譚 峰，于 洋，才巧玲，廉 琦，姜 珊，韓國(guó)鑫，張乃夫，辛元明

(黑龍江八一農(nóng)墾大學(xué) 電氣與信息學(xué)院，黑龍江 大慶 163319)

0 引言

隨著植保作業(yè)機(jī)械變量噴施技術(shù)研究的深入，急需一種高效的病害程度識(shí)別技術(shù)。水稻稻瘟病是水稻3大主要病害之一[1-2]，稻葉瘟發(fā)生在水稻葉片上，葉瘟病的流行直接影響水稻正常生長(zhǎng)，降低水稻產(chǎn)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(jì)算機(jī)視覺(jué)[6]等光譜及成像檢測(cè)手段。以上列舉的光譜及成像檢測(cè)技術(shù)普遍準(zhǔn)確率較高，但紅外熱成像技術(shù)，波長(zhǎng)介于0.75～1 000μm間；近紅外光譜檢測(cè)技術(shù)，敏感度不高，一般需要檢測(cè)量至少1%；高光譜檢測(cè)技術(shù)，需要獲取的數(shù)據(jù)量大，導(dǎo)致信息處理的效率較低；計(jì)算機(jī)視覺(jué)技術(shù)，需要考慮光源穩(wěn)定性。拉曼光譜具有快速、簡(jiǎn)單的特點(diǎn)，可對(duì)樣本無(wú)損定性分析，一次同時(shí)覆蓋50～4 000波數(shù)的范圍，對(duì)于物質(zhì)狀態(tài)要求不高，可以有效區(qū)分出分子結(jié)構(gòu)之間的不同[7-8]。常規(guī)拉曼光譜通過(guò)較少的樣品量就可以得到，隨著拉曼光譜技術(shù)在農(nóng)業(yè)研究[9-10]等方面的發(fā)展，現(xiàn)已逐漸成為一種有效的檢測(cè)方法。因此，本文采用拉曼光譜技術(shù)對(duì)稻葉瘟病進(jìn)行相應(yīng)知識(shí)分析并結(jié)合寒地水稻細(xì)胞生物學(xué)概念，提出了運(yùn)用該技術(shù)對(duì)寒地水稻稻葉瘟病的病害程度分析，并運(yùn)用動(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)算法對(duì)水稻稻葉瘟病害程度進(jìn)行模型建立，可為前期未防治或防治稻葉瘟[11-12]不佳的發(fā)病區(qū)域，進(jìn)行病害程度的劃分，也可為日后稻葉瘟植保作業(yè)施藥量的決策提供前期的理論依據(jù)。

1 標(biāo)準(zhǔn)及優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)算法[13-15]主要包括輸入、隱含和輸出層。本文引用動(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，可以有效減小學(xué)習(xí)過(guò)程中的高頻振蕩，提高模型的學(xué)習(xí)率。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 BP neural network topology architecture

n個(gè)訓(xùn)練樣本的誤差函數(shù)為

(1)

設(shè)第j個(gè)隱含層神經(jīng)元輸入為netj，表示為

(2)

設(shè)第k個(gè)輸出層神經(jīng)元輸入為netk，表示為

(3)

根據(jù)鏈?zhǔn)角髮?dǎo)法則可推導(dǎo)，權(quán)值調(diào)整形式為

(4)

(5)

閾值調(diào)整形式為

(6)

(7)

根據(jù)誤差梯度下降法逐步對(duì)參數(shù)進(jìn)行調(diào)整，其中：1≤j≤q，1≤k≤m，1≤i≤n，0<η<1。Yk為第k個(gè)網(wǎng)絡(luò)輸出層神經(jīng)元；xi為網(wǎng)絡(luò)輸入；θj和ak為閾值；△Wkj為網(wǎng)絡(luò)輸出層的權(quán)值更新；△ak為網(wǎng)絡(luò)輸出層的閾值更新；△Wij為網(wǎng)絡(luò)隱含層的權(quán)值更新；△θj為網(wǎng)絡(luò)隱含層的閾值更新；η為學(xué)習(xí)率；n為訓(xùn)練樣本量；netj為第j個(gè)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的輸入；netk為第k個(gè)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的輸入。

增加的動(dòng)量項(xiàng)一般形式為

(8)

其中，第1項(xiàng)表示標(biāo)準(zhǔn)BP算法的修正量；第2項(xiàng)表示動(dòng)量項(xiàng)；α表示動(dòng)量系數(shù)，取值一般為(0，1)；n取1，2，3…。

2 材料與方法

2.1 實(shí)驗(yàn)材料

寒地水稻樣本采集于2014年黑龍江省肇源縣26.67hm2的實(shí)驗(yàn)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(rùn)的稻田，受病害侵染的水稻樣本由農(nóng)學(xué)專家確診。根據(jù)《稻瘟病測(cè)報(bào)調(diào)查規(guī)范》中對(duì)大田葉瘟發(fā)生程度分級(jí)指標(biāo)對(duì)樣本進(jìn)行采集，主要包括正常水稻、稻葉瘟輕度和重度樣本，對(duì)受病害及周圍未侵染的同片葉片光譜進(jìn)行采樣并選取27條具有代表性的水稻拉曼光譜進(jìn)行相關(guān)實(shí)驗(yàn)研究，實(shí)驗(yàn)儀器選用高性能的Advantage系列的臺(tái)式拉曼光譜儀器。

2.2 實(shí)驗(yàn)方法

2.2.1 拉曼特征頻率指定

本文通過(guò)查閱《化學(xué)手冊(cè)》對(duì)水稻植株進(jìn)行拉曼光譜研究，并從蛋白質(zhì)主鏈及側(cè)鏈兩方面對(duì)水稻葉片進(jìn)行特征頻率指定。通過(guò)拉曼特征值指認(rèn)得出，寒地水稻對(duì)拉曼散射較敏感的波段主要集中在500～1 700cm-1波段內(nèi)。本文將主要對(duì)在此范圍的拉曼光譜進(jìn)行研究。

2.2.2 實(shí)驗(yàn)數(shù)據(jù)處理方法

本實(shí)驗(yàn)運(yùn)用SPSS和Microsoft Excel對(duì)已通過(guò)光譜儀中NuSpec及origin9軟件預(yù)處理的水稻拉曼光譜數(shù)據(jù)進(jìn)行特征頻率值的對(duì)比和分析，并通過(guò)MatLab軟件對(duì)標(biāo)準(zhǔn)化的水稻拉曼光譜數(shù)據(jù)進(jìn)行病害程度劃分的動(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)模型建立。其中，區(qū)別特征峰變化主要運(yùn)用主成分分析的方法，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，可以提高網(wǎng)絡(luò)模型的運(yùn)算收斂速率。經(jīng)主成分分析變換得到的各主成分之間相互獨(dú)立，可以有效消除原始數(shù)據(jù)中的冗余信息[16]。

3 結(jié)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(jìn)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(diào)50和100，結(jié)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(qiáng)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(duì)強(qiáng)度趨于平緩，正常水稻、稻葉瘟輕度和重度葉片的相對(duì)強(qiáng)度存在明顯差異。

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

本文對(duì)具有典型性特征的拉曼特征峰進(jìn)行受試者工作特征曲線分析，如圖3所示。由坐標(biāo)原點(diǎn)到縱坐標(biāo)最高點(diǎn)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(méi)有振動(dòng)；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(diǎn)處的鍵間的化學(xué)鍵相互作用減小，c-c鍵振動(dòng)能量變低。結(jié)果表明：隨著稻葉瘟病菌侵染水稻葉片內(nèi)部細(xì)胞環(huán)境產(chǎn)生變化，運(yùn)用受試者工作特征曲線可以有效分析出1 152cm-1波數(shù)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(fā)生程度的區(qū)別。

圖3 正常及稻葉瘟水稻1152cm-1波數(shù)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(méi)有振動(dòng)；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(diǎn)處的c=c鍵的振動(dòng)能量降低，且c=c鍵間的化學(xué)鍵彼此影響變小。結(jié)果表明：隨著稻葉瘟病菌的侵入，在1 520cm-1波數(shù)處的拉曼特征頻率產(chǎn)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(fā)生程度區(qū)別明顯。

3.2 基于主成分分析的優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)稻葉瘟病害程度劃分分析

網(wǎng)絡(luò)模型的輸入端為3個(gè)主成分，隱含層設(shè)置21個(gè)神經(jīng)元，1個(gè)輸出端。其中，網(wǎng)絡(luò)模型中訓(xùn)練函數(shù)運(yùn)用帶有動(dòng)量的梯度下降法TRAINGDM，隱含層選用雙極性S型函數(shù)TANSING作為前向傳播函數(shù)，輸出層函數(shù)設(shè)置為線性函數(shù)PURELIN。模型輸出預(yù)測(cè)結(jié)果主要分3類，包括正常水稻、稻葉瘟輕度和重度，目標(biāo)值依次設(shè)置為0、1、2。本文通過(guò)模型的建立繪制了基于動(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)的寒地正常及稻葉瘟水稻的模型結(jié)構(gòu)，如圖5所示。

圖4 正常及稻葉瘟水稻1520cm-1波數(shù)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(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)的寒地正常及 稻葉瘟水稻的模型結(jié)構(gòu)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(xùn)練數(shù)據(jù)外的6條標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行模型預(yù)測(cè)，如圖6所示。

(a) 模型訓(xùn)練的均方誤差圖

(b) 模型訓(xùn)練的相關(guān)系數(shù)圖圖6 基于動(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練均方 誤差和相關(guān)系數(shù)圖Fig.6 Training mean square error and correlation coefficient diagram based on momentum factor BP neural network model

將預(yù)測(cè)集帶入網(wǎng)絡(luò)模型訓(xùn)練得出的均方誤差為0.002 409 6，相關(guān)系數(shù)為0.998 2，預(yù)測(cè)集的網(wǎng)絡(luò)預(yù)測(cè)結(jié)果如表1所示。通過(guò)研究可知：動(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)算法是對(duì)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(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果Table 1 Prediction results based on momentum factor BP neural network model

4 結(jié)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(qū)別明顯，正常水稻葉片相對(duì)強(qiáng)度在1 152、1 520cm-1等波數(shù)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(guò)受試者工作特征曲線對(duì)具有典型意義的拉曼特征峰進(jìn)行分析，隨著稻瘟病病菌的侵染，會(huì)破壞水稻細(xì)胞內(nèi)部相應(yīng)物質(zhì)成分和結(jié)構(gòu)，區(qū)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(cè)方法研究奠定理論基礎(chǔ)。

2)基于動(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)預(yù)測(cè)集的均方誤差為0.002 409 6、相關(guān)系數(shù)為0.998 2。優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)水稻正常葉片、稻葉瘟輕度和重度分類檢測(cè)的準(zhǔn)確度較好，可以實(shí)現(xiàn)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。