论文部分内容阅读
摘 要：双孢蘑菇疣孢霉病是由有害疣孢霉菌Mycogone perniciosa引起的、破坏性极强的真菌类病害，且该病害检测困难耗时，往往导致菇房绝收，菇农收益损失严重。早发现、早处理能够有效解决病害带来的经济损失和农药残留超标等质检问题。因此，本研究将能够快速无损检测的高光谱成像技术应用到双孢蘑菇病害早期鉴别。以双孢蘑菇菌Agaricus bisporus子实体为试材，对健康染病双孢蘑菇生长早期子实体样本采集菌盖的全波段（401～1046 nm）可见/近红外高光谱图像信息，利用多元散射校正（MSC）进行预处理，采用决策树（DT）提取特征波段，对比随机森林（RF）和极限学习机（ELM）两种模型对健康和染病双孢蘑菇鉴别准确度。利用DT选取401.00、951.59、978.09、1006.59和1044.90 nm为鉴别病害的特征波段。对比RF和ELM所建模型效果，得到MSCDTELM模型检测效果最优，测试集和预测集总体样本鉴别准确度分别为92.39%和91.32%。结果表明，该模型可以有效提高基于全波段的双孢蘑菇疣孢霉病早期的鉴别准确度，得到基于高光谱成像技术的便捷准确鉴别双孢蘑菇病害早期的模型，同时，为进一步开发双孢蘑菇病害早期的多光谱设备提供了理论依据和方法。
关键词：双孢蘑菇;高光谱成像技术;病害早期检测;鉴别
中图分类号：S 646 文獻标志码：A 文章编号：0253-2301（2021）04-0016-07
DOI： 10.13651/j.cnki.fjnykj.2021.04.003
Identification of Agaricus Bisporus Disease in Early Stage by Hyperspectral Image
CHEN Zi-han， LIAO Xiao-ling
（College of Mechanical and Electronic Engineering， Fujian Agriculture andForestry University， Fuzhou， Fujian 350002， China）
Abstract： The wet bubble disease of Agaricus bisporus is a highly destructive fungal disease caused by Mycogone perniciosa， which is difficult to detect and time-consuming， often leading to the failure of mushroom houses and the serious loss of income of the mushroom farmers. Early detection and treatment for this disease can effectively solve the economic loss caused by the diseases and the quality control problems such as excessive pesticide residues. Therefore， in this study， the hyperspectral imaging technology， which could be used for the rapid nondestructive detection， was applied to the early identification of Agaricus bisporus diseases. By using the fruiting body of Agaricus bisporus as the test material， the full-band （401-1046 nm） visible/near-infrared hyperspectral image information of the pileus was collected from the fruiting body samples at the early growth stage of healthy infected Agaricus bisporus. The multiplicative scatter correction （MSC） was used for the preprocessing. The decision tree （DT） was used to extract the characteristic bands. The accuracy of the two models， Random Forest （RF） and Extreme Learning Machine （ELM）， for the identification of healthy and infected Agaricus bisporus was compared. By DT， 401.00， 951.59， 978.09， 1006.59 and 1044.90 nm were selected as the characteristic bands for the disease identification. By comparing the effect of RF model and ELM model， the MSC-DT-ELM model had the best detection effect， and the identification accuracy of the test set and the prediction set were 92.39% and 91.32%， respectively. The results showed that the MSC-DT-ELM model could effectively improve the early identification accuracy of the wet bubble disease of Agaricus bisporus based on full band， and obtain a convenient and accurate model for the early identification of Agaricus bisporus disease based on the hyperspectral imaging technology. At the same time， the theoretical basis and method were provided for the further development of multispectral equipment for the rapid and nondestructive identification of Agaricus bisporus diseases in the early stage. Key words： Agaricus bisporus; Hyperspectral imaging technology; Early detection of disease; Identification
双孢蘑菇Agaricus bisporus，又称白蘑菇或纽扣蘑菇，是最常见的栽培蘑菇品种之一，目前在70多个国家进行商业化生产[1]。其肉质鲜美、营养丰富[2]，具有重要的经济价值，已在全国各地推广种植[3]。随着双孢蘑菇生产和栽培规模日益扩大，其病害的发生与危害也逐年加重，经济效益大幅下降，严重挫伤菇农生产积极性，成为制约双孢蘑菇产业持续发展的重要因素[4]。双孢蘑菇疣孢霉病，又称褐腐病、泡湿病，是一种土传真菌性病害，具有普遍性、强危害性，特别严重的得病菇房减产达50%～60%。其病原菌为有害疣孢霉Mycogoneperniciosa Magnus Delacr.，属于子囊菌门Ascomycota、粪壳菌纲Sordariomycetes、肉座菌目Hypocreales、肉座菌科Hypocreaceae、疣孢霉属Mycogone[5]。我国大部分人工栽培的双孢蘑菇对疣孢霉病高度敏感，且自抗性较差，至今尚未发现对疣孢霉病有免疫的菌株[6]。有害疣孢霉菌对双孢蘑菇子实体侵染的发病率，高于有害疣孢霉菌在覆土层中间侵染双孢蘑菇菌丝[7]。当双孢蘑菇菌丝逐渐扭结到产生菇蕾时，是该病原菌侵染的有利时机。双孢蘑菇被疣孢霉菌侵染后形成畸形病菇，染病双孢蘑菇布满菇房，健康双孢蘑菇被彻底侵蚀瓦解[8]。但，其具有传染性强、早期症状不明显、潜伏期长等特点，有经验的菇农最快也要在双孢蘑菇子实体小菇期后才能鉴别染病与否，或者采用内源转录间隔区（ITS）基因片段的聚合酶链式反应（PCR）鉴定[9]以及传统的柯赫氏法则[10]等有损耗时的检测方法。这些方法都需要对双孢蘑菇进行离体检测，耗时长，得到检测结果时，双孢蘑菇疣孢霉病已蔓延菇房，无法起到及时提醒菇农病害发生并采取措施阻止病害进一步扩散的目的。因此，需在病害发生的早期（小菇期之前）能够快速、无损地鉴别出染病双孢蘑菇，帮助菇农及时清除染病双孢蘑菇，及时止损，保证菇房健康双孢蘑菇的品质，极大降低病害发生时菇农的经济损失。
由于高光谱成像技术能够无损便捷识别农产品病害的特点，被广泛应用于农产品病害检测。例如，Tao等[11]用近红外高光谱成像仪，采集被黄曲霉真菌染病和健康的玉米粒在900～2 500 nm光谱范围的图像，利用随机蛙跳算法提取30、50和100个重要变量，分别建立偏最小二乘判别模型得到二分类预测的准确度为87.7%、93.8%和95.2%。Gao等[12]利用高光谱成像技术对赤霞珠葡萄的无症状葡萄卷叶病（GLD）和发病期葡萄卷叶病进行无损检测，分别在5个生长期采集叶片高光谱图像，为消除高光谱样本异常值，利用光谱归一化和蒙特卡洛算法对图像进行预处理，利用最小绝对收缩和选择算子对预处理后的数据进行特征波长提取，得到690、715、731、1409、1425和1582 nm是早期检测该病害的特征波段，用最小二乘支持向量机（LS-SVM）作为分类器得到准确率在66.67%～89.93%。表明，高光谱成像技术具有在无症状阶段无损检测农作物真菌病害的能力。
高光谱成像技术在食用菌病害检测中也被用于开发快速检测蘑菇病害的无损检测系统。例如，Bagnasco等[13]研究了高光谱成像技术结合主成分分析法检测健康和被嗜真菌感染的牛肝菌，采集样本在可见/近红外光谱区（400～1000 nm）的高光谱图像，采用标准正态变换法（SNV）对原始数据进行预处理，基于分数阈值的监督规则，分析了两种低阶主成分的分数图，结果表明该方法可以直接在测试样本的假彩色图像中显示被污染的样本点。但在利用高光谱成像技术对双孢蘑菇早期病害方面的研究较少，且针对双孢蘑菇病害的研究都在其子实体生长的中后期（小菇期之后）。Parrag等[14]采集感染蛛网病的采收期双孢蘑菇菌盖在900～1700 nm光谱范围内的高光谱图像，利用归一化算法（单个强度值减去整个光谱强度的平均值）和Savitzky-Golay平滑（多项式阶为3，窗口大小为9）对原始光谱进行预处理，在平均光谱中发现水峰附近（1200 nm和1450 nm）与健康双孢蘑菇菌盖的反射值有明显差异，利用支持向量机（SVM）成功分离出感染蛛网病的样本，正确率在80%以上，结果表明利用高光谱成像技术得出双孢蘑菇的含水率空间分布，可以用于检测双孢蘑菇的腐坏程度。
综上所述，在早期（小菇期之前）对双孢蘑菇疣孢霉病进行检测识别，能够及时发现染病双孢蘑菇阻止其继续侵害健康双孢蘑菇的同时，还能减少因发病早期症状不明显，无法及时确诊使菇农盲目采用大量化学农药处理，导致的农药超标、食品安全、土壤污染等问题。因此，本研究拟基于高光谱成像技术，建立双孢蘑菇疣孢霉病早期快速检测方法，为开发双孢蘑菇病害检测的快速便捷方法提供参考。
1 材料与方法
1.1 试验材料
试验材料为福建省农业科学院食用菌研究所提供的双孢蘑菇菌种W192。将播种、装袋后的双孢蘑菇放入人工气候箱（MEC-350B-LED型，宁波普朗特仪器有限公司）中培养。
1.2 试验方法
1.2.1 双孢蘑菇的培养 设置人工气候箱温度22℃，相對湿度90%，无光照。培养期间每天早晚通风1 h。两周后，菌丝布满栽培料，进行覆土处理，高度约2.5 cm。此后，调整人工气候箱内的环境为温度20℃，湿度85%，无光照。覆土后7～10 d，菌丝长至2/3覆土层，调整人工气候箱内的环境为温度20℃，相对湿度90%，无光照。
1.2.2 双孢蘑菇染病与鉴定 有害疣孢霉菌My.p0012，由福建省农业科学院食用菌研究所提供。将有害疣孢霉菌在马铃薯葡萄糖琼脂培养基（PDA）上，于25℃恒温黑暗环境中培养7 d。于无菌操作台（SWCJ1FB型，苏州净化设备有限公司）内用超纯水将PDA培养基上的有害疣孢霉菌孢子洗下，制作成有害疣孢霉菌的孢子悬液。用血球计数板检查该孢子悬液，确定浓度为1.0×105个·mL-1。双孢蘑菇菌丝长至2/3覆土层时，将5 mL有害疣孢霉菌孢子悬液均匀喷洒在覆土层表面。将病菇上的褐色液滴和病菇切片分别在无菌台内，置于PDA平板培养基，于25℃黑暗环境中培养。5 d后，在显微镜下挑出菌丝并纯化，观察是否是有害疣孢霉菌。 1.2.3 高光谱图像获取 试验采用内置CCD相机（Sony ICX285，JPLY Electronic Tech，China）的推扫式便携式高光谱成像系统（GaiaField Pro-V10E型，四川双利合谱科技有限公司），其光谱波长范围为可见/近红外的401～1046 nm，光谱分辨率为2.8 nm，图像空间分辨率为696×700，成像镜头（HSIA-OL23），焦距为23 mm，镜头接口C-mount（SPECIM）。配有多功能暗箱（HSIA-DB），可接电源220 V AC，50Hz/60Hz，其内置有4个卤钨灯光源（64610HLX，OSRAMLightbulbCo.，Ltd，Germany），各50 W。为便捷实用，配有平板电脑（iPad mini4）。满足试验采用高光谱技术实现快速便捷无损检测病害的仪器要求。经过反复调试，最终确定物镜高度为30 cm，相机推扫移动速度为1.30 mm·s-1，CCD相机曝光时间为70 ms。于孢子悬液喷洒后连续进行高光谱图像采集，每12 h采集1次，直至肉眼可见发病（小菇期之后）。
1.2.4 高光谱图像数据预处理 获取健康双孢蘑菇早期子实体菌盖的可见/近红外高光谱图像后，提取感兴趣区域（Region of interest， ROI）的平均光谱数据。为清除由于传感器暗电流等原因产生图像中的噪音，将采集到的原始高光谱图像利用标准反射白板和黑暗背景下高光谱图像数据校正，如公式1所示。
式中：
I-校正之后的高光谱图像数据;Io-原始的高光谱图像数据; B-黑暗背景下的高光谱图像数据;W-标准反射白板的高光谱图像数据。
本研究所采集到的光谱信息在400～1046 nm，共360个波段（全波段）。为消除双孢蘑菇菌盖表面的颗粒大小及其分布不均所产生的散射影响，采用多元散射校正（Multiplicative scatter correction，MSC）算法，具体算法可见参考文献[15]。
1.2.5 特征波段提取方法 决策树（Decision Tree，DT）是数据挖掘中非常流行的分类工具，广泛应用于深度学习和机器学习、工业应用、医疗和生物信息等领域[16]。DT算法原理就像猜词游戏，猜词游戏需要进行几轮的属性问题，最终确认游戏答案。这些属性问题就是DT中的非叶子节点，属性问题的答案就是该节点的分支。在本研究中，对于一个输入的光谱数据样本，输出能够鉴别健康与染病双孢蘑菇的特征波段。提取出的特征波段就能够更好的帮助鉴别模型的确认，并提高鉴别速率。
1.2.6 建模方法 随机森林分类器（Random Forest，RF）是一种集成分类器，本研究使用确定的训练样本子集和变量生成多个决策树，具体执行步骤见参考文献[17]。随机森林通过设定500颗决策树对分类结果进行投票，例如，当对染病双孢蘑菇样本的投票数高于对健康双孢蘑菇样本的投票数时，随机森林就将这个变量确定为染病双孢蘑菇样本。
极限学习机（Extreme learning machine，ELM）由Huang等[18]提出，不同于传统的神经网络，ELM无需迭代调整参数，能够自动实现参数调优[19]，计算速度快，优化了传统的单隐含层前馈神经网络。
1.2.7 定性评价指标 样本识别准确度（公式2），针对分类问题判断所建模型对样本分类的效果。准确度越接近100%，该模型对输入样本的分类完成的越好。当准确度为100%时，表明该模型能够完全正确地鉴别出健康与染病双孢蘑菇。
2 结果与分析
2.1 健康与染病双孢蘑菇样本
本研究中最终获得不同生长阶段肉眼可见发病前染病的双孢蘑菇样本图像共计200组，健康双孢蘑菇的不同子实体时期样本共计200组，具体见表1。
2.2 預处理
MSC处理后，光散射、光谱重叠和基线漂移等问题得到明显消除。图1可以看出预处理后在401～450 nm和800～1046 nm波长范围内反射率差异明显，为后续选择病害鉴别特征波段打下基础。
2.3 特征波段
将MSC处理后的数据随机将样本的2/3划分测试集，1/2为预测集，得到测试集样本共267个，预测集样本共133个。为防止数据过拟合，并限定决策树的生长，设定使交叉验证的误差最小的叶子节点含有最小样本数为10。产生优化后的决策树将非叶子节点数由26减少到10，分别计算得到优化前后决策树的重新采样误差为0.049和0.099，交叉验证误差为0.044和0.334，与优化前后误差几乎一样。为进一步提取鉴别染病双孢蘑菇的特征波段，本研究对优化后的决策树剪枝，将非叶子节点数由10减少到5，计算剪枝后的决策树重新采样误差和交叉验证分别为0.069和0.032。表明优化后的决策树在保证正确率的前提下，得到能够鉴别染病双孢蘑菇的5个特征波段，对模型的简洁度有很大的提高，有助于后续鉴别模型的建立。决策树最终确定提取的特征波段为401.00、951.59、978.09、1006.59和1044.90 nm，见图2。
2.4 鉴别模型
将无预处理、经MSC预处理和提取特征波段后的光谱数据分别建立RF和ELM分类模型，得到的定性评价结果如表2所示。在没有任何处理的全波段（401～1046 nm，共360个波段数）建模结果中，ELM的预测集总体样本鉴别准确度为89.62%，高于RF分类器的预测集总体样本鉴别准确度88.06%。经过MSC预处理后，RF与ELM分类器鉴别准确度由88.06%和89.62%提升至89.34%和90.87%。表明，MSC能够有效提高原始光谱信噪比，消除无关信息，提高检测准确度。经DT提取5个特征波段后，建模速度有效提高的同时，RF和ELM的预测集总体样本鉴别准确度提升至90.79%和91.32%。得到最佳鉴别模型为MSC-DT-ELM组合，其测试集和预测集样本鉴别准确度分别为92.39%和91.32%。模型预测集总体样本鉴别结果如图3、4所示。 3 结论与讨论
本研究以对双孢蘑菇的传染性、侵害性极强有害疣孢霉菌引起的疣孢霉病为研究对象，针对其子实体染病早期诊断无法实现快速无损等问题，引入目前广泛用于农作物病害检测的高光谱成像技术，探索该病害早期检测方法。探讨了MSC预处理、DT提取特征波段后，得到5个能够让分类模型性能提升的特征波段401.00、951.59、978.09、1006.59、1044.90 nm。其中，水的O-H在960 nm处的合频吸收，C-H在800～900 nm区域的第3倍频吸收，N-H在1000～1100 nm区域的第2倍频在这个区域的吸收比较弱[20]，表明有害疣孢霉菌对双孢蘑菇的侵染还使得其内部含水率发生了变化。最后，对比了RF和ELM对有预处理和无预处理光谱数据的鉴别模型准确度的结果，得到最佳鉴别模型为MSC-DT-ELM组合。该研究结论为开发更加快速便捷的鉴别双孢蘑菇病害早期的多光谱设备提供了理论依据和方法。
参考文献：
[1]SIWULSKI M， BUDKA A， RZYMSKI P， et al.Worldwide basket survey of multielemental composition of white button mushroom Agaricus bisporus[J].Chemosphere，2020， 239： 124718.（doi：10.1016/j.chenmosphere.2019.124718）
[2]孙若兰，肖靓，易有金，等.双孢蘑菇采后贮藏保鲜研究进展[J].食品科学，2021， 42（1）： 333-340.
[3]张文强，陈青君，张国庆，等.蛋白添加剂对双孢蘑菇农艺性状及品质的影响[J].中国农业科学，2020， 53（10）： 2091-2100.
[4]张怡，钱忠海，刘琴，等.甲基硫菌灵对季节性栽培双孢蘑菇褐腐病的生物活性及田间防效和安全性评价[J].江苏农业科学，2018， 46（15）： 81-83.
[5]张春兰，徐济责，李丹，等.有害疣孢霉与不同食用菌的培养关系[J].西北农林科技大学学报（自然科学版），2017， 45（1）： 112-118.
[6]FU Y， WANG X， LI D， et al.Identification of resistance to wet bubble disease and genetic diversity in wild and cultivated strains of Agaricus bisporus[J].International Journal of Molecular Sciences，2016， 17（10）： 1568.（doi：10.3390/ijms17101568）
[7]HOLLANDDM，COOKE RC.Nutrient depletion and sporulation in the wet bubble pathogen Mycogone perniciosa[J].Mycological，1991， 3（95）： 364-369.
[8]魏峰，侯祥保.雙孢蘑菇疣孢霉病的发生及综合防治[J].现代农业科技，2009（2）： 102.
[9]YANG Y， SOSSAH F L， LI Z， et al.Genome-wide identification and analysis of chitinase GH18 gene family in Mycogone perniciosa[J].Frontiers in Microbiology，2021， 11（1）： 596719.（doi： 10.3389/fmicb.2020.596719）
[10]GEA F J， TELLO J C， NAVARRO M.Efficacy and effects on yield of different fungicides for control of wet bubble disease of mushroom caused by the mycoparasite Mycogone perniciosa[J].Crop Protection，2010， 29（9）： 1021-1025.
[11]TAO F， YAO H， HRUSKA Z， et al.A novel hyperspectral-based approach for identification of maize kernels infected with diverse Aspergillus flavus fungi[J].Biosystems Engineering，2020， 200： 415-430.
[12]GAO Z， KHOT L R， NAIDU R A， et al.Early detection of grapevine leafroll disease in a red-berried wine grape cultivar using hyperspectral imaging[J].Computers and Electronics in Agriculture，2020，179：105807.（doi：10.1016/j.compag.2020.105807）
[13]BAGNASCO L， ZOTTI M， SITTA N， et al.A PCA-based hyperspectral approach to detect infections by mycophilic fungi on dried porcini mushrooms （boletus edulis and allied species）[J].Talanta，2015， 144： 1225-1230. [14]PARRAG V， FELFLDI J， BARANYAI L， et al.Early detection of cobweb disease infection on Agaricus bisporus sporocarps using hyperspectral imaging[J].Acta Alimentaria，2014， 43（S1）： 107-113.
[15] MARTENS H， NIELSEN J P， ENGELSEN S B.Light ccattering and light absorbance separated by extended multiplicative signal correction.Application to near-Infrared transmission analysis of powder mixtures[J].Analytical Chemistry，2003， 75（3）： 394-404.
[16]TSAI P， CHEN K， HONG T， et al.Categorizing SHR and WKY rats by chi2 algorithm and decision tree[J].Scientific Reports，2021， 11（1）：3463.（doi：10.1038/s41598021828643）
[17]BELGIU M， DRGU 瘙 塃 L.Random forest in remote sensing： A review of applications and future directions[J].ISPRS Journal of Photogrammetry and Remote Sensing，2016， 114： 24-31.
[18]HUANG G B， ZHU Q Y， SIEW C K.Extreme learning machine： Theory and applications[J].Neurocomputing，2006， 70（1/3）：489-501.
[19]DING S， XU X， NIE R.Extreme learning machine and its applications[J].Neural Computing and Applications，2014， 25（3-4）： 549-556.
[20]李鴻强.基于高光谱分析的蔬菜品质检测方法研究[D].北京：中国农业大学，2019.
（责任编辑：柯文辉）
关键词：双孢蘑菇;高光谱成像技术;病害早期检测;鉴别
中图分类号：S 646 文獻标志码：A 文章编号：0253-2301（2021）04-0016-07
DOI： 10.13651/j.cnki.fjnykj.2021.04.003
Identification of Agaricus Bisporus Disease in Early Stage by Hyperspectral Image
CHEN Zi-han， LIAO Xiao-ling
（College of Mechanical and Electronic Engineering， Fujian Agriculture andForestry University， Fuzhou， Fujian 350002， China）
Abstract： The wet bubble disease of Agaricus bisporus is a highly destructive fungal disease caused by Mycogone perniciosa， which is difficult to detect and time-consuming， often leading to the failure of mushroom houses and the serious loss of income of the mushroom farmers. Early detection and treatment for this disease can effectively solve the economic loss caused by the diseases and the quality control problems such as excessive pesticide residues. Therefore， in this study， the hyperspectral imaging technology， which could be used for the rapid nondestructive detection， was applied to the early identification of Agaricus bisporus diseases. By using the fruiting body of Agaricus bisporus as the test material， the full-band （401-1046 nm） visible/near-infrared hyperspectral image information of the pileus was collected from the fruiting body samples at the early growth stage of healthy infected Agaricus bisporus. The multiplicative scatter correction （MSC） was used for the preprocessing. The decision tree （DT） was used to extract the characteristic bands. The accuracy of the two models， Random Forest （RF） and Extreme Learning Machine （ELM）， for the identification of healthy and infected Agaricus bisporus was compared. By DT， 401.00， 951.59， 978.09， 1006.59 and 1044.90 nm were selected as the characteristic bands for the disease identification. By comparing the effect of RF model and ELM model， the MSC-DT-ELM model had the best detection effect， and the identification accuracy of the test set and the prediction set were 92.39% and 91.32%， respectively. The results showed that the MSC-DT-ELM model could effectively improve the early identification accuracy of the wet bubble disease of Agaricus bisporus based on full band， and obtain a convenient and accurate model for the early identification of Agaricus bisporus disease based on the hyperspectral imaging technology. At the same time， the theoretical basis and method were provided for the further development of multispectral equipment for the rapid and nondestructive identification of Agaricus bisporus diseases in the early stage. Key words： Agaricus bisporus; Hyperspectral imaging technology; Early detection of disease; Identification
双孢蘑菇Agaricus bisporus，又称白蘑菇或纽扣蘑菇，是最常见的栽培蘑菇品种之一，目前在70多个国家进行商业化生产[1]。其肉质鲜美、营养丰富[2]，具有重要的经济价值，已在全国各地推广种植[3]。随着双孢蘑菇生产和栽培规模日益扩大，其病害的发生与危害也逐年加重，经济效益大幅下降，严重挫伤菇农生产积极性，成为制约双孢蘑菇产业持续发展的重要因素[4]。双孢蘑菇疣孢霉病，又称褐腐病、泡湿病，是一种土传真菌性病害，具有普遍性、强危害性，特别严重的得病菇房减产达50%～60%。其病原菌为有害疣孢霉Mycogoneperniciosa Magnus Delacr.，属于子囊菌门Ascomycota、粪壳菌纲Sordariomycetes、肉座菌目Hypocreales、肉座菌科Hypocreaceae、疣孢霉属Mycogone[5]。我国大部分人工栽培的双孢蘑菇对疣孢霉病高度敏感，且自抗性较差，至今尚未发现对疣孢霉病有免疫的菌株[6]。有害疣孢霉菌对双孢蘑菇子实体侵染的发病率，高于有害疣孢霉菌在覆土层中间侵染双孢蘑菇菌丝[7]。当双孢蘑菇菌丝逐渐扭结到产生菇蕾时，是该病原菌侵染的有利时机。双孢蘑菇被疣孢霉菌侵染后形成畸形病菇，染病双孢蘑菇布满菇房，健康双孢蘑菇被彻底侵蚀瓦解[8]。但，其具有传染性强、早期症状不明显、潜伏期长等特点，有经验的菇农最快也要在双孢蘑菇子实体小菇期后才能鉴别染病与否，或者采用内源转录间隔区（ITS）基因片段的聚合酶链式反应（PCR）鉴定[9]以及传统的柯赫氏法则[10]等有损耗时的检测方法。这些方法都需要对双孢蘑菇进行离体检测，耗时长，得到检测结果时，双孢蘑菇疣孢霉病已蔓延菇房，无法起到及时提醒菇农病害发生并采取措施阻止病害进一步扩散的目的。因此，需在病害发生的早期（小菇期之前）能够快速、无损地鉴别出染病双孢蘑菇，帮助菇农及时清除染病双孢蘑菇，及时止损，保证菇房健康双孢蘑菇的品质，极大降低病害发生时菇农的经济损失。
由于高光谱成像技术能够无损便捷识别农产品病害的特点，被广泛应用于农产品病害检测。例如，Tao等[11]用近红外高光谱成像仪，采集被黄曲霉真菌染病和健康的玉米粒在900～2 500 nm光谱范围的图像，利用随机蛙跳算法提取30、50和100个重要变量，分别建立偏最小二乘判别模型得到二分类预测的准确度为87.7%、93.8%和95.2%。Gao等[12]利用高光谱成像技术对赤霞珠葡萄的无症状葡萄卷叶病（GLD）和发病期葡萄卷叶病进行无损检测，分别在5个生长期采集叶片高光谱图像，为消除高光谱样本异常值，利用光谱归一化和蒙特卡洛算法对图像进行预处理，利用最小绝对收缩和选择算子对预处理后的数据进行特征波长提取，得到690、715、731、1409、1425和1582 nm是早期检测该病害的特征波段，用最小二乘支持向量机（LS-SVM）作为分类器得到准确率在66.67%～89.93%。表明，高光谱成像技术具有在无症状阶段无损检测农作物真菌病害的能力。
高光谱成像技术在食用菌病害检测中也被用于开发快速检测蘑菇病害的无损检测系统。例如，Bagnasco等[13]研究了高光谱成像技术结合主成分分析法检测健康和被嗜真菌感染的牛肝菌，采集样本在可见/近红外光谱区（400～1000 nm）的高光谱图像，采用标准正态变换法（SNV）对原始数据进行预处理，基于分数阈值的监督规则，分析了两种低阶主成分的分数图，结果表明该方法可以直接在测试样本的假彩色图像中显示被污染的样本点。但在利用高光谱成像技术对双孢蘑菇早期病害方面的研究较少，且针对双孢蘑菇病害的研究都在其子实体生长的中后期（小菇期之后）。Parrag等[14]采集感染蛛网病的采收期双孢蘑菇菌盖在900～1700 nm光谱范围内的高光谱图像，利用归一化算法（单个强度值减去整个光谱强度的平均值）和Savitzky-Golay平滑（多项式阶为3，窗口大小为9）对原始光谱进行预处理，在平均光谱中发现水峰附近（1200 nm和1450 nm）与健康双孢蘑菇菌盖的反射值有明显差异，利用支持向量机（SVM）成功分离出感染蛛网病的样本，正确率在80%以上，结果表明利用高光谱成像技术得出双孢蘑菇的含水率空间分布，可以用于检测双孢蘑菇的腐坏程度。
综上所述，在早期（小菇期之前）对双孢蘑菇疣孢霉病进行检测识别，能够及时发现染病双孢蘑菇阻止其继续侵害健康双孢蘑菇的同时，还能减少因发病早期症状不明显，无法及时确诊使菇农盲目采用大量化学农药处理，导致的农药超标、食品安全、土壤污染等问题。因此，本研究拟基于高光谱成像技术，建立双孢蘑菇疣孢霉病早期快速检测方法，为开发双孢蘑菇病害检测的快速便捷方法提供参考。
1 材料与方法
1.1 试验材料
试验材料为福建省农业科学院食用菌研究所提供的双孢蘑菇菌种W192。将播种、装袋后的双孢蘑菇放入人工气候箱（MEC-350B-LED型，宁波普朗特仪器有限公司）中培养。
1.2 试验方法
1.2.1 双孢蘑菇的培养 设置人工气候箱温度22℃，相對湿度90%，无光照。培养期间每天早晚通风1 h。两周后，菌丝布满栽培料，进行覆土处理，高度约2.5 cm。此后，调整人工气候箱内的环境为温度20℃，湿度85%，无光照。覆土后7～10 d，菌丝长至2/3覆土层，调整人工气候箱内的环境为温度20℃，相对湿度90%，无光照。
1.2.2 双孢蘑菇染病与鉴定 有害疣孢霉菌My.p0012，由福建省农业科学院食用菌研究所提供。将有害疣孢霉菌在马铃薯葡萄糖琼脂培养基（PDA）上，于25℃恒温黑暗环境中培养7 d。于无菌操作台（SWCJ1FB型，苏州净化设备有限公司）内用超纯水将PDA培养基上的有害疣孢霉菌孢子洗下，制作成有害疣孢霉菌的孢子悬液。用血球计数板检查该孢子悬液，确定浓度为1.0×105个·mL-1。双孢蘑菇菌丝长至2/3覆土层时，将5 mL有害疣孢霉菌孢子悬液均匀喷洒在覆土层表面。将病菇上的褐色液滴和病菇切片分别在无菌台内，置于PDA平板培养基，于25℃黑暗环境中培养。5 d后，在显微镜下挑出菌丝并纯化，观察是否是有害疣孢霉菌。 1.2.3 高光谱图像获取 试验采用内置CCD相机（Sony ICX285，JPLY Electronic Tech，China）的推扫式便携式高光谱成像系统（GaiaField Pro-V10E型，四川双利合谱科技有限公司），其光谱波长范围为可见/近红外的401～1046 nm，光谱分辨率为2.8 nm，图像空间分辨率为696×700，成像镜头（HSIA-OL23），焦距为23 mm，镜头接口C-mount（SPECIM）。配有多功能暗箱（HSIA-DB），可接电源220 V AC，50Hz/60Hz，其内置有4个卤钨灯光源（64610HLX，OSRAMLightbulbCo.，Ltd，Germany），各50 W。为便捷实用，配有平板电脑（iPad mini4）。满足试验采用高光谱技术实现快速便捷无损检测病害的仪器要求。经过反复调试，最终确定物镜高度为30 cm，相机推扫移动速度为1.30 mm·s-1，CCD相机曝光时间为70 ms。于孢子悬液喷洒后连续进行高光谱图像采集，每12 h采集1次，直至肉眼可见发病（小菇期之后）。
1.2.4 高光谱图像数据预处理 获取健康双孢蘑菇早期子实体菌盖的可见/近红外高光谱图像后，提取感兴趣区域（Region of interest， ROI）的平均光谱数据。为清除由于传感器暗电流等原因产生图像中的噪音，将采集到的原始高光谱图像利用标准反射白板和黑暗背景下高光谱图像数据校正，如公式1所示。
式中：
I-校正之后的高光谱图像数据;Io-原始的高光谱图像数据; B-黑暗背景下的高光谱图像数据;W-标准反射白板的高光谱图像数据。
本研究所采集到的光谱信息在400～1046 nm，共360个波段（全波段）。为消除双孢蘑菇菌盖表面的颗粒大小及其分布不均所产生的散射影响，采用多元散射校正（Multiplicative scatter correction，MSC）算法，具体算法可见参考文献[15]。
1.2.5 特征波段提取方法 决策树（Decision Tree，DT）是数据挖掘中非常流行的分类工具，广泛应用于深度学习和机器学习、工业应用、医疗和生物信息等领域[16]。DT算法原理就像猜词游戏，猜词游戏需要进行几轮的属性问题，最终确认游戏答案。这些属性问题就是DT中的非叶子节点，属性问题的答案就是该节点的分支。在本研究中，对于一个输入的光谱数据样本，输出能够鉴别健康与染病双孢蘑菇的特征波段。提取出的特征波段就能够更好的帮助鉴别模型的确认，并提高鉴别速率。
1.2.6 建模方法 随机森林分类器（Random Forest，RF）是一种集成分类器，本研究使用确定的训练样本子集和变量生成多个决策树，具体执行步骤见参考文献[17]。随机森林通过设定500颗决策树对分类结果进行投票，例如，当对染病双孢蘑菇样本的投票数高于对健康双孢蘑菇样本的投票数时，随机森林就将这个变量确定为染病双孢蘑菇样本。
极限学习机（Extreme learning machine，ELM）由Huang等[18]提出，不同于传统的神经网络，ELM无需迭代调整参数，能够自动实现参数调优[19]，计算速度快，优化了传统的单隐含层前馈神经网络。
1.2.7 定性评价指标 样本识别准确度（公式2），针对分类问题判断所建模型对样本分类的效果。准确度越接近100%，该模型对输入样本的分类完成的越好。当准确度为100%时，表明该模型能够完全正确地鉴别出健康与染病双孢蘑菇。
2 结果与分析
2.1 健康与染病双孢蘑菇样本
本研究中最终获得不同生长阶段肉眼可见发病前染病的双孢蘑菇样本图像共计200组，健康双孢蘑菇的不同子实体时期样本共计200组，具体见表1。
2.2 預处理
MSC处理后，光散射、光谱重叠和基线漂移等问题得到明显消除。图1可以看出预处理后在401～450 nm和800～1046 nm波长范围内反射率差异明显，为后续选择病害鉴别特征波段打下基础。
2.3 特征波段
将MSC处理后的数据随机将样本的2/3划分测试集，1/2为预测集，得到测试集样本共267个，预测集样本共133个。为防止数据过拟合，并限定决策树的生长，设定使交叉验证的误差最小的叶子节点含有最小样本数为10。产生优化后的决策树将非叶子节点数由26减少到10，分别计算得到优化前后决策树的重新采样误差为0.049和0.099，交叉验证误差为0.044和0.334，与优化前后误差几乎一样。为进一步提取鉴别染病双孢蘑菇的特征波段，本研究对优化后的决策树剪枝，将非叶子节点数由10减少到5，计算剪枝后的决策树重新采样误差和交叉验证分别为0.069和0.032。表明优化后的决策树在保证正确率的前提下，得到能够鉴别染病双孢蘑菇的5个特征波段，对模型的简洁度有很大的提高，有助于后续鉴别模型的建立。决策树最终确定提取的特征波段为401.00、951.59、978.09、1006.59和1044.90 nm，见图2。
2.4 鉴别模型
将无预处理、经MSC预处理和提取特征波段后的光谱数据分别建立RF和ELM分类模型，得到的定性评价结果如表2所示。在没有任何处理的全波段（401～1046 nm，共360个波段数）建模结果中，ELM的预测集总体样本鉴别准确度为89.62%，高于RF分类器的预测集总体样本鉴别准确度88.06%。经过MSC预处理后，RF与ELM分类器鉴别准确度由88.06%和89.62%提升至89.34%和90.87%。表明，MSC能够有效提高原始光谱信噪比，消除无关信息，提高检测准确度。经DT提取5个特征波段后，建模速度有效提高的同时，RF和ELM的预测集总体样本鉴别准确度提升至90.79%和91.32%。得到最佳鉴别模型为MSC-DT-ELM组合，其测试集和预测集样本鉴别准确度分别为92.39%和91.32%。模型预测集总体样本鉴别结果如图3、4所示。 3 结论与讨论
本研究以对双孢蘑菇的传染性、侵害性极强有害疣孢霉菌引起的疣孢霉病为研究对象，针对其子实体染病早期诊断无法实现快速无损等问题，引入目前广泛用于农作物病害检测的高光谱成像技术，探索该病害早期检测方法。探讨了MSC预处理、DT提取特征波段后，得到5个能够让分类模型性能提升的特征波段401.00、951.59、978.09、1006.59、1044.90 nm。其中，水的O-H在960 nm处的合频吸收，C-H在800～900 nm区域的第3倍频吸收，N-H在1000～1100 nm区域的第2倍频在这个区域的吸收比较弱[20]，表明有害疣孢霉菌对双孢蘑菇的侵染还使得其内部含水率发生了变化。最后，对比了RF和ELM对有预处理和无预处理光谱数据的鉴别模型准确度的结果，得到最佳鉴别模型为MSC-DT-ELM组合。该研究结论为开发更加快速便捷的鉴别双孢蘑菇病害早期的多光谱设备提供了理论依据和方法。
参考文献：
[1]SIWULSKI M， BUDKA A， RZYMSKI P， et al.Worldwide basket survey of multielemental composition of white button mushroom Agaricus bisporus[J].Chemosphere，2020， 239： 124718.（doi：10.1016/j.chenmosphere.2019.124718）
[2]孙若兰，肖靓，易有金，等.双孢蘑菇采后贮藏保鲜研究进展[J].食品科学，2021， 42（1）： 333-340.
[3]张文强，陈青君，张国庆，等.蛋白添加剂对双孢蘑菇农艺性状及品质的影响[J].中国农业科学，2020， 53（10）： 2091-2100.
[4]张怡，钱忠海，刘琴，等.甲基硫菌灵对季节性栽培双孢蘑菇褐腐病的生物活性及田间防效和安全性评价[J].江苏农业科学，2018， 46（15）： 81-83.
[5]张春兰，徐济责，李丹，等.有害疣孢霉与不同食用菌的培养关系[J].西北农林科技大学学报（自然科学版），2017， 45（1）： 112-118.
[6]FU Y， WANG X， LI D， et al.Identification of resistance to wet bubble disease and genetic diversity in wild and cultivated strains of Agaricus bisporus[J].International Journal of Molecular Sciences，2016， 17（10）： 1568.（doi：10.3390/ijms17101568）
[7]HOLLANDDM，COOKE RC.Nutrient depletion and sporulation in the wet bubble pathogen Mycogone perniciosa[J].Mycological，1991， 3（95）： 364-369.
[8]魏峰，侯祥保.雙孢蘑菇疣孢霉病的发生及综合防治[J].现代农业科技，2009（2）： 102.
[9]YANG Y， SOSSAH F L， LI Z， et al.Genome-wide identification and analysis of chitinase GH18 gene family in Mycogone perniciosa[J].Frontiers in Microbiology，2021， 11（1）： 596719.（doi： 10.3389/fmicb.2020.596719）
[10]GEA F J， TELLO J C， NAVARRO M.Efficacy and effects on yield of different fungicides for control of wet bubble disease of mushroom caused by the mycoparasite Mycogone perniciosa[J].Crop Protection，2010， 29（9）： 1021-1025.
[11]TAO F， YAO H， HRUSKA Z， et al.A novel hyperspectral-based approach for identification of maize kernels infected with diverse Aspergillus flavus fungi[J].Biosystems Engineering，2020， 200： 415-430.
[12]GAO Z， KHOT L R， NAIDU R A， et al.Early detection of grapevine leafroll disease in a red-berried wine grape cultivar using hyperspectral imaging[J].Computers and Electronics in Agriculture，2020，179：105807.（doi：10.1016/j.compag.2020.105807）
[13]BAGNASCO L， ZOTTI M， SITTA N， et al.A PCA-based hyperspectral approach to detect infections by mycophilic fungi on dried porcini mushrooms （boletus edulis and allied species）[J].Talanta，2015， 144： 1225-1230. [14]PARRAG V， FELFLDI J， BARANYAI L， et al.Early detection of cobweb disease infection on Agaricus bisporus sporocarps using hyperspectral imaging[J].Acta Alimentaria，2014， 43（S1）： 107-113.
[15] MARTENS H， NIELSEN J P， ENGELSEN S B.Light ccattering and light absorbance separated by extended multiplicative signal correction.Application to near-Infrared transmission analysis of powder mixtures[J].Analytical Chemistry，2003， 75（3）： 394-404.
[16]TSAI P， CHEN K， HONG T， et al.Categorizing SHR and WKY rats by chi2 algorithm and decision tree[J].Scientific Reports，2021， 11（1）：3463.（doi：10.1038/s41598021828643）
[17]BELGIU M， DRGU 瘙 塃 L.Random forest in remote sensing： A review of applications and future directions[J].ISPRS Journal of Photogrammetry and Remote Sensing，2016， 114： 24-31.
[18]HUANG G B， ZHU Q Y， SIEW C K.Extreme learning machine： Theory and applications[J].Neurocomputing，2006， 70（1/3）：489-501.
[19]DING S， XU X， NIE R.Extreme learning machine and its applications[J].Neural Computing and Applications，2014， 25（3-4）： 549-556.
[20]李鴻强.基于高光谱分析的蔬菜品质检测方法研究[D].北京：中国农业大学，2019.
（责任编辑：柯文辉）