利用便携式高光谱成像系统构建光谱 - 纹理双模态指数实现小麦赤霉病无损检测（下）

感病麦穗在可见光区的平均反射率随病害加重持续升高，而在近红外区（特别是865 nm附近）反射率持续降低，验证了WF₈₆₅对病害的敏感性。为进一步验证WF₈₆₅与穗部组织结构损伤的关联，研究对穗部颖片进行了半薄切片观察。接种后8h，颖片组织细胞结构完整；接种后12h，部分细胞壁出现轻微破坏；接种后20h，组织损伤范围扩大，可见明显的细胞间隙增大和细胞壁降解；接种后30h，颖片组织呈现高度破坏状态。这表明FHB病原菌在症状出现前已开始分泌细胞壁降解酶，对宿主组织造成微观结构损伤，首先表现为近红外区域散射特性的改变。这一发现从组织学层面解释了WF₈₆₅在症状前阶段即显著响应的生理机制。

图6. 三年实验的平均光谱特征。健康：接种当天的反射率；DS：1–3%（DS1）、4–5%（DS2）、6–10%（DS3）、11–20%（DS4）、21–40%（DS5）、41–60%（DS6）、61–80%（DS7）和81–100%（DS8）

图7。通过半薄切片观察的内部尖刺鳞片结构示意图，分别展示了接种后8小时（未受损）、12小时（轻微损伤）、20小时（中度损伤）和30小时（重度损伤）时**感染对其破坏的作用。红色箭头标出受损组织。

图8. 基于变量重要性（VIP）通过RF-RFE从尖峰纹理数据集（DS1、DS2、DS3）构建的纹理特征重要性图。

利用筛选出的WFs和TFs，研究构建了4个新型归一化差值指数（经RF-RFE优选）：

• WFSI₁ = (WF₆₂₄ − WF₈₆₅) / (WF₆₂₄ + WF₈₆₅)

• WFSI₂ = (WF₆₂₄ − WF₅₈₁) / (WF₆₂₄ + WF₅₈₁)

• WFTI₁ = (MEA₅₈₁ − CON₈₆₅) / (MEA₅₈₁ + CON₈₆₅)

• WFTI₂ = (MEA₅₈₁ − DIS₈₆₅) / (MEA₅₈₁ + DIS₈₆₅)

其中WFSI₁联合色素响应波段（624 nm）和结构响应波段（865 nm），两个波段对病害的响应方向相反（VIS区反射率升高，NIR区反射率降低），归一化差值可有效放大病害信号并抑制环境噪声。WFTI₁和WFTI₂**将纹理信息引入FHB检测。

新型指数的分类性能： 研究采用5种机器学习分类器——K近邻（KNN）、随机森林（RF）、支持向量机（SVM）、神经网络（NN）和极端梯度提升（Xgboost），以70%数据训练、30%数据测试的方式，评估上述新型指数与传统植被指数的分类精度。

在症状前阶段，传统植被指数（NDVI、PSNDa、PSNDb、LICI、CAR等）的平均分类精度（ACA）仅约50%，基本不具备有效的早期识别能力。而新型指数的表现显著优越：WFSI₁的ACA达到78.90%，WFTI₁为73.60%，WFSI₂为72.0%，WFTI₂为71.0%。WFSI₁以近10个百分点的优势**于其他新型指数，表明624 nm与865 nm的联合使用对症状前阶段的病害信号具有*强的放大效应。在DS2阶段（4-5%病穗率），各指数的分类精度进一步提升：WFSI₁的ACA达到90.10%，WFSI₂为90.30%，WFTI₁为88.10%，WFTI₂为85.40%。上述趋势在2019、2020和2021三年数据中保持高度一致，充分证明了新型指数的跨年度稳定性。

图9. 所有机器学习分类器（MLCs）与三个小麦生长季中选定植被指数（VIs）的平均分类准确率（ACA）对比：PSNDaa ∼ PSNDb，色素特异性归一化差值；NDVI，归一化差值植被指数；LIC1，利希滕塔勒指数；CAR，卡特指数，以及新开发的指数：WFSI11 ∼ WFSI2，小麦赤霉病光谱指数；WFTI11 ∼ WFTI2，小麦赤霉病纹理指数。

将四种新型指数进行数据融合后，分类精度获得进一步提升。在症状前阶段，2019、2020、2021三年的融合ACA分别达到79.05%、76.75%和78.59%；在DS2阶段，融合ACA分别提升至98.06%、89.68%和94.83%。光谱信息与纹理信息的互补融合有效弥补了单一模态的不足，实现了显著的增益效果。

图10. 使用不同机器学习分类器对所有新开发的指标与所有指标（光谱+纹理）融合进行平均分类准确率比较。

机器学习算法对比与独立验证： 在所有分类器中，Xgboost的综合表现*优，在独立验证数据集（EXP.04，非成像数据）上，从DS2阶段起多数病害尺度的分类精度达到100%；神经网络（NN）次之。Xgboost在计算速度、模型可扩展性和内存占用效率方面均表现出明显优势。不同分类器对同一特征的响应存在差异——这一发现提示，在评估特征和指数的鲁棒性时，不应依赖单一算法，而应采用多分类器集成评估框架。独立验证结果显示，WFSI₁和WFSI₂在非成像数据上同样表现出高分类精度，Xgboost在DS2及以后阶段多数达到100%。这一结果证明本研究所开发的方法不仅可以用于高光谱成像系统，也可以迁移至更简单的非成像光谱设备（如便携式光谱仪），大大降低了田间应用的技术门槛。

图11. 不同机器学习分类器（MLCs）与数据集的平均分类准确率（ACA）对比分析。A图：X轴为MLCs，Y轴显示各实验年份（2019、2020和2021）的具体ACA，其中A左为无症状期，A右为有症状或全部**等级（DS1-DS8）。B图：X轴为MLCs，Y轴分别显示小波特征（WFs）、纹理特征（TFs）以及WFs+TFs（数据融合）的ACA，其中B左为无症状期，B右为有症状或全部**等级（DS1-DS8）。

病害严重程度定量估测： 在单变量线性回归中，WFSI₁的建模R²=0.88，独立验证R²=0.84、RMSE=14.94；WFSI₂的建模R²=0.90，独立验证R²=0.83、RMSE=15.15。两个光谱指数均表现出优异的定量估测性能。纹理指数WFTI₁（R²=0.53）和WFTI₂（R²=0.57）的定量估测精度较低，更适合用于分类任务。在多变量回归中，将四种指数联合作为输入特征，KnnR取得*优结果——R²=0.91，RMSE=10.81，优于RFR（R²=0.90，RMSE=11.70）和SVMR（R²=0.91，RMSE=11.54）。

图12. 利用EXP.02数据集进行校准（圆圈）和EXP.03数据集进行验证（三角形）的新型指数之间的多变量定量关系示意图：小麦赤霉病光谱指数（WFSI1 和 WFSI2）、小麦赤霉病质地指数（WFTI1 和 WFTI2）与病害严重度等级（DS）的关系：（A）随机森林回归（RFR），（B）支持向量机回归（SVMR），（C）K近邻回归（KnnR）。

结论与启发

核心结论： ①在生化层面，叶绿素含量是FHB感染后*早出现显著变化的指标（DS1阶段，P<0.05），早于含水量和类胡萝卜素，为光谱检测提供了明确的生理学靶标。②通过连续小波变换与年度间交集策略筛选出的4个小波特征（WF₄₂₃、WF₅₈₁、WF₆₂₄、WF₈₆₅）具有明确的生理学含义和跨年度稳定性，其中WF₈₆₅在症状前阶段的响应与FHB半活体营养型感染导致的早期组织结构损伤有关。③新型光谱指数（WFSI₁、WFSI₂）和纹理指数（WFTI₁、WFTI₂）在症状前阶段的ACA达到71-79%，在DS2阶段达到85-90%，显著优于传统植被指数，数据融合进一步将DS2阶段的ACA提升至98%。④Xgboost在多分类器中表现*优，在独立验证数据集上多数阶段达到100%精度。

可复制的核心技术点：

一致特征选择策略。 未将多年数据混合后一次性筛选，而是对各年度数据独立分析后取交集，有效排除了单一年份特有的偶发相关特征，提升了模型的跨年度可转移性。

光谱-纹理双模态指数开发。 将光谱信息和GLCM纹理信息分别构建归一化指数，分别降维后再融合，既保留了“图谱合一”的核心优势，又避免了高维数据输入带来的计算复杂度和过拟合风险。

技术观察与启示：

近红外区域的价值。 WF₈₆₅在病穗率仅1-3%时即显著响应，说明NIR波段对半活体营养型病原菌引起的早期组织结构损伤高度敏感，设备选型时NIR波段的光谱分辨率与信噪比至关重要。

纹理特征的前症状优势。 症状前阶段纹理指数精度高于光谱指数，提示病害对组织结构的早期损伤可能早于生化组分的可测变化。“早期纹理占优、后期光谱占优”的规律可能适用于其他点状病斑起始的病害。

指数化对设备小型化的支撑。 4个指数仅涉及4个光谱波段及其纹理特征，为开发窄带专用传感器提供了理论依据，降低了设备成本和计算负担。

应用迁移方向： 本研究的方法论框架可迁移至粮食仓储与食品**领域——谷物中DON、黄曲霉**等****的无损快速筛查；在中药材质量控制方面，所建立的“光谱-纹理”双指标评价体系可为其提供新的质量评价范式；在农作物病害早期预警方面，本研究的特征选择和指数构建方法可迁移至水稻稻瘟病、玉米大斑病等其他**病害的早期检测研究。

论文引用信息

1. Mustafa, G., Zheng, H., Khan, I.H., et al. (2024). Enhancing fusarium head blight detection in wheat crops using hyperspectral indices and machine learning classifiers. Computers and Electronics in Agriculture, 218, 108663.

2. Cheng, T., et al. (2010). Detection of Fusarium head blight in wheat using continuous wavelet analysis.

3. Mahlein, A.K., et al. (2013). Development of spectral indices for detecting different plant diseases.

4. Zhang, D.Y., et al. (2020). Integrating spectral and image data to detect Fusarium head blight of wheat. Computers and Electronics in Agriculture, 175, 105588.

5. Zheng, H., et al. (2019). Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery. Precision Agriculture, 20, 611-629.