的识别Tilletia Foetida.，黑粉菌属tritici， 和Urocystis tritici基于近红外光谱学

摘要

植物病原菌的鉴定对病害诊断和病害防治策略的制定具有重要意义。本研究基于近红外光谱技术，建立了小麦黑穗病病原菌的识别方法Tilletia Foetida.，黑粉菌属tritici， 和Urocystis tritici被调查。基于采集的3种病原菌端孢样品近红外光谱数据，利用差分偏最小二乘法(DPLS)、反向传播神经网络(BPNN)和支持向量机(SVM)在不同光谱区域建立病原菌识别模型。在22个光谱区域中分别建立DPLS、BPNN和SVM模型，取得了令人满意的识别结果。相比之下，DPLS和SVM的建模效果优于BPNN。训练集与测试集的建模比例对bp神经网络模型识别结果的影响大于DPLS和SVM模型。本研究为植物病原鉴定提供了一种快速、准确、无损的方法，为病害诊断、病害监测和病害防治提供了一定的依据。为植物检疫中检疫性小麦黑穗病真菌的鉴定提供了一些方法参考和支持。

1.介绍

植物病害的发生和流行会造成严重的农产品产量损失和质量下降，有时还会导致严重的社会问题。及时预防和控制植物病害对确保正常农业生产和粮食安全至关重要。准确、快速地识别植物病害及其致病因子是病害监测和预警的最重要前提，是防治植物病害的基础。目前常用的病原鉴定方法有形态学鉴定和分子标记鉴定。例如，形态识别方法[1- - - - - -5[分子生物鉴定方法[2- - - - - -4，6- - - - - -11.已经开发出用于鉴定许多植物SMUT的因果子，具有在农业生产中具有重要经济意义的重要性。然而，形态鉴定方法高度依赖于人员经验，并且很难用普通光学显微镜清楚地观察非常小的病原体，因此容易发生识别误差。分子生物学鉴定方法高度准确，但通常需要专业的仪器和试剂，专业人员操作，而且达到相对较长的时间来实现识别结果[12，13］．此外，不能使用分子生物学方法对病原体进行无损鉴定。因此，迫切需要一种新的方法来解决植物病原菌的鉴定问题。为保证农产品质量安全和小麦安全生产，本研究探索了一种基于近红外光谱(NIRS)快速、准确、无损地识别3种小麦黑穗病真菌的方法。

NIRS，一种快速，低成本，无污染和无损分析技术可用于使用近红外光谱中包含的材料信息进行定性分析和定量分析样品，并已广泛应用于农业，食品，石油，化学，药房等行业[14- - - - - -24］．由于近红外光谱是一种间接分析技术，在对未知样品进行定性或定量分析时，需要获取大量已知样品的近红外光谱数据，然后利用化学计量学方法建立定性或定量识别模型。

近年来，NIRS已被应用于昆虫害虫的检测和鉴定[25，26]植物疾病[27- - - - - -29］．Wu等人。[27]为灰霉模具建造了早期检测模型（由Botrytis cinerea基于bp神经网络(BPNN)获取的可见光和近红外光谱，对茄子叶片的识别准确率达到88%。为早期、快速检测大豆豆荚炭疽病(由Collettrichum truncatum.），集成连续投影算法和最小二乘支持向量机（LS-SVM），疾病检测模型，精度为95.45％，由Feng等人的可见/近红外光谱构成。[28］．实现柑橘黄龙兵的无损检测（由Candidatus libibacter），Liu等人。[29]获得近红外光谱(4000-9000厘米)⁻¹，然后利用一阶导数变换、平滑、多重散射校正等方法对原始光谱数据进行预处理。然后建立一个准确率为100%的LS-SVM模型来识别这三类叶子。目前，利用近红外光谱进行植物病害鉴定和早期监测以及植物病原鉴定的报道还很少。

在我们之前的研究中，利用近红外光谱对小麦条锈病进行了早期诊断和检测PUCCINIA Striformis.f . sp。Tritici.（太平洋标准时间)[30.- - - - - -32]、植物病害品种的定性鉴别[30.，31，疾病严重程度评估[33，进行定性鉴定和定量分析太平洋标准时间和P．reconditaf . sp。Tritici.（Prt）基于NIRS [32，34］．结合分子生物学技术，实时聚合酶链反应，定量测定其相对含量太平洋标准时间小麦叶中的DNA在潜伏期内，基于NIR来实施[32］．此外，还进行了发芽率定量测定的研究太平洋标准时间基于NIRS的URediospores进行了[35]，紫外线B辐射对基于网德的影响太平洋标准时间调查了[36］．特别是，在研究定性鉴定和定量分析的研究中太平洋标准时间和Prt，基于所获得的纯和混合样品的近红外光谱太平洋标准时间和Prt采用离散偏最小二乘法(DPLS)建立定性鉴别模型，采用定量偏最小二乘法建立定量鉴别模型[34］．这两种模型表现出良好的性能，以及定性识别和定量分析太平洋标准时间和Prt基于NIRS实现了。

基于上述研究，快速准确地鉴定三种小麦片段真菌，包括Tilletia Foetida.，黑粉菌属tritici， 和Urocystis tritici利用近红外光谱技术研究了小麦普通短秆黑穗病、松散黑穗病和旗黑穗病的发生。根据获得的端孢子的近红外光谱t .麻，黑粉菌属tritici， 和Urocystis tritici，利用DPLS、BPNN和支持向量机(SVM)在不同建模光谱区域，以不同建模比例的训练集和测试集建立病原体识别模型。本研究旨在提供一种快速、准确、无损的植物病原鉴定方法，为病害诊断、病害监测和防治措施制定提供依据。为植物检疫中检疫性小麦黑穗病真菌的鉴定提供了一些方法参考。

2。材料和方法

2.1。材料

t .麻，黑粉菌属tritici， 和Urocystis tritici作为实验材料。的标本t .麻和Urocystis tritici从2014年和2015年的河南省小麦生长地区收集。标本黑粉菌属tritici于2015年从甘肃省的小麦生长地区收集。为t .麻和Urocystis tritici，收集患病的小麦穗。为黑粉菌属tritici采集小麦旗黑穗病典型症状的茎、叶和叶鞘。

为t .麻，从患病小麦穗上取下的每一个短柄球都用接种针进行破碎，释放出的约7-12 mg的黑色粉状端孢子作为样品处理。本研究共获得1071个短打球。为黑粉菌属tritici在美国，每个患病的小麦穗都被无菌钳子钳住，然后黑色粉状的端孢子被剥下，落在一张光滑表面的称量纸上。以6-7 mg的端孢子为样本，共处理389个端孢子样品黑粉菌属tritici被获得。为Urocystis tritici，来自患病麦茎，叶子和叶护套的10mg Teliosperes作为样品。共有30个Teliospore样本Urocystis tritici被获得。

２.２.近红外光谱数据的获取

利用FT-NIR MPA光谱仪(Bruker, Germany)，对冬孢子样品进行了近红外光谱分析t .麻，黑粉菌属tritici， 和Urocystis tritici是后天习得的。将每个端孢子样品放入直径为4mm的样品杯中，采用积分球漫反射法进行近红外光谱测量。特别是端孢子在样品杯中的密封性尽可能保持一致，以减少不同密封性可能引起的误差。测量系统的光谱分辨率和扫描次数设置为8 cm⁻¹分别和32。近红外光谱在4000 ~ 12000 cm范围内⁻¹被收集。每种Teliospore样品用于仅采集一个近红外光谱。

完全，测量1490个遥孔样品，并获得1490个近红外光谱，包括1071,389和30个光谱t .麻，黑粉菌属tritici， 和Urocystis tritici,分别。在平均频谱数据之后t .麻，黑粉菌属tritici， 和Urocystis tritici根据它们的类别，各类别的光谱曲线如图所示1．平均光谱之间的差异相当差异，范围为4000-12000厘米⁻¹除了6000-7000厘米的范围⁻¹．特别是在7200-12000 cm范围内，三个平均光谱之间存在明显差异⁻¹．

2.3。基于NIRS的病原体识别模型建立

获取的近红外光谱在高频区域具有较强的随机噪声(图)1)．为了消除高频区域中随机噪声的影响，并选择适合的型号的建模，光谱区域为4000-12000厘米⁻¹在4000-10000 cm范围内划分出21个光谱区域⁻¹，包括4000-5000、4000-6000、4000-7000、4000-8000、4000-9000、4000-10000、5000-6000、5000-7000、5000-8000、5000-9000、5000-10000、6000-7000、6000-8000、6000-9000、6000-10000、7000-8000、7000-9000、7000-10000、8000-9000、8000-10000、9000-10000厘米⁻¹，被视为建模光谱区域。在这项研究中，the acquired near-infrared spectral data were processed using the two following methods: Data treatment method 1 and Data treatment method 2, and then pathogen identification models were built with three modeling ratios of training sets to testing sets (i.e., 3 : 1, 4 : 1 and 5 : 1) in the different spectral regions using three modeling methods including DPLS, BPNN, and SVM. The main steps for establishment of pathogen identification models are shown in Figure2．

数据处理方法1基于采集的所有近红外光谱数据。按照建模比例(3:1、4:1或5:1)随机选取每种病原体的近红外光谱，然后将其整合在一起，分别形成训练集和测试集。不同建模比率下，每种病原体在训练集和测试集的近红外光谱数如表所示1．使用3：1,4：1和5：1，DPLS，BPNN和SVM的建模比分别用于分别在不同建模光谱区域中构建病原体识别模型。培训和测试集的识别精度用于评估模型。在构建DPLS模型时，主成分的数量设定为1,2,3，......或10.在构建BPNN模型时，隐藏层中的神经元数设置为10,50或100.每个BPNN模型是使用Soft Matlab 8.2（Mathworks，Natick，MA，USA）的神经网络工具箱构建，除了隐藏层中神经元数的变化，以及随机从培训集中随机使用90％的数据培训和剩余的验证10％。使用C-SVM在来自台湾的Chih-Jen Lin集团开发的Libsvm包中[37]，用于病原体识别的SVM模型以径​​向基函数为基础，作为内核功能。惩罚参数的最佳值C和内核功能参数在2的范围内，使用网格搜索算法对每个SVM模型进行搜索⁻¹⁰到2^10.0.8作为搜索步骤。通过在网格内的所有点的训练上进行3倍交叉验证计算识别精度。当训练集的识别准确性最高时，值C和被选为SVM模型的最佳参数。

对于数据处理方法2，为减少三种病原菌样本数量差异较大可能引起的偏倚，对样品进行近红外光谱分析t .麻随机分为10组，分别标记为TFG1、TFG2、TFG3、…和tffg10，黑粉菌属tritici随机分为10组，分别标记为UTG1、UTG2、UTG3、…和UTG10。然后是TFG1, UTG1，和所有的近红外光谱Urocystis tritici形成一个数据子集，标记为数据子集1。TFG2、UTG2的近红外光谱Urocystis tritici形成数据子集2。这样就形成了10个数据子集(包括数据子集1、数据子集2、数据子集3、…和数据子集10)。按照建模比例(3:1、4:1或5:1)随机选取每个数据子集中每种病原体的近红外光谱，然后将其整合在一起，分别形成训练集和测试集。各数据子集在不同建模比率下的训练集和测试集中每种病原体的近红外光谱数如表所示2．基于每个数据子集,使用dpl,摘要,和支持向量机建模方法如上所述,病原体识别模型是建立在不同的建模光谱区域建模训练集与测试集的比例3:1,4:1和5:1。采用训练集和测试集在10个数据子集上的平均识别准确率和识别准确率的标准差(standard deviation, SD)来评价建模效果。SD值的计算公式如下: 在哪里训练集或测试集识别精度的标准偏差是否开启n数据子集，是训练集的识别准确性或测试设置的测试我数据子集,训练集或测试集识别准确率的平均值是否为n数据子集，和n是数据子集的数量。在这项研究中，n等于10。

对于每一种建模方法(DPLS、BPNN或SVM)，当采用数据处理方法1或数据处理方法2时，选取每个近红外光谱区域训练集与测试集的每个建模比率所获得的最优建模结果。在建立病原体识别的DPLS模型时，从建模光谱区域不同主成分的识别结果中选择最优的建模结果，根据训练集和测试集的识别精度(数据处理方法1)或平均识别精度和训练集和测试集的SD值10数据子集(数据处理方法2)。如果相同的识别精度为训练集和测试集时获得不同采用主成分个数，主成分个数最小的建模效果最佳。在构建BPNN模型时，从建模谱区的隐层神经元数量不同的结果中选择最优的建模结果，根据训练集和测试集的识别精度(数据处理方法1)或平均识别精度和训练集和测试集的SD值10数据子集(数据处理方法2)。如果相同的识别精度为训练集和测试集时获得不同的数字of neurons in the hidden layer were used, the modeling effect with the minimum number of neurons was optimal.

此外，当使用DPLS，BPNN或SVM构建病原体识别模型时，进行了在不同建模光谱区域中获得的最佳建模结果的全面比较。还进行了用数据处理方法1和数据处理方法2获得的建模结果的比较。

3.结果

３.１.基于数据处理方法的DPLS、BPNN和SVM模型的病原体识别结果

当采用数据处理方法1处理所获得的近红外光谱数据时，使用22中的每一个内置的DPLS型号实现了超过97％的训练和测试组的识别精度的表现非常好，在22中建造不同的建模比建模光谱区域（表3.)．除4000-5000、6000-7000、8000-9000、8000-10000和9000-10000 cm的光谱区域外，不同建模比率的DPLS模型在建模光谱区域的训练集和测试集识别准确率均达到100%⁻¹．当DPLS模型内置在窄谱区域中时，训练和测试集的识别精度可以仅达到100％的模型，其两个光谱区域在5000-6000和7000-8000厘米的两个光谱区域中⁻¹．培训和测试集的识别精度可以在相对宽的光谱区域中使用不同的建模比内置的DPLS型号达到100％，但8000-10000厘米的光谱区域除外⁻¹．结果表明，建模光谱区域的宽度对DPLS模型的识别结果有一定影响。此外，实验结果表明，在获取的近红外光谱中，相对低频区域和相对高频区域会降低训练集和测试集的识别精度。特别是范围较宽的高频区域对不同建模比率模型的识别结果有一定影响。

采用数据处理方法1对获取的近红外光谱数据进行处理后，每个建模光谱区域采用不同建模比率建立的BPNN模型表现良好(表1)4)．培训和测试集的最佳识别精度分别为87.66％和88.29％，当使用建模比等于4：1和隐藏层中的神经元数等于10在光谱区域中的内部9000-10000厘米⁻¹．在其他情况下，训练集和测试集的识别准确率均达到90%以上。在4000-12000 cm光谱区域建立BPNN模型⁻¹的识别精度训练集和测试集的模型建立与建模比率3:1和5:1达到100%,和那些为模型建立建模比等于4:1和隐层神经元的数目等于50分别为99.83%和100%,分别。在4000 ~ 10000 cm范围内的21个光谱区域建立BPNN模型⁻¹，除4000-6000、5000-6000、5000-9000、6000-7000、6000-8000、6000-9000、6000-10000、7000-8000、8000-9000、8000-10000、9000-10000 cm光谱区域外，训练集和测试集对不同建模比率模型的最佳识别准确率均达到100%⁻¹．对于建立在4000-10000 cm范围内的21个光谱区域中的每一个BPNN模型⁻¹除了6000-7000、8000-9000、8000-10000和9000-10000 cm的光谱区域⁻¹，至少当使用一种建模比时，训练集的识别精度和测试集的识别精度均达到100％。适用于内置窄光谱区的BPNN型号，4000-5000,5000-6000和7000-8000厘米⁻¹，训练集和测试集的识别准确率均可达到100%。然而，当BPNN模型建立在5000-6000和7000-8000 cm的光谱区域时⁻¹，建模比率影响建模结果。对于建立在5000 - 6000cm光谱区域的BPNN模型⁻¹当建模比为3:1、4:1和5:1时，训练集的识别正确率分别为100%、97.98%和99.92%，测试集的识别正确率分别为100%、97.99%和100%。对于在7000-8000 cm光谱区域建模比例为3:1、4:1、5:1的BPNN模型⁻¹，培训套的鉴定准确性分别为100％，97.98％和100％，检测套装分别为100％，97.99％和100％。

当使用数据处理方法1时，在每个建模谱区域中以不同的建模比构建的SVM模型呈现出非常好的性能，具有超过99％的训练和测试组的最佳识别精度（表5)．对于建模光谱区域建立的SVM模型，除光谱区域为9000-10000 cm外⁻¹，至少在使用一种建模比时至少实现100％的训练和测试组的鉴定精度。当SVM型号内置在4000-5000,6000-7000,7000-8000和8000-9000厘米的窄谱区域中时⁻¹，当使用三种建模比率时，训练集和测试集的识别准确率均达到100%。对于建立在5000-6000 cm光谱区域的SVM模型⁻¹,当建模比率3:1和4:1,训练集的最优识别精度分别为99.91%和100%,分别和测试集分别为100%和99.67%,分别当建模比5:1,这两个最优识别准确性的训练集和测试集的100%。对于建立在9000-10000 cm光谱区域的SVM模型⁻¹，训练集的最佳识别准确性为100％，当建模率为3：1时，测试组的识别精度为99.73％;当建模比为4：1时，训练集的最佳识别精度和试验组分别为99.92％和100％;当建模比为5：1时，培训套装和试验套装分别为100％和99.60％。

如上所述，可以使用在不同光谱区域中使用DPLS，BPNN和SVM建造的病原体识别模型来获得令人满意的结果。与DPLS和BPNN建模方法相比，当使用SVM构建病原体识别模型时，训练和测试集的识别精度可以在更多的光谱区域中达到100％。相比之下，建模比对使用BPNN和SVM构建的模型识别结果的影响大于使用DPLS构建的模型的识别结果中的效果。

３．２．基于数据处理方法的DPLS、SVM和BPNN模型的病原体识别结果

当采用数据处理方法2时，在每个建模光谱区域以不同的建模比率在每个数据子集上建立DPLS模型，得到了非常满意的建模结果。训练集和测试集对10个数据子集的平均识别准确率达到98%以上6)．除在6000-7000 cm光谱区域建模比例为3:1的模型外⁻¹分别在8000-9000和9000-10000 cm光谱区域，利用三种建模比率在每个数据子集上建立模型⁻¹，在不同建模比率的每个数据子集上构建的DPLS模型，在其他每个建模光谱区域上的训练集和测试集的平均识别准确率达到100%。对于建立在4000-5000、5000-6000、6000-7000或7000-8000 cm窄光谱区域的DPLS模型⁻¹，当使用一个或多个建模比率时，训练集和测试集对10个数据子集的平均识别准确率均达到100%。相比之下，在8000-9000或9000-10000 cm的高频窄区域建立DPLS模型时，训练集和测试集在10个数据子集上的平均识别准确率有所下降⁻¹，表明高频区域对建模结果有影响。尽管在6000-7000 cm光谱区域，建模比例为3:1的模型在10个数据子集上的训练集和测试集的平均识别准确率均未达到100%⁻¹对于使用8000-9000或9000-10000厘米的频谱区域中的每个建模比内置的那些。⁻¹，平均识别精度仍然非常高，并且10个数据子集的识别精度的SD值非常小。结果表明，可以使用基于NIRS的DPLS模型来实现令人满意的识别性能，并且模型具有高稳定性。

采用数据处理方法2时，在每个建模光谱区域的每个数据子集上建立BPNN模型，可以获得满意的识别结果(表2)7）但是建模比对模型的识别结果产生了很大影响。对于内置在4000-8000厘米的光谱区域内置的BPNN型号⁻¹，当建模比例为4:1或5:1时，训练集和测试集在10个数据子集上的平均识别准确率均达到100%。在5000-6000 cm光谱区域，以5:1的建模比例建立BPNN模型⁻¹在10个数据子集上，训练集和测试集的平均识别准确率均达到100%。在5000 ~ 10000 cm的光谱区域，以3:1的建模比例建立BPNN模型⁻¹在10个数据子集上，训练集和测试集的平均识别准确率均达到100%。对于4000-5000 cm光谱区域建模比例为3:1或5:1的模型⁻¹，在频谱区域中建模比为5000-6000厘米的建模比为4：1⁻¹，在频谱区域的建模率为3：1或5：1的频谱区域中构建的那些基于6000-7000厘米⁻¹，以及在8000-10000 cm光谱区域建模比例为3:1的模型⁻¹，训练集和测试集识别准确率的SD值均较高，说明建模效果较差。

当使用数据处理方法2时，在每个建模频谱区域中具有每个建模比的10个数据子集上的SVM模型呈现了训练集的识别精度的平均值和多于的识别精度的平均值98％（表8)．获得非常小的SD值，用于训练和测试集的识别精度。对于在10个数据子集中构建的SVM模型，频谱区域的建模比为4000-7000厘米⁻¹，训练集和测试集的平均识别准确率分别为99.93%和100%，训练集和测试集的SD值分别为0.002040和0。对于建立在4000-12000 cm光谱区域的建模比为5:1的10个数据子集上的SVM模型⁻¹，训练集和测试集的平均识别准确率分别为99.86%和100%，训练集和测试集的SD值分别为0.002720和0。对于在5000 - 6000cm光谱区域建模比例为4:1的10个数据子集上建立的SVM模型⁻¹，训练集和测试集的平均识别准确率分别为99.86%和100%，训练集和测试集的SD值分别为0.004290和0。在上述三种情况下，模型的识别结果最好。相比之下，在8000-9000 cm光谱区域，在建模比例为5:1或3:1的10个数据子集上建立模型的识别效果最差⁻¹在频谱区域的频谱区域的建模比为9000-10000厘米的10个数据子集上⁻¹．三种情况下构建的模型，训练集的平均识别准确率分别为99.73%、99.77%、99.57%，训练集的SD值分别为0.006261、0.004893、0.005715;各试验集的平均鉴别准确率分别为98.33%、98.00%、98.06%，SD值分别为0.02236、0.01554、0.03298。

结果表明，在使用数据处理方法2时，使用DPLS建造的病原体识别模型比使用BPNN或SVM建造的那些。DPLS对每个数据子集对每个数据子集的建模效果比BPNN更稳定。当使用4000-5000,5000-6000,6000-7000或8000-10000厘米的光谱区域中使用BPNN建造病原体识别模型时⁻¹，获得了培训和测试集的识别精度的更大的SD值。虽然SVM的建模效果与DPLS的建模效果不如DPLS，但使用在每个数据子集上构建的SVM模型实现了训练和测试集的非常令人满意的识别精度。

３．3.数据处理方法1和方法2的建模结果比较

数据处理方法2的DPLS建模效果优于数据处理方法1的建模效果。当采用数据处理方法2时，仅在8000-9000和9000-10000 cm两个光谱区域，基于每个建模比率的10个数据子集建立的DPLS模型，训练集和测试集的平均识别准确率并没有同时达到100%⁻¹)．采用数据处理方法1时，在5个光谱区域(4000-5000,6000-7000,8000-9000,8000-10000,9000-10000 cm)，各建模比率构建的DPLS模型，训练集和测试集的识别精度均小于100%⁻¹)．

采用数据处理方法1时，构建在不同光谱区域的BPNN模型，训练集和测试集的最优准确率均能达到97%以上。识别结果中使用摘要模型建立与不同建模比在每个光谱区,这两个最优的准确性的训练集和测试集的不到97%,仅为模型建立的建模比3:1或4:1的光谱区9000 - 10000厘米⁻¹．然而，当使用数据处理方法2时，在训练集的平均识别精度之间以及在不同建模光谱区域的10个数据子集中构建的BPNN模型的测试集的平均识别精度之间观察到相对较大的差异。在所选择的最佳识别结果中，培训集的平均识别精度的范围为88.77-100％，测试集的平均识别精度范围为87.67-100％。另外，当使用数据处理方法2时，建模比大大影响了BPNN模型的识别结果。当在某种光谱区域（4000-5000,5000-6000,6000-7000和8000中，在10个数据子集中建立了BPNN模型时，获得了培训和测试集的相对较大的识别精度SD值。-10000 cm.⁻¹)．这表明,穷人建模一些数据子集使用摘要中取得了良好的效果,有相对大的差异之间的识别精度之间的训练集和测试集的识别精度为10摘要模型建立与特定的建模在一定比例建模光谱区域。例如，采用数据处理方法2，在4000-5000 cm光谱区域建立BPNN模型⁻¹在训练集与测试集的比值为3:1的10个数据子集上，最优的识别结果(图3.)，隐层神经元数量为50。训练集和测试集在10个数据子集上的识别准确率SD值分别为0.1541和0.1508。建立在数据子集1和数据子集2上的BPNN模型，训练集和测试集的识别精度相对较低。对于建立在数据子集1上的BPNN模型，训练集和测试集的识别准确率分别为70.23%和66.67%。对于建立在数据子集2上的BPNN模型，训练集和测试集的识别准确率分别为54.20%和57.78%。结果表明，这两种模型在病原鉴定方面表现不佳。

当使用数据处理方法1或数据处理方法2时，内置的SVM模型具有非常好的性能，具有训练集和测试集的非常高的识别精度。特别地，当使用数据处理方法2时，对于基于10个数据子集的SVM模型，获得了训练和测试集的识别精度的非常小的SD值。据证明，可以使用基于每个数据子集的SVM模型来实现非常令人满意的识别结果，并且这种性能具有很高的稳定性。

4.结论和讨论

应用近红外光谱技术对3种小麦黑穗病菌进行了鉴定t .麻，黑粉菌属tritici， 和Urocystis tritici，在本研究中调查了。使用数据处理方法1和数据处理方法2处理获取的近红外光谱数据，以形成训练和测试集。然后，在22个光谱区域内建立了用于病原体识别的DPLS，BPNN和SVM模型。使用数据处理方法1或数据处理方法2，当三种建模方法中的每一个用于不同光谱区域的模型建筑物中的每一种来实现令人满意的识别结果。相比之下，DPLS的建模效果是最稳定的，其次是SVM的影响，BPNN的模型是最糟糕的。在这项研究中，提供了一种快速，准确，无损，无损的方法，用于鉴定三种小麦片小麦真菌，并且还提供了用于鉴定植物检疫过程中的检疫小麦片段真菌的方法。

各种小麦疾病是由Smut真菌引起的，包括小麦普通的短耳，小麦松散的黑穗病，小麦旗子，小麦矮小的Bunt和小麦Karnal Bunt。小麦黑穗病造成的疾病会在适当的环境条件下产生严重的产量损失，甚至达到100％的损失[2，11.，38］．此外，由于病原体的污染，面粉质量会严重下降。在小麦黑穗病菌中，Tilletia进行（小麦矮人Bunt的因果代理人）和T．indic（小麦Karnal Bunt的因果因子）是许多国家的两种重要的出口检疫害虫。在进出口小麦隔离的过程中，检测和识别小麦片段真菌的种类和小麦的小麦扁甘族类别至关重要。目前，这些病原体的鉴定主要基于形态学观察[1- - - - - -5]及分子生物检测[2- - - - - -4，9，11.］．形态学观察通常采用光学显微镜和扫描电子显微镜。基于分子标记(如基因间间隔)的分子生物学方法[9]内部转录的间隔物[11.]，以及扩展因子[11.，已被用来鉴定小麦黑穗病真菌。近红外光谱是一种快速、无损的分析技术[14，15，18，22］．在本研究中，提供了一种基于NIRS的方法，用于鉴定三种小麦片段真菌（包括）t .麻，黑粉菌属tritici， 和Urocystis tritici．在未来的研究中，NIRS可用于其他病原体的识别，并可开发基于NIRS的多种植物病原体识别系统。探索利用近红外光谱直接检测小麦短瘤和健康种子，为进出口小麦快速在线检测提供技术支持。

本研究中获得的三种病原体的近红外光谱的数量并不相同。在数字和光谱之间有相当大的差异Urocystis tritici少于其他两种病原体。尽管数据处理方法2将获取的近红外光谱划分为不同的数据子集，构建的DPLS、BPNN和SVM模型取得了较为理想的结果，但样本数量失衡仍可能导致病原体鉴定的偏倚。在进一步的研究中，收集Urocystis tritici可以加强样品和采集相应样品的近红外光谱，以获得近红外光谱，可以进一步优化病原体识别模型，以确保建立模型的准确识别稳定性。

近红外光谱包含用于识别样本的物料信息，以及与材料信号相关的一些光谱带在定性分析中起重要作用[14，15，18，22］．据我们所知，对小麦黑穗病真菌物质组成的系统研究尚未见报道。未来可开展这方面的研究，探索不同小麦黑穗病真菌近红外光谱的解释机制，有利于选择合适的建模光谱区域进行病原菌鉴定。

为减少噪声干扰，提高信噪比，测量系统的扫描次数设置为8 cm⁻¹当本研究获得病原菌样品的近红外光谱时。此外，当端孢子放入样品杯时，端孢子的松紧度尽可能保持一致，以减少不同松紧度可能引起的差异。基于原始近红外光谱数据，本研究在简单划分的建模光谱区域内建立的模型获得了满意的建模结果。因此，对于获取的原始近红外光谱数据，没有采用数学方法进行预处理，也没有采用统计方法进行建模光谱区域选择。目前，光谱预处理方法和建模光谱区域选择方法有多种[15，22］．在未来的研究中，可以选择合适的方法对原始近红外光谱数据进行预处理，消除可能存在的背景干扰，选择合适的方法选择最优的建模光谱区域，然后将建模结果与本研究的结果进行比较，选择最优的建模方法。

本研究中获得的结果表明，建模效果可能受建模中使用的光谱数据的影响。例如，当使用数据处理方法2并且使用4000-5000厘米的光谱区域的建模比为3：1或5：1的建筑物模型构建了BPNN模型⁻¹，在5000-6000 cm光谱区域的建模比例为4:1⁻¹，在6000-7000 cm光谱区域的建模比例为3:1或5:1⁻¹，或在8000-10000 cm光谱区域的建模比例为3:1⁻¹，得到训练集和测试集在10个数据子集上的识别准确率的平均值较小，SD值较大。这主要是由于建立在某些数据子集上的模型，训练集和测试集的识别准确率较低。相比之下，在较宽的光谱区域进行建模时，更有可能获得令人满意的识别结果。

在该研究中，使用包括DPLS，BPNN和SVM的三种建模方法获得了良好的鉴定结果。当使用数据处理方法1或数据处理方法2时，可以获得具有令人满意的训练和测试集的识别精度的DPLS，BPNN或SVM模型。在实际应用中，可以使用或多于一种建模方法来合成验证识别结果的建模方法之一。但是，相比之下，DPLS是最稳定的，其次是SVM然后BPNN。在本研究中，仅使用三种建模方法（DPLS，BPNN和SVM）来构建病原体识别模型。然而，报告了许多用于定性识别分析的建模方法[15，22，24］．在进一步的研究中，其他建模方法可以用于小麦黑穗病真菌的分类、鉴别和鉴定。

在这项研究中，研究了基于NIR的三种小麦片尘真菌的鉴定，旨在提供一种用于迅速和无损检测和鉴定小麦片段真菌的方法。根据本研究提出的方法，可以从小麦植物中获取相关病原体的TelioRioRes，其中麦片植物中的小麦片段中的症状，然后可以使用实验室中的近红外光谱仪获取近红外光谱，最后，可以使用内置模型识别样本。如果可能，可以开发一种便携式近红外光谱仪，用于直接检测该领域的小麦片段真菌。在生产实践中，除了利用抗性品种之外，主要通过使用种子处理措施来控制小麦片段。病原体鉴定可以避免从患病领域保留小麦种子，并在预留后进一步转移小麦种子，并可以为对策提供基础。本研究的结果为执行此任务提供了一种方法论参考。一旦小麦植物被粉碎真菌感染，菌丝在叶片内部膨胀，并且在疾病进展的后期阶段，出现典型的症状和焦田。因此，要进行早期检测相关疾病，应进行关于基于网德的受感染的小麦植物的检测研究以及上面提到的小麦条纹锈和小麦叶锈病的早期检测研究[30.- - - - - -32］．

数据可用性

用于支持本研究结果的数据包括在文章和补充信息文件中。

的利益冲突

提交人声明有关本文的出版物没有利益冲突。

作者的贡献

Yaqiong Zhao和Feng Qin同样为本文贡献。

致谢

本研究得到了中国国家重点研发方案（2018YFD0200402），中国重点技术研究和发展方案（2012Bad19BA04），以及第七框架计划的Marie Curie计划的国际研究交流计划（参考。Pirses-Ga-2013-612659）。

补充材料

表S1:采用数据处理方法1时，各建模光谱区域采用不同建模比率和主成分个数建立的DPLS模型的病原鉴定结果。表S2:采用数据处理方法1时，各建模谱区不同建模比率和隐含层神经元数量所建立的BPNN模型的病原体识别结果。表S3:采用数据处理方法2时，不同建模比率和每个建模光谱区域主成分个数的每个数据子集上建立的DPLS模型的病原体鉴定结果。表S4:采用数据处理方法2时，在每个建模谱区不同建模比率和隐含层神经元数量的数据子集上构建的BPNN模型的病原体识别结果。表S5:采用数据处理方法2时，在每个建模光谱区域不同建模比率的每个数据子集上建立的SVM模型的病原体鉴定结果。（补充材料）

参考文献

1. V.O.托斯普通和E. J. Trione，“特色传播者植物Tilletia进行从这些的t . Cariesby荧光显微镜，“植物病害，卷。70，否。10，pp。924-926,1986。视图:出版商的网站|谷歌学术
2. H. G.王，H. Y.Zhu，Z.H.Ma，L. Liu和G. X. Zhang，“小麦矮人禁闭的进展与展望”中国农业科技述评，第7卷，第5期第4页，2005。视图:谷歌学术
3. 董伟，陈文强，刘廷刚，“植物的鉴定与检测方法Tilletia进行库恩。”植物保护第33卷第3期6，页128-131,2007。视图:谷歌学术
4. 郭磊，“中国黑穗病真菌分类综述”，mycosystema.第34卷第3期5，pp。817-820,2015。视图:出版商的网站|谷歌学术
5. H. X. Yu，L.Gao，X.H.Kang，T. G. Liu，B.刘和W. Qu，W.陈，“陈，”TCK和TFL与激光扫描共焦显微镜的TERIORES鉴别，“中国植物保护第36卷第2期2, pp. 5-8, 2016。视图:谷歌学术
6. J. G.麦克唐纳，E. Wong，G.T. Kristiansson和G. P. White，“来自未渗透的TERIORES的DNA直接扩增耕地物种，”加拿大植物病理学杂志，卷。21，不。1，pp。78-80,1999。视图:出版商的网站|谷歌学术
7. G.Bakkeren，J.W. Kronstad和C. A. LeveSque，“AFLP指纹的比较”Qulp指纹和其序列在Ustilaginomycetes中的系统发育标志物“，体力学，第92卷，第2期3, 2000年。视图:出版商的网站|谷歌学术
8. R. D. Frederick, K. E. Snyder, P. W. Tooley et al，“识别和区分Tilletia indica.和T．walkeri使用聚合酶链反应“植物病理学，第90卷，第5期。9，页951 - 960,2000。视图:出版商的网站|谷歌学术
9. h .梁y l .彭g . > w .问:陈,t·g·刘,扩增和序列分析rDNA基因间的间隔(rDNA-IGS)从三个耕地物种，”Phytopathologica学报第36卷第2期5，页407-412,2006。视图:谷歌学术
10. 曹莹莹，王丽芳，段丽萍等，“一种实时荧光环介导等温扩增快速定量检测方法的建立黑粉菌属maydis，“科学报告，第7卷，第13394条，2017。视图:出版商的网站|谷歌学术
11. K. G. Savchenko, L. M. Carris, J. Demers, D. S. Manamgoda, L. A. Castlebury，《小麦黑穗病的成因》植物病理学第66期7，页1139-1148,2017。视图:出版商的网站|谷歌学术
12. N. W.Schaad和R. D.Frederick，“实时PCR及其快速植物病诊断的应用，”加拿大植物病理学杂志，第24卷，第2期3，页250-258,2002。视图:出版商的网站|谷歌学术
13. S. Sankaran, A. Mishra, R. Ehsani和C. Davis，“植物病害检测的先进技术综述”，农业中的计算机与电子学，卷。72，没有。1，pp.1-13，2010。视图:出版商的网站|谷歌学术
14. G. T. Xu，H. F.元和W.Z.Lu，“现代近红外光谱技术的发展及其应用”，光谱学与光谱分析，卷。20，没有。2，pp。134-142,2000。视图:谷歌学术
15. 闫艳玲，赵丽玲，韩东辉，杨世明，近红外反射光谱法的基础与应用，中国轻工业出版社，北京，中国，2005。
16. 陈青，赵军，刘敏，蔡军，刘军，“基于ft -近红外光谱和PLS算法的绿茶中总多酚含量的测定”，医药与生物医学分析杂志，卷。46，没有。3，pp。568-573，2008。视图:出版商的网站|谷歌学术
17. M. K. Ahmed和J. Levenson，“近红外光谱在乙醇和丁醇混合汽油质量保证中的应用”，石油科学与技术，第30卷，第2期2, pp. 115 - 121,2012。视图:出版商的网站|谷歌学术
18. “近五年来我国近红外光谱分析技术的研究与应用进展”，光谱学与光谱分析第34卷第3期10，pp。2595-2605,2014。视图:谷歌学术
19. 陈辉，林振中，吴辉，王磊，吴涛，谭灿，“近红外光纤光谱学与随机森林技术在大肠癌诊断中的应用，”光谱化学学报A部分:分子和生物分子光谱，卷。135，pp.185-191,2015。视图:出版商的网站|谷歌学术
20. 刘n.， H. A. Parra, A. Pustjens, K. Hettinga, P. Mongondry, S. M. van Ruth，“便携式近红外光谱技术在有机牛奶鉴定中的应用”，Talanta，卷。184，pp。128-135,2018。视图:出版商的网站|谷歌学术
21. M. Lopo, C. a . Teixeira dos Santos, R. N. M. J. Páscoa, a . R. Graça，和J. a . Lopes，“近红外光谱作为葡萄园土壤密集制图的工具，”精准农业第19卷第2期3, pp. 445-462, 2018。视图:出版商的网站|谷歌学术
22. C. Pasquini，“近红外光谱学:新视角的成熟分析技术综述”，Analytica Chimica Acta， 2018, vol. 1026, pp. 8-36。视图:出版商的网站|谷歌学术
23. P. I. Monteiro, J. S. Santos, V. R. Alvarenga Brizola等人，“质子转移反应质谱法和近红外光谱法对巴西咖啡鉴别的比较:初步化学计量学研究”，食品控制，第91卷，第276-283页，2018。视图:出版商的网站|谷歌学术
24. D. Granato，P.Putnik，D.B.Kovačević等人，“化学计量学的趋势：食品认证，微生物学和加工的影响，”《食品科学与食品安全综合评论》，第十七卷，第二期3，第663-677页，2018。视图:出版商的网站|谷歌学术
25. J. Perez-Mendoza，J. E. Throne，F.O. Dowell和J. E. Baker，“通过使用近红外光谱，”三种储存 - 产品甲壳的年代学年分级“，”经济昆虫学杂志第97卷第1期3，页1159-1167,2004。视图:出版商的网站|谷歌学术
26. J. Perez-Mendoza，J. E. Throne，E.B.B.Maghirang，F.O.Owell和J. E. Baker，“面粉中的昆虫片段：与较少谷物螟（殖民植物：Bostrichidae）的关系小麦和快速检测使用近红外光谱的关系，”经济昆虫学杂志第98卷第1期6、2005年。视图:出版商的网站|谷歌学术
27. “基于近红外光谱的茄子叶片灰霉病早期检测方法研究”，红外线和毫米波第26卷第2期4，页269 - 273,2007。视图:谷歌学术
28. L. Feng，S. S. Chen，B. Feng，F. Liu，Y。他和B. G. Lou，“早期发现了基于频谱技术的大豆豆荚治疗”中国农业工程学会交易第28卷第2期1，页139-144,2012。视图:谷歌学术
29. 刘永东，肖洪昌，邓青，张志成，孙旭东，肖永胜，“近红外光谱无损检测柑橘青色的研究”，中国农业工程学会交易，第32卷，第2期14, pp. 202 - 208,2016。视图:谷歌学术
30. X. L.LI，Z.H.Ma，L.L.L.L.L.L. Zhao，J.H. Li和H.G.L.Wang，H. G. Wang，“使用近红外光谱麦片生锈和小麦叶锈病的早期诊断”光谱学与光谱分析第33卷第3期10, pp. 2661-2665, 2013。视图:谷歌学术
31. 李学林，秦峰，赵丽丽，李建华，马振华，王海光，“探测PUCCINIA Striformis.f . sp。Tritici.利用近红外光谱技术研究小麦叶片潜在感染光谱学与光谱分析第34卷第3期7, pp. 1853-1858, 2014。视图:谷歌学术
32. Y. Z. Zhao，Y.L.Gu，F.Qin等人，“近红外光谱法定量确定相对含量的”应用“Puccnia striiformisf . sp。Tritici.小麦叶中的DNA在潜水期内，“光谱学杂志， vol. 2017, Article ID 9740295, 12页，2017。视图:出版商的网站|谷歌学术
33. X.L.LI，F.Qin，L.L.L. L. Zhao，J.H.Li，Z.H.Ma，H.Ma，H. G.王，近红外光谱技术鉴定和分类小麦条纹锈病疾病严重程度，“光谱学与光谱分析，卷。35，不。2，pp。367-371,2015。视图:谷歌学术
34. 李学林，马志宏，赵立林，李建辉，王海光，“近红外光谱技术在痕量化合物定性鉴别和定量测定中的应用PUCCINIA Striformis.f . sp。Tritici.和p . reconditaf . sp。Tritici.，“光谱学与光谱分析第34卷第3期3, pp. 643-647, 2014。视图:谷歌学术
35. 赵永强，秦飞，程平等，“种子萌发率的定量测定PUCCINIA Striformis.f . sp。Tritici.Urediospores使用近红外光谱技术，“光谱学杂志文章编号384214,8页，2015。视图:出版商的网站|谷歌学术
36. P. cheng，X.L.LI，F.Qin等，“UV-B辐射对近红外光谱和鉴定的影响”PUCCINIA Striformis.f . sp。Tritici.，“光谱学杂志，卷。2014年，第751458号，9页，2014年。视图:出版商的网站|谷歌学术
37. C. C. chang和C. J. Lin，“Libsvm”美国计算机学会智能系统与技术汇刊，第2卷，第2期3, pp. 1-27, 2011。视图:出版商的网站|谷歌学术
38. L. H. Purdy，《小麦黑穗病》植物的审查，卷。31，不。4，pp。565-606,1965。视图:出版商的网站|谷歌学术

版权

版权所有©2019赵亚琼等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。