一种柑橘黄龙病近红外光谱信号的PLSR精准识别检测方法

本发明属于植物病害检测，具体涉及一种基于近红外光谱技术和偏最小二乘回归 (plsr) 算法的柑橘黄龙病精准识别检测方法。

背景技术：

1、柑橘黄龙病 (huanglongbing, hlb) 是由亚洲韧皮杆菌 (candidatusliberibacter asiaticus, clas) 引起的一种毁灭性细菌性病害，被称为柑橘产业的 "癌症"。该病主要通过柑橘木虱传播，具有潜伏期长、传播速度快、危害严重等特点。受感染的柑橘树会出现叶片黄化、果实畸形、品质下降等症状，最终导致树势衰退乃至死亡。目前，柑橘黄龙病尚无有效的治疗方法，唯一可行的防控措施是 "早发现、早挖除、早处理"。

2、传统的柑橘黄龙病检测方法主要包括人工目视诊断和分子生物学检测。人工目视诊断依赖于经验丰富的技术人员，在病害早期或症状不明显时极易误判，且无法区分黄龙病与营养缺乏等相似病症，漏检率和误判率较高。分子生物学检测方法如聚合酶链式反应(pcr) 虽然准确可靠，但存在检测成本高、操作复杂、耗时费力、需要专业实验室和技术人员等缺点，难以适应大规模田间快速筛查的需求。

3、近红外光谱技术是一种快速、无损、绿色的分析技术，能够通过检测物质分子的振动和转动能级跃迁来获取其化学组成和结构信息。近年来，近红外光谱技术结合化学计量学方法已被应用于柑橘黄龙病的检测研究。然而，现有技术仍存在以下不足：

4、大多采用单一的光谱预处理方法，无法有效消除复杂田间环境带来的噪声和散射干扰；

5、多使用全波段光谱数据建模，数据冗余度高，计算量大，且容易引入无关信息影响模型精度；

6、特征波长选择方法单一，难以筛选出真正与黄龙病相关的关键特征波段；

7、模型泛化能力差，在不同品种、不同生长阶段、不同地理环境的柑橘样本上检测效果不稳定；

8、大多只能进行定性判别（健康 / 感染），无法准确评估感染程度，不利于病害的分级防控。

9、因此，开发一种准确率高、误判率低、泛化能力强、能够同时实现定性判别和定量评估的柑橘黄龙病近红外光谱检测方法具有重要的现实意义和应用价值。 技术实现要素：

10、（一）解决的技术问题  本发明的目的在于针对现有技术的不足，提供一种柑橘黄龙病近红外光谱信号的 plsr 精准识别检测方法。该方法通过改进的光谱预处理技术、组合式特征波长选择方法和优化的 plsr 建模算法，实现了柑橘黄龙病的早期、快速、无损、精准检测，有效解决了现有技术中存在的误判率高、泛化能力差、无法评估感染程度等问题。（二）技术方案

11、为实现上述目的，本发明采用如下技术方案：

12、一种柑橘黄龙病近红外光谱信号的 plsr 精准识别检测方法，包括以下步骤：

13、步骤 1：样本采集与标定

14、在不同柑橘产区采集不同品种（如脐橙、砂糖橘、沃柑等）、不同生长阶段（幼树、成年树、结果树）的柑橘样本。每个样本同时采集叶片和树皮韧皮部组织，其中叶片样本采集当年生春梢的成熟叶片，树皮韧皮部样本采集一年生枝条的韧皮部。

15、采用实时荧光定量 pcr (qpcr) 方法对所有样本进行黄龙病感染状态和感染程度标定。根据 qpcr 检测结果，将样本分为五类：健康样本、轻度感染样本、中度感染样本、重度感染样本以及营养缺乏样本（包括缺氮、缺磷、缺钾、缺镁等）。各类样本数量比例为 1:1:1:1:1，总样本量不少于 500 个。

16、步骤 2：近红外光谱数据采集

17、使用便携式近红外光谱仪在 4000-10000cm⁻¹ 波数范围内采集样本的近红外反射光谱数据，光谱分辨率为 8cm⁻¹，扫描次数为 32 次。每个样本在不同位置采集 3 次光谱，取平均值作为该样本的原始光谱数据。

18、光谱采集时，叶片样本采集部位为叶片中部叶脉两侧，避开叶脉和病斑；树皮韧皮部样本采集部位为一年生枝条的韧皮部，刮去表皮后进行测量。采集环境温度控制在 20-25℃，相对湿度控制在 40%-60%，以减少环境因素对光谱数据的影响。

19、步骤 3：光谱数据预处理

20、采用 "标准正态变量变换 (snv)+ 多元散射校正 (msc)+savitzky-golay 二阶导数平滑" 的组合预处理方法对原始光谱数据进行处理：

21、首先对原始光谱进行标准正态变量变换 (snv)，消除由于样本颗粒大小和表面散射引起的光谱差异；

22、然后进行多元散射校正 (msc)，进一步校正散射效应和基线漂移；

23、最后采用 savitzky-golay 二阶导数平滑处理，窗口大小为 15 点，多项式次数为 2 次，以放大光谱的细微差异，消除背景干扰，提高光谱分辨率。

24、步骤 4：特征波长选择

25、采用竞争性自适应重加权采样 (cars) 与连续投影算法 (spa) 相结合的方法从预处理后的全波段光谱数据中筛选出与黄龙病相关的关键特征波长：

26、首先使用 cars 算法从全波段光谱中初步筛选出 50-100 个候选特征波长。cars算法通过自适应重加权采样技术，结合 plsr 模型的回归系数，能够有效筛选出对模型贡献大的波长变量；

27、然后使用 spa 算法从候选波长中进一步筛选出 10-20 个最优特征波长。spa 算法通过投影分析，能够选择出共线性最小的波长组合，进一步降低数据维度，提高模型效率。

28、通过上述组合方法，最终筛选出的最优特征波长包括：4320cm⁻¹、4670cm⁻¹、5180cm⁻¹、5760cm⁻¹、6320cm⁻¹、6890cm⁻¹、7450cm⁻¹、8010cm⁻¹、8570cm⁻¹、9130cm⁻¹。这些特征波长主要对应于叶绿素、水分、淀粉、纤维素等物质的特征吸收峰，能够有效反映黄龙病感染引起的柑橘组织内部化学成分变化。

29、步骤 5：plsr 判别模型建立

30、将筛选出的特征波长数据作为自变量，qpcr 标定的感染状态和感染程度作为因变量，建立偏最小二乘回归 (plsr) 判别模型。

31、plsr 算法通过将自变量和因变量同时投影到新的低维空间，寻找它们之间的最大协方差方向，能够有效解决自变量之间的多重共线性问题，特别适用于高维光谱数据的建模分析。

32、模型的主成分因子数通过留一交叉验证法确定，选择交叉验证均方根误差(rmsecv) 最小时对应的主成分因子数，通常为 8-12 个。

33、步骤 6：模型验证与优化

34、将所有样本按照 3:1 的比例随机划分为校正集和验证集。使用校正集数据训练plsr 模型，使用验证集数据对模型进行独立验证。

35、采用以下指标评价模型性能：校正决定系数 (rc²)、预测决定系数 (rp²)、校正均方根误差 (rmsec)、预测均方根误差 (rmsep)、准确率、误判率。

36、通过调整主成分因子数、特征波长数量等参数进一步优化模型性能，确保模型的准确率达到 98.5% 以上，误判率低于 1.5%。

37、步骤 7：未知样本检测

38、采集待检测柑橘样本的近红外光谱数据，按照与步骤 3 相同的方法进行预处理，按照与步骤 4 相同的方法提取特征波长数据，然后输入优化后的 plsr 模型进行判别。

39、模型同时输出样本的感染状态（健康 / 感染）和感染程度（轻度 / 中度 / 重度）。感染程度通过 plsr 模型的预测值进行划分：预测值 < 0.2 为健康，0.2≤预测值 <0.5 为轻度感染，0.5≤预测值 < 0.8 为中度感染，预测值≥0.8 为重度感染。

40、步骤 8：模型更新

41、定期采集新的样本数据，对现有 plsr 模型进行增量更新，更新周期为 3-6 个月。模型更新时，保留原有模型的核心参数，仅用新的样本数据对模型进行微调，以适应不同季节、不同品种、不同地理环境的变化，提高模型的泛化能力和长期稳定性。（三）有益效果

42、本发明与现有技术相比，具有以下有益效果：

43、检测准确率高：采用改进的组合预处理方法和组合式特征波长选择方法，有效消除了噪声和散射干扰，筛选出了真正与黄龙病相关的关键特征波段，模型检测准确率达98.5% 以上，误判率低于 1.5%。

44、能够区分相似病症：通过采集营养缺乏样本并纳入模型训练，能够有效区分黄龙病与缺氮、缺磷、缺钾、缺镁等相似病症，解决了传统目视诊断容易误判的问题。

45、可评估感染程度：建立的 plsr 模型不仅能够进行定性判别（健康 / 感染），还能够准确评估感染程度（轻度 / 中度 / 重度），为病害的分级防控提供了科学依据。

46、检测速度快：单个样本的光谱采集和数据分析时间不超过 1 分钟，适用于大规模田间快速筛查。

47、无损检测：采用非接触式的光谱采集方式，不会对柑橘树造成任何伤害，可进行多次重复检测。

48、泛化能力强：引入了模型更新机制，能够适应不同品种、不同生长阶段、不同地理环境的变化，模型的长期稳定性好。

49、操作简便：使用便携式近红外光谱仪，操作简单，无需专业实验室和技术人员，普通种植户经过简单培训即可使用。

技术实现思路