材料与方法
1.1试验材料
本研究所用叶片材料均采自于国家脐橙工程技术研究中心。所采叶片类型包括：有症状，经PCR检测鉴定为感染黄龙病的叶片；经PCR检测感病，但田间未显症的叶片；田间表现缺素症状叶片（主要为缺锌、氮、镁元素），共计1 800个样品。
1.2仪器设备
光谱仪器采用广州讯动网络有限公司开发的NGDU1模块，该模块采用最新的MEMS微镜技术原理，波长范围900～1 700 nm，仪器轻便，适宜田间现场检测。
1.3试验方法
采集叶片近红外光谱：擦干样品叶片，使其干净无污渍，不采集叶脉位置。在同一叶片，通过上述光谱仪正反两面各采集3个点，得到该叶片的反射率。通过化学计量学软件，建立鉴别模型。
2结果与分析
2.1光谱信息
感染黄龙病叶片、潜伏期黄龙病叶片以及未感染叶片原始光谱图及二阶导数光谱图如图1、图2。
从图1、图2上可看出，感染与未感染叶片的光谱特征区域主要分布在1 300 ～ 1 500 nm 范围内，潜伏期与已显症叶片光谱图均有明显特征，易于识别。通过采用化学计量学方法[1416]，对近红外数据进行多元散射校正（MSC法），消除叶面散射以及光程变化对NIR漫反射光谱的影响，可以提炼出感染黄龙病的特征信息，进而识别出是否感染。
2.2方法筛选
NIR 应用于柑橘黄龙病快速检测依据NIR在定性分析中 “相似相聚”的原理，通过不同的模式识别方法将同类样品聚在一起，对不同的样品进行分离，从而对样品的类别进行判定[1819]。通过化学计量学软件，对样品光谱数据进行主成分聚类分析，得到如下聚类图，如图3。从图3中可以看出，黄龙病样品与未感染样品有明显界线，说明近红外方法检测黄龙病是可行的。
近红外光谱分析技术的定量定性分析都需建立在化学计量学基础上，为了更好地建立黄龙病判别分析模型，需进行相应的算法优选，本试验挑选目前较常用的集中判别分析算法，K最近邻域（KNN）、随机森林（random forests）、朴素贝叶斯、集成学习方法和偏最小二乘法线性判别分析（PLSLDA）分别建立模型，按6次随机样品分类，识别率结果见表1。将收集到的样品划分为建模集和检验样品集。建模集用于确定近红外定量模型的参数，然后采用不参与建模过程的检验样品集对优选的模型进行检验。根据模型的可用性来评价模型预测未知样品的能力，本研究采用的评价指标为识别率（recognition rate）。识别率（%）=预测准确的样品个数/总样品数×100，识别率越大，说明模型的性能越好。
表1显示，5个定性分析算法中PLSLDA的准确率和稳定性最好，所以本研究选择该方法作为柑橘黄龙病检测的建模方法，并以此为基础进行模型优化、完善和验证。
不同的预处理方法对光谱信息的提取会有不同，本研究对比了归一化、标准化、标准正态分布（SNV）、多元散射校正（MSC）、SG一阶导数、SG二阶导数等六种方法预处理后的建模差异，其识别率结果见下表2。
表2显示，6个预处理方法中MSC法的识别率最好，MSC具有消除叶面散射以及光程变化对NIR漫反射光谱的影响，所以本研究选择该预处理方法，并以此为基础进行模型优化、完善和验证。
2.3模型应用
为提高PLSLDA模型的准确率，对建模的预处理方法和建模波段进行了优化，采用优化后的模型对720个未参与建模的样品（包括传统PCR检测方法判定为黄龙病的样品340个，未感染黄龙病样品380个）进行判定，结果（表3，图4）表明，经近红外方法预测判定黄龙病结果准确识别率达到100%，假阳性率小于1%。通过上述方法建立的柑橘黄龙病检测模型在黄龙病快速检测系统中只需10 s就能得到检测结果，并且该方法对潜伏期黄龙病检测有效，大大减少了人为误判的可能性。试验验证了近红外光谱法与经典检测方法结果无显著差异，并初步通过实践应用证明其在田间快速检测上的可行性和实用性。
3结论与讨论
NIR技术是一种快速、无污染的新型快速检测技术，本研究表明，通过优选预处理、建模算法能将黄龙病快速检测模型判定柑橘黄龙病阳性与普通PCR阳性的符合率提升至100%，近红外预测值与传统PCR检测技术方法的检测结果无显著差异。便携式近红外光谱仪结合化学计量学PLSLDA算法，能够逐步地应用于柑橘黄龙病田间快速检测，从而对柑橘黄龙病的整个生产过程进行全程检测和监控，该技术具有很大的发展空间和推广前景。
参考文献
[1]苏树发.探讨柑橘黄龙病及其防治措施[J].科技风，2010（20）：292293.
[2]罗志达，叶自行，许建楷，等.柑桔黄龙病的田间诊断方法[J].广东农业科学，2009（3）：9193.
[3]劉思国.柑桔黄龙病PCR检测试剂盒的制备及其应用的研究[D]. 广州：华南农业大学， 2003.
[4]Hawkins S A， Park B， Poole G H， et al. Detection of citrus Huanglongbing by Fourier transform infraredattenuated total reflection spectroscopy [J].Applied Spectroscopy，2010，64（1）：100.
[5]Chao W L， Su H H， Chien S Y， et al. Visiblenear infrared spectroscopy for detection of Huanglongbing in citrus orchards[J]. Computers & Electronics in Agriculture， 2011， 77（2）：127134.
[6]Sankaran S， Ehsani R.Visiblenear infrared spectroscopy based citrus greening detection： Evaluation of spectral feature extraction techniques [J]. Crop Protection， 2011， 30（11）：15081513.
[7]李修华， 李民赞， Won Suk Lee，等. 柑桔黄龙病的可见近红外光谱特征[J]. 光谱学与光谱分析， 2014， 34（6）：15531559.
[8]刘燕德， 肖怀春， 邓清，等. 柑桔黄龙病近红外光谱无损检测[J]. 农业工程学报， 2016， 32（14）：202208.
[9]王爱民， 邓晓玲. 柑桔黄龙病诊断技术研究进展[J]. 广东农业科学， 2008（6）：101103.
[10]严衍禄. 近红外光谱分析基础与应用[M]. 北京：中国轻工业出版社， 2005.
[11]徐广通， 袁洪福. 现代近红外光谱技术及应用进展[J]. 光谱学与光谱分析， 2000， 20（2）：134142.
[12]严衍禄， 赵龙莲. 现代近红外光谱分析的信息处理技术[J]. 光谱学与光谱分析， 2000， 20（6）：777780.
[13]陆婉珍. 现代近红外光谱分析技术[M].第2版.北京：中国石化出版社， 2007.
[14]何勇， 李晓丽. 用近红外光谱鉴别杨梅品种的研究[J]. 红外与毫米波学报， 2006， 25（3）：192194.
[15]褚小立， 袁洪福， 陆婉珍. 近年来我国近红外光谱分析技术的研究与应用进展[J]. 分析仪器， 2006（2）：110.
[16]孙通， 徐惠荣， 应义斌. 近红外光谱分析技术在农产品/食品品质在线无损检测中的应用研究进展[J]. 光谱学与光谱分析， 2009， 29（1）：122126.
（责任编辑：杨明丽）
推荐访问： 柑橘 田间 检测方法 快速 研究
