[发明专利]基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法

说明书

基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法，先收集不同黑暴病害感染程度的新鲜烟叶作为建模训练集，获取训练集烟叶的总氮含量，将训练集烟叶分为正常生长、轻度感染和严重感染三个类别；同时利用手持近红外光谱仪采集以上烟叶的光谱信息，建立近红外光谱数据训练集，然后对光谱数据进行预处理，再采用极限学习机算法，结合训练集烟叶光谱信息和分类标签，建立近红外光谱判别分析模型，并对判别分析模型进行评价；之后采集待测新鲜烟叶样本的近红外光谱信息，并输入至建立的判别分析模型中进行判别分析，快速鉴定待测烟叶样本是否存在黑暴感染及其感染程度。本发明方法具有方便快捷、无损、高效、绿色环保等优点。

技术领域

本发明属于农产品病害检测技术领域，具体涉及利用近红外光谱技术鉴别烟叶黑暴病害及感染程度的方法。

背景技术

经过多年烟草生产新技术的大力推广，烟农种烟更加规范化、科学化，烟叶品质进一步提升。但还有部分烟农主要依据经验种烟，在生产中部分技术不科学，致使烟叶质量得不到提高，造成一定的经济损失。黑暴烟叶即是烟农为追求高产而过量施用氮肥而产生的病害，导致烟株营养失调，叶片肥大厚实，粗筋暴脉，组织致密，含水量不很高，干物质较多，烟叶的氮含量和叶绿素含量远远高于正常烟叶。此类烟叶难以适时成熟，且采收后不易烘烤，其品质更无法体现。因此，若能在黑暴烟叶未出现明显特征时，就可预测烟叶是否存在黑暴感染的可能性，是控制病害蔓延、减少损失、保障烟叶品质的有效手段。

目前，对黑暴烟叶的检测主要是肉眼观测和实验化学检测两种方法。肉眼观测方法是根据肉眼观察凭借经验来辨别烟叶病变组织和健康组织，这很容易产生由于视觉疲劳而导致的错误判断。实验化学检测方法虽然更加客观和准确，但是其检测时间长、成本高，而且不能实时提供结果。因此，研究一种简单、快速、准确的检测烟草黑暴病害的方法对烟叶生产具有重要意义。

在以前的研究中，自动和快速检测其他植物病害或感染的方法主要基于数字图像处理、可见近红外光谱、多光谱图像和高光谱成像。尽管高光谱成像可能比传统数字图像和其他光谱技术携带更多的信息，但其传感器价格昂贵且携带不便，这在经济性和实时性上是不可行的，尤其是在需要诊断大量植物的情况下。近红外光谱分析技术具有简便、快速、前处理简单、对样品无破坏性无污染并可多组分同时测定等优点，在许多植物的各个组织和各种成分的分析方面有着广泛应用，比如植物种类的鉴别、育种材料选择以及叶片内含物质测定等。然而，由于缺少科学和设计和计算，近红外光谱技术较少应用于烟叶病害感染检测相关领域，尤其是在快速预测与实时鉴定黑暴特征的烟叶方面没有有效采用。

发明内容

本发明的目的是解决现有技术的不足，提供一种利用近红外光谱分析技术，并联合机器学习中的极限学习机算法实现对烟叶的黑暴病害及感染程度进行快速鉴别，以解决现有技术中黑暴病害的早期检测鉴别存在的问题。

为了实现上述目的，本发明采取的技术方案如下：

基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法，具体包括如下步骤：

(1)收集同时期不同黑暴病害感染程度的新鲜烟叶作为建模训练集，使用连续流动分析仪获取训练集烟叶的总氮含量，并根据总氮含量的高低将训练集烟叶分为正常生长、轻度感染和严重感染三个类别；同时利用手持近红外光谱仪采集以上烟叶的光谱信息，获取训练集烟叶的近红外光谱信息，建立烟叶近红外光谱数据训练集，然后使用小波变换算法、Savitzky-Golay卷积平滑法、多元散射校正法、一阶导数法、二阶导数法中的一种方法对光谱数据进行预处理，所述对光谱信息的预处理包括消除基线漂移和去除光谱噪声；

(2)采用极限学习机算法，结合步骤(1)中获取的预处理后的训练集烟叶光谱信息和分类标签，建立近红外光谱判别分析模型，并对所构建的判别分析模型进行评价；