗样本。利用高光谱成像设备采集麦穗样本高光谱信息，将整个麦穗作为感兴趣区域获取其平均光谱信息。通过对比归一化（Normalization）、标准正态变量变换（Standard normal variate，SNV）、多元散射校正（Multiplicative scatter correction，MSC）和平滑导数（Savitzky-Golay，SG）4种不同预处理后光谱对FHB严重度等级识别的准确率，选用SNV算法作为最佳预处理方法，并对其处理后的光谱数据进行进一步分析。随后对预处理后的光谱数据采用连续投影算法（Successive projections algorithm，SPA）、竞争性自适应重加权采样（Competitive adaptive reweighted sampling，CARS）、统一流形逼近与投影（Uniform manifold approximation and projection，UMAP）和线性判别分析（Linear discriminant analysis，LDA）算法进行降维，通过比较最终选择能降到3维，且保持分类准确率以及较低时间复杂度的LDA算法。揭示了LDA判别FHB严重度等级的特征波段处于540nm叶绿素反射峰至650nm红光吸收谷波段区间，是由于随着病情不断加重，叶绿素含量急速减少和叶片结构损伤的协同效应。最终构建结合SNV和LDA的轻量级支持向量机（Support vector machine，SVM）FHB严重度等级识别的最优模型。结果表明，该研究样本数据在构建的算法模型下测试集和训练集的准确率分别为96.05%和94.71%，且LDA将256维数据降到3维空间的时间复杂度仅为0.09s，能够快速高效地进行FHB严重度判别且具有优秀的泛化能力，为将来田间大面积实时快速的识别FHB奠定了基础。

来源：2025年第6期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第6期