陳子涵 廖小玲

摘 要：雙孢蘑菇疣孢霉病是由有害疣孢霉菌Mycogone perniciosa引起的、破壞性極強(qiáng)的真菌類(lèi)病害，且該病害檢測(cè)困難耗時(shí)，往往導(dǎo)致菇房絕收，菇農(nóng)收益損失嚴(yán)重。早發(fā)現(xiàn)、早處理能夠有效解決病害帶來(lái)的經(jīng)濟(jì)損失和農(nóng)藥殘留超標(biāo)等質(zhì)檢問(wèn)題。因此，本研究將能夠快速無(wú)損檢測(cè)的高光譜成像技術(shù)應(yīng)用到雙孢蘑菇病害早期鑒別。以雙孢蘑菇菌Agaricus bisporus子實(shí)體為試材，對(duì)健康染病雙孢蘑菇生長(zhǎng)早期子實(shí)體樣本采集菌蓋的全波段（401～1046 nm）可見(jiàn)/近紅外高光譜圖像信息，利用多元散射校正（MSC）進(jìn)行預(yù)處理，采用決策樹(shù)（DT）提取特征波段，對(duì)比隨機(jī)森林（RF）和極限學(xué)習(xí)機(jī)（ELM）兩種模型對(duì)健康和染病雙孢蘑菇鑒別準(zhǔn)確度。利用DT選取401.00、951.59、978.09、1006.59和1044.90 nm為鑒別病害的特征波段。對(duì)比RF和ELM所建模型效果，得到MSCDTELM模型檢測(cè)效果最優(yōu)，測(cè)試集和預(yù)測(cè)集總體樣本鑒別準(zhǔn)確度分別為92.39%和91.32%。結(jié)果表明，該模型可以有效提高基于全波段的雙孢蘑菇疣孢霉病早期的鑒別準(zhǔn)確度，得到基于高光譜成像技術(shù)的便捷準(zhǔn)確鑒別雙孢蘑菇病害早期的模型，同時(shí)，為進(jìn)一步開(kāi)發(fā)雙孢蘑菇病害早期的多光譜設(shè)備提供了理論依據(jù)和方法。

關(guān)鍵詞：雙孢蘑菇;高光譜成像技術(shù);病害早期檢測(cè);鑒別

中圖分類(lèi)號(hào)：S 646? ?文獻(xiàn)標(biāo)志碼：A? ?文章編號(hào)：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

雙孢蘑菇Agaricus bisporus，又稱(chēng)白蘑菇或紐扣蘑菇，是最常見(jiàn)的栽培蘑菇品種之一，目前在70多個(gè)國(guó)家進(jìn)行商業(yè)化生產(chǎn)[1]。其肉質(zhì)鮮美、營(yíng)養(yǎng)豐富[2]，具有重要的經(jīng)濟(jì)價(jià)值，已在全國(guó)各地推廣種植[3]。隨著雙孢蘑菇生產(chǎn)和栽培規(guī)模日益擴(kuò)大，其病害的發(fā)生與危害也逐年加重，經(jīng)濟(jì)效益大幅下降，嚴(yán)重挫傷菇農(nóng)生產(chǎn)積極性，成為制約雙孢蘑菇產(chǎn)業(yè)持續(xù)發(fā)展的重要因素[4]。雙孢蘑菇疣孢霉病，又稱(chēng)褐腐病、泡濕病，是一種土傳真菌性病害，具有普遍性、強(qiáng)危害性，特別嚴(yán)重的得病菇房減產(chǎn)達(dá)50%～60%。其病原菌為有害疣孢霉Mycogoneperniciosa Magnus Delacr.，屬于子囊菌門(mén)Ascomycota、糞殼菌綱Sordariomycetes、肉座菌目Hypocreales、肉座菌科Hypocreaceae、疣孢霉屬M(fèi)ycogone[5]。我國(guó)大部分人工栽培的雙孢蘑菇對(duì)疣孢霉病高度敏感，且自抗性較差，至今尚未發(fā)現(xiàn)對(duì)疣孢霉病有免疫的菌株[6]。有害疣孢霉菌對(duì)雙孢蘑菇子實(shí)體侵染的發(fā)病率，高于有害疣孢霉菌在覆土層中間侵染雙孢蘑菇菌絲[7]。當(dāng)雙孢蘑菇菌絲逐漸扭結(jié)到產(chǎn)生菇蕾時(shí)，是該病原菌侵染的有利時(shí)機(jī)。雙孢蘑菇被疣孢霉菌侵染后形成畸形病菇，染病雙孢蘑菇布滿(mǎn)菇房，健康雙孢蘑菇被徹底侵蝕瓦解[8]。但，其具有傳染性強(qiáng)、早期癥狀不明顯、潛伏期長(zhǎng)等特點(diǎn)，有經(jīng)驗(yàn)的菇農(nóng)最快也要在雙孢蘑菇子實(shí)體小菇期后才能鑒別染病與否，或者采用內(nèi)源轉(zhuǎn)錄間隔區(qū)（ITS）基因片段的聚合酶鏈?zhǔn)椒磻?yīng)（PCR）鑒定[9]以及傳統(tǒng)的柯赫氏法則[10]等有損耗時(shí)的檢測(cè)方法。這些方法都需要對(duì)雙孢蘑菇進(jìn)行離體檢測(cè)，耗時(shí)長(zhǎng)，得到檢測(cè)結(jié)果時(shí)，雙孢蘑菇疣孢霉病已蔓延菇房，無(wú)法起到及時(shí)提醒菇農(nóng)病害發(fā)生并采取措施阻止病害進(jìn)一步擴(kuò)散的目的。因此，需在病害發(fā)生的早期（小菇期之前）能夠快速、無(wú)損地鑒別出染病雙孢蘑菇，幫助菇農(nóng)及時(shí)清除染病雙孢蘑菇，及時(shí)止損，保證菇房健康雙孢蘑菇的品質(zhì)，極大降低病害發(fā)生時(shí)菇農(nóng)的經(jīng)濟(jì)損失。

由于高光譜成像技術(shù)能夠無(wú)損便捷識(shí)別農(nóng)產(chǎn)品病害的特點(diǎn)，被廣泛應(yīng)用于農(nóng)產(chǎn)品病害檢測(cè)。例如，Tao等[11]用近紅外高光譜成像儀，采集被黃曲霉真菌染病和健康的玉米粒在900～2 500 nm光譜范圍的圖像，利用隨機(jī)蛙跳算法提取30、50和100個(gè)重要變量，分別建立偏最小二乘判別模型得到二分類(lèi)預(yù)測(cè)的準(zhǔn)確度為87.7%、93.8%和95.2%。Gao等[12]利用高光譜成像技術(shù)對(duì)赤霞珠葡萄的無(wú)癥狀葡萄卷葉?。℅LD）和發(fā)病期葡萄卷葉病進(jìn)行無(wú)損檢測(cè)，分別在5個(gè)生長(zhǎng)期采集葉片高光譜圖像，為消除高光譜樣本異常值，利用光譜歸一化和蒙特卡洛算法對(duì)圖像進(jìn)行預(yù)處理，利用最小絕對(duì)收縮和選擇算子對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行特征波長(zhǎng)提取，得到690、715、731、1409、1425和1582 nm是早期檢測(cè)該病害的特征波段，用最小二乘支持向量機(jī)（LS-SVM）作為分類(lèi)器得到準(zhǔn)確率在66.67%～89.93%。表明，高光譜成像技術(shù)具有在無(wú)癥狀階段無(wú)損檢測(cè)農(nóng)作物真菌病害的能力。

高光譜成像技術(shù)在食用菌病害檢測(cè)中也被用于開(kāi)發(fā)快速檢測(cè)蘑菇病害的無(wú)損檢測(cè)系統(tǒng)。例如，Bagnasco等[13]研究了高光譜成像技術(shù)結(jié)合主成分分析法檢測(cè)健康和被嗜真菌感染的牛肝菌，采集樣本在可見(jiàn)/近紅外光譜區(qū)（400～1000 nm）的高光譜圖像，采用標(biāo)準(zhǔn)正態(tài)變換法（SNV）對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，基于分?jǐn)?shù)閾值的監(jiān)督規(guī)則，分析了兩種低階主成分的分?jǐn)?shù)圖，結(jié)果表明該方法可以直接在測(cè)試樣本的假彩色圖像中顯示被污染的樣本點(diǎn)。但在利用高光譜成像技術(shù)對(duì)雙孢蘑菇早期病害方面的研究較少，且針對(duì)雙孢蘑菇病害的研究都在其子實(shí)體生長(zhǎng)的中后期（小菇期之后）。Parrag等[14]采集感染蛛網(wǎng)病的采收期雙孢蘑菇菌蓋在900～1700 nm光譜范圍內(nèi)的高光譜圖像，利用歸一化算法（單個(gè)強(qiáng)度值減去整個(gè)光譜強(qiáng)度的平均值）和Savitzky-Golay平滑（多項(xiàng)式階為3，窗口大小為9）對(duì)原始光譜進(jìn)行預(yù)處理，在平均光譜中發(fā)現(xiàn)水峰附近（1200 nm和1450 nm）與健康雙孢蘑菇菌蓋的反射值有明顯差異，利用支持向量機(jī)（SVM）成功分離出感染蛛網(wǎng)病的樣本，正確率在80%以上，結(jié)果表明利用高光譜成像技術(shù)得出雙孢蘑菇的含水率空間分布，可以用于檢測(cè)雙孢蘑菇的腐壞程度。

綜上所述，在早期（小菇期之前）對(duì)雙孢蘑菇疣孢霉病進(jìn)行檢測(cè)識(shí)別，能夠及時(shí)發(fā)現(xiàn)染病雙孢蘑菇阻止其繼續(xù)侵害健康雙孢蘑菇的同時(shí)，還能減少因發(fā)病早期癥狀不明顯，無(wú)法及時(shí)確診使菇農(nóng)盲目采用大量化學(xué)農(nóng)藥處理，導(dǎo)致的農(nóng)藥超標(biāo)、食品安全、土壤污染等問(wèn)題。因此，本研究擬基于高光譜成像技術(shù)，建立雙孢蘑菇疣孢霉病早期快速檢測(cè)方法，為開(kāi)發(fā)雙孢蘑菇病害檢測(cè)的快速便捷方法提供參考。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)材料為福建省農(nóng)業(yè)科學(xué)院食用菌研究所提供的雙孢蘑菇菌種W192。將播種、裝袋后的雙孢蘑菇放入人工氣候箱（MEC-350B-LED型，寧波普朗特儀器有限公司）中培養(yǎng)。

1.2 試驗(yàn)方法

1.2.1 雙孢蘑菇的培養(yǎng) 設(shè)置人工氣候箱溫度22℃，相對(duì)濕度90%，無(wú)光照。培養(yǎng)期間每天早晚通風(fēng)1 h。兩周后，菌絲布滿(mǎn)栽培料，進(jìn)行覆土處理，高度約2.5 cm。此后，調(diào)整人工氣候箱內(nèi)的環(huán)境為溫度20℃，濕度85%，無(wú)光照。覆土后7～10 d，菌絲長(zhǎng)至2/3覆土層，調(diào)整人工氣候箱內(nèi)的環(huán)境為溫度20℃，相對(duì)濕度90%，無(wú)光照。

1.2.2 雙孢蘑菇染病與鑒定 有害疣孢霉菌My.p0012，由福建省農(nóng)業(yè)科學(xué)院食用菌研究所提供。將有害疣孢霉菌在馬鈴薯葡萄糖瓊脂培養(yǎng)基（PDA）上，于25℃恒溫黑暗環(huán)境中培養(yǎng)7 d。于無(wú)菌操作臺(tái)（SWCJ1FB型，蘇州凈化設(shè)備有限公司）內(nèi)用超純水將PDA培養(yǎng)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懸液。用血球計(jì)數(shù)板檢查該孢子懸液，確定濃度為1.0×105個(gè)·mL-1。雙孢蘑菇菌絲長(zhǎng)至2/3覆土層時(shí)，將5 mL有害疣孢霉菌孢子懸液均勻噴灑在覆土層表面。將病菇上的褐色液滴和病菇切片分別在無(wú)菌臺(tái)內(nèi)，置于PDA平板培養(yǎng)基，于25℃黑暗環(huán)境中培養(yǎng)。5 d后，在顯微鏡下挑出菌絲并純化，觀察是否是有害疣孢霉菌。

1.2.3 高光譜圖像獲取 試驗(yàn)采用內(nèi)置CCD相機(jī)（Sony ICX285，JPLY Electronic Tech，China）的推掃式便攜式高光譜成像系統(tǒng)（GaiaField Pro-V10E型，四川雙利合譜科技有限公司），其光譜波長(zhǎng)范圍為可見(jiàn)/近紅外的401～1046 nm，光譜分辨率為2.8 nm，圖像空間分辨率為696×700，成像鏡頭（HSIA-OL23），焦距為23 mm，鏡頭接口C-mount（SPECIM）。配有多功能暗箱（HSIA-DB），可接電源220 V AC，50Hz/60Hz，其內(nèi)置有4個(gè)鹵鎢燈光源（64610HLX，OSRAMLightbulbCo.，Ltd，Germany），各50 W。為便捷實(shí)用，配有平板電腦（iPad mini4）。滿(mǎn)足試驗(yàn)采用高光譜技術(shù)實(shí)現(xiàn)快速便捷無(wú)損檢測(cè)病害的儀器要求。經(jīng)過(guò)反復(fù)調(diào)試，最終確定物鏡高度為30 cm，相機(jī)推掃移動(dòng)速度為1.30 mm·s-1，CCD相機(jī)曝光時(shí)間為70 ms。于孢子懸液噴灑后連續(xù)進(jìn)行高光譜圖像采集，每12 h采集1次，直至肉眼可見(jiàn)發(fā)病（小菇期之后）。

1.2.4 高光譜圖像數(shù)據(jù)預(yù)處理 獲取健康雙孢蘑菇早期子實(shí)體菌蓋的可見(jiàn)/近紅外高光譜圖像后，提取感興趣區(qū)域（Region of interest， ROI）的平均光譜數(shù)據(jù)。為清除由于傳感器暗電流等原因產(chǎn)生圖像中的噪音，將采集到的原始高光譜圖像利用標(biāo)準(zhǔn)反射白板和黑暗背景下高光譜圖像數(shù)據(jù)校正，如公式1所示。

式中：

I-校正之后的高光譜圖像數(shù)據(jù);Io-原始的高光譜圖像數(shù)據(jù); B-黑暗背景下的高光譜圖像數(shù)據(jù);W-標(biāo)準(zhǔn)反射白板的高光譜圖像數(shù)據(jù)。

本研究所采集到的光譜信息在400～1046 nm，共360個(gè)波段（全波段）。為消除雙孢蘑菇菌蓋表面的顆粒大小及其分布不均所產(chǎn)生的散射影響，采用多元散射校正（Multiplicative scatter correction，MSC）算法，具體算法可見(jiàn)參考文獻(xiàn)[15]。

1.2.5 特征波段提取方法 決策樹(shù)（Decision Tree，DT）是數(shù)據(jù)挖掘中非常流行的分類(lèi)工具，廣泛應(yīng)用于深度學(xué)習(xí)和機(jī)器學(xué)習(xí)、工業(yè)應(yīng)用、醫(yī)療和生物信息等領(lǐng)域[16]。DT算法原理就像猜詞游戲，猜詞游戲需要進(jìn)行幾輪的屬性問(wèn)題，最終確認(rèn)游戲答案。這些屬性問(wèn)題就是DT中的非葉子節(jié)點(diǎn)，屬性問(wèn)題的答案就是該節(jié)點(diǎn)的分支。在本研究中，對(duì)于一個(gè)輸入的光譜數(shù)據(jù)樣本，輸出能夠鑒別健康與染病雙孢蘑菇的特征波段。提取出的特征波段就能夠更好的幫助鑒別模型的確認(rèn)，并提高鑒別速率。

1.2.6 建模方法 隨機(jī)森林分類(lèi)器（Random Forest，RF）是一種集成分類(lèi)器，本研究使用確定的訓(xùn)練樣本子集和變量生成多個(gè)決策樹(shù)，具體執(zhí)行步驟見(jiàn)參考文獻(xiàn)[17]。隨機(jī)森林通過(guò)設(shè)定500顆決策樹(shù)對(duì)分類(lèi)結(jié)果進(jìn)行投票，例如，當(dāng)對(duì)染病雙孢蘑菇樣本的投票數(shù)高于對(duì)健康雙孢蘑菇樣本的投票數(shù)時(shí)，隨機(jī)森林就將這個(gè)變量確定為染病雙孢蘑菇樣本。

極限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）由Huang等[18]提出，不同于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，ELM無(wú)需迭代調(diào)整參數(shù)，能夠自動(dòng)實(shí)現(xiàn)參數(shù)調(diào)優(yōu)[19]，計(jì)算速度快，優(yōu)化了傳統(tǒng)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)。

1.2.7 定性評(píng)價(jià)指標(biāo) 樣本識(shí)別準(zhǔn)確度（公式2），針對(duì)分類(lèi)問(wèn)題判斷所建模型對(duì)樣本分類(lèi)的效果。準(zhǔn)確度越接近100%，該模型對(duì)輸入樣本的分類(lèi)完成的越好。當(dāng)準(zhǔn)確度為100%時(shí)，表明該模型能夠完全正確地鑒別出健康與染病雙孢蘑菇。

2 結(jié)果與分析

2.1 健康與染病雙孢蘑菇樣本

本研究中最終獲得不同生長(zhǎng)階段肉眼可見(jiàn)發(fā)病前染病的雙孢蘑菇樣本圖像共計(jì)200組，健康雙孢蘑菇的不同子實(shí)體時(shí)期樣本共計(jì)200組，具體見(jiàn)表1。

2.2 預(yù)處理

MSC處理后，光散射、光譜重疊和基線漂移等問(wèn)題得到明顯消除。圖1可以看出預(yù)處理后在401～450 nm和800～1046 nm波長(zhǎng)范圍內(nèi)反射率差異明顯，為后續(xù)選擇病害鑒別特征波段打下基礎(chǔ)。

2.3 特征波段

將MSC處理后的數(shù)據(jù)隨機(jī)將樣本的2/3劃分測(cè)試集，1/2為預(yù)測(cè)集，得到測(cè)試集樣本共267個(gè)，預(yù)測(cè)集樣本共133個(gè)。為防止數(shù)據(jù)過(guò)擬合，并限定決策樹(shù)的生長(zhǎng)，設(shè)定使交叉驗(yàn)證的誤差最小的葉子節(jié)點(diǎn)含有最小樣本數(shù)為10。產(chǎn)生優(yōu)化后的決策樹(shù)將非葉子節(jié)點(diǎn)數(shù)由26減少到10，分別計(jì)算得到優(yōu)化前后決策樹(shù)的重新采樣誤差為0.049和0.099，交叉驗(yàn)證誤差為0.044和0.334，與優(yōu)化前后誤差幾乎一樣。為進(jìn)一步提取鑒別染病雙孢蘑菇的特征波段，本研究對(duì)優(yōu)化后的決策樹(shù)剪枝，將非葉子節(jié)點(diǎn)數(shù)由10減少到5，計(jì)算剪枝后的決策樹(shù)重新采樣誤差和交叉驗(yàn)證分別為0.069和0.032。表明優(yōu)化后的決策樹(shù)在保證正確率的前提下，得到能夠鑒別染病雙孢蘑菇的5個(gè)特征波段，對(duì)模型的簡(jiǎn)潔度有很大的提高，有助于后續(xù)鑒別模型的建立。決策樹(shù)最終確定提取的特征波段為401.00、951.59、978.09、1006.59和1044.90 nm，見(jiàn)圖2。

2.4 鑒別模型

將無(wú)預(yù)處理、經(jīng)MSC預(yù)處理和提取特征波段后的光譜數(shù)據(jù)分別建立RF和ELM分類(lèi)模型，得到的定性評(píng)價(jià)結(jié)果如表2所示。在沒(méi)有任何處理的全波段（401～1046 nm，共360個(gè)波段數(shù)）建模結(jié)果中，ELM的預(yù)測(cè)集總體樣本鑒別準(zhǔn)確度為89.62%，高于RF分類(lèi)器的預(yù)測(cè)集總體樣本鑒別準(zhǔn)確度88.06%。經(jīng)過(guò)MSC預(yù)處理后，RF與ELM分類(lèi)器鑒別準(zhǔn)確度由88.06%和89.62%提升至89.34%和90.87%。表明，MSC能夠有效提高原始光譜信噪比，消除無(wú)關(guān)信息，提高檢測(cè)準(zhǔn)確度。經(jīng)DT提取5個(gè)特征波段后，建模速度有效提高的同時(shí)，RF和ELM的預(yù)測(cè)集總體樣本鑒別準(zhǔn)確度提升至90.79%和91.32%。得到最佳鑒別模型為MSC-DT-ELM組合，其測(cè)試集和預(yù)測(cè)集樣本鑒別準(zhǔn)確度分別為92.39%和91.32%。模型預(yù)測(cè)集總體樣本鑒別結(jié)果如圖3、4所示。

3 結(jié)論與討論

本研究以對(duì)雙孢蘑菇的傳染性、侵害性極強(qiáng)有害疣孢霉菌引起的疣孢霉病為研究對(duì)象，針對(duì)其子實(shí)體染病早期診斷無(wú)法實(shí)現(xiàn)快速無(wú)損等問(wèn)題，引入目前廣泛用于農(nóng)作物病害檢測(cè)的高光譜成像技術(shù)，探索該病害早期檢測(cè)方法。探討了MSC預(yù)處理、DT提取特征波段后，得到5個(gè)能夠讓分類(lèi)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處的合頻吸收，C-H在800～900 nm區(qū)域的第3倍頻吸收，N-H在1000～1100 nm區(qū)域的第2倍頻在這個(gè)區(qū)域的吸收比較弱[20]，表明有害疣孢霉菌對(duì)雙孢蘑菇的侵染還使得其內(nèi)部含水率發(fā)生了變化。最后，對(duì)比了RF和ELM對(duì)有預(yù)處理和無(wú)預(yù)處理光譜數(shù)據(jù)的鑒別模型準(zhǔn)確度的結(jié)果，得到最佳鑒別模型為MSC-DT-ELM組合。該研究結(jié)論為開(kāi)發(fā)更加快速便捷的鑒別雙孢蘑菇病害早期的多光譜設(shè)備提供了理論依據(jù)和方法。

參考文獻(xiàn)：

[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]孫若蘭，肖靚，易有金，等.雙孢蘑菇采后貯藏保鮮研究進(jìn)展[J].食品科學(xué)，2021， 42（1）： 333-340.

[3]張文強(qiáng)，陳青君，張國(guó)慶，等.蛋白添加劑對(duì)雙孢蘑菇農(nóng)藝性狀及品質(zhì)的影響[J].中國(guó)農(nóng)業(yè)科學(xué)，2020， 53（10）： 2091-2100.

[4]張怡，錢(qián)忠海，劉琴，等.甲基硫菌靈對(duì)季節(jié)性栽培雙孢蘑菇褐腐病的生物活性及田間防效和安全性評(píng)價(jià)[J].江蘇農(nóng)業(yè)科學(xué)，2018， 46（15）： 81-83.

[5]張春蘭，徐濟(jì)責(zé)，李丹，等.有害疣孢霉與不同食用菌的培養(yǎng)關(guān)系[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)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發(fā)生及綜合防治[J].現(xiàn)代農(nóng)業(yè)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]李鴻強(qiáng).基于高光譜分析的蔬菜品質(zhì)檢測(cè)方法研究[D].北京：中國(guó)農(nóng)業(yè)大學(xué)，2019.

（責(zé)任編輯：柯文輝）