Comput Electron Agr.：葡萄园中的葡萄藤红斑病毒检测：利用机器学习与可见光/近红外高光谱图像识别无症状和有症状葡萄藤

葡萄园中的葡萄藤红斑病毒检测：利用机器学习与可见光/近红外（VIS/NIR）高光谱图像识别无症状和有症状的葡萄藤

期刊：Computers and Electronics in Agriculture（10.3）

发表日期：2025年07月

 

 

研究摘要

 

在发现葡萄藤红斑病毒（GRBV）十年后，已有充分的证据表明它对葡萄藤生理、葡萄成分以及葡萄酒生产具有负面影响。为了减轻GRBV在葡萄园中的传播，建议将“拔除病株（roguing）”作为一项疾病管理措施。识别和移除患病葡萄藤的迫切需求，证明了开发自主巡检（autonomous scouting）技术的必要性。在本研究中，在两个生长季节内，于品丽珠（Cabernet Franc）葡萄园收集了近700张地面高光谱图像，涵盖了有症状和无症状的葡萄藤冠层，捕捉了转色期前（pre-veraison）和转色期后（post-veraison）的葡萄藤发育阶段。冠层光谱信号跨越可见光（VIS）到近红外（NIR）区域的230个波段（510至900 nm，宽度为1.7 nm），通过使用U-Net进行语义分割，将冠层光谱信号从背景中分离出来。同时，在实验室中通过聚合酶链式反应（PCR）确定了每株葡萄藤的GRBV感染状态。这两个相互交织的数据集被用于训练各种机器学习算法及其集成模型。此外，还探索了通过光谱分箱（spectral binning）减少数据集大小的策略，并测试了三种不同的特征选择方法（递归特征消除、单变量特征选择，以及考虑自相关）。我们的研究结果表明，在收获前后（与疾病症状表达的高峰期相吻合），高光谱图像仅利用19个16 nm分箱宽度的波段，就以75.7%的准确率识别出了感染GRBV的葡萄藤。在转色期前（此时大多数葡萄藤尚未表现出症状），采用5个16 nm分箱宽度的波段，达到了74.2%的准确率。这项研究证实了高光谱图像在识别感染GRBV葡萄藤方面的实用性，为开发精简的传感系统提供了坚实的基础，该系统在有效巡检葡萄园以检测GRBV方面，为葡萄与葡萄酒行业带来了巨大的希望。

 

 

研究背景

 

由于气候变化、全球化导致的新病原体引入不同地区、葡萄栽培实践的改变、农药抗性以及农药使用的限制，葡萄园正面临疾病发生率增加所带来的前所未有的挑战（Pugliese et al., 2011; Wilcox et al., 2015）。由葡萄藤红斑病毒（GRBV）引起的红斑病会影响葡萄园，导致果实成熟延迟，并减少糖分和酚类化合物的积累（Ricketts et al., 2017; Rumbaugh et al. 2021）。

受感染的黑色浆果葡萄品种叶片上会出现特征性的红色斑块，而受感染的白色浆果品种叶片上则会观察到褪绿和坏死现象。叶片上的红斑主要从叶片中部或边缘开始，多在转色期（8月）前后出现，但有时也在转色期前（6月底至7月）出现，并且随着季节的推移，斑块会逐渐融合。这些叶片病害症状在北美于9月至11月期间最为显著（Rumbaugh et al. 2021; Sudarshana et al. 2015）。早期，病害症状主要局限于基部叶片，随着季节的推进，枝条中部的叶片也会开始表现出症状。该病害于2008年首次在加利福尼亚州的葡萄园中被发现，此后在全球各个葡萄种植区均有发现（Sudarshana et al., 2015）。如果不采取措施减少GRBV的传播，在葡萄园25年的生命周期内，红斑病的经济影响可高达每公顷68,548美元（Ricketts et al., 2017）。

GRBV由三叶草角蝉（three-cornered alfalfa hopper）传播（Flasco et al., 2021; Flasco et al. 2023）。建议采取“拔除病株（roguing）”的疾病管理应对措施，即通过移除受感染的葡萄藤并替换为健康的葡萄藤来控制病害传播（Ricketts et al. 2017）。仅依靠视觉症状来诊断受感染植株既耗时又未必可靠。这种方法也不切实际，因为症状通常只在生长季后期才出现，那时种植者正忙于采收，几乎没有时间进行额外的任务（如巡查病株）。准确识别受感染植株需要专业知识以避免误诊，因为红斑病很容易与其他问题（如营养缺乏、其他病原体和非生物胁迫）相混淆（Sudarshana et al., 2015）。此外，由于病毒在受感染葡萄藤中分布不均，症状表现可能仅限于少数几个短枝、枝条或叶片上，而冠层的其余部分则保持无症状（DeShields and KC 2023; Setiono et al. 2018）。分子诊断技术被认为是评估葡萄藤GRBV感染最可靠的方法（DeShields and KC, 2023）。其缺点是这些检测方法昂贵且耗时，而且其准确性取决于可靠的采样方案和最小化的人为误差。因此，葡萄园管理者需要一种更自动化和高效的方法来快速检测和诊断红斑病。

病害会改变植物的生化与生物物理特性，从而改变植物的光学特征（Carter and Knapp, 2001）。因此，可以利用遥感成像等光谱工具来识别受感染的葡萄藤，这些工具可在大尺度上用于筛查整个葡萄园。高光谱图像能够提供电磁波谱中广泛范围内的各个波长信息，在监测葡萄藤植被方面尤为有效。因此，该领域的研究激增（Terentev et al., 2022），许多研究使用高光谱图像来检测葡萄园中的病害（Vanegas et al., 2018; Junges et al., 2018; Bendel et al., 2020a）。据我们所知，迄今为止，仅有两项研究使用高光谱图像在叶片图像上检测GRBV。第一项研究利用支持向量机（SVM）分类器区分受感染和未受感染的叶片，进行二分类（Mehrubeoglu et al., 2016）。第二项研究在实验室条件下利用可见光域的高光谱图像，通过机器学习模型实现了高达87%的总体二分类准确率（Sawyer et al., 2023）。这两项研究都很有前景，但仅使用了叶片图像，而非葡萄园条件下的整个冠层图像。

高光谱技术在葡萄藤植被分析（包括病害识别）方面极其有效（Thomas et al., 2018）。它们通常比多光谱数据表现更好（Marshall and Thenkabal 2015; Sluiter and Pebesma 2010; Sun et al., 2017）。然而，由于成本较高、存储需求较大，以及在时间和计算资源方面的分析技术复杂性增加，葡萄种植者可能难以利用这些技术。确定实现准确GRBV识别的关键光谱波段（包括在光谱中的位置和以纳米为单位的波长宽度），将简化系统，为开发波段数量更少、更简单、更廉价且可直接供葡萄种植者使用的传感器铺平道路。

本研究的第一个目标是探究GRBV感染对葡萄园中葡萄藤冠层高光谱特征的影响。我们总结了2020年和2021年8月至10月期间，在510 nm（可见光）至900 nm（近红外）范围内采集的230波段图像的结果。近700株葡萄藤被拍摄成像，并在实验室采样进行GRBV诊断性PCR检测。第二个目标是探索不同的算法来预测受感染的葡萄藤。高光谱图像经过处理，使用三种不同的机器学习方法及其集成模型作为感染状态的预测因子。最后一个目标是减少模型使用的波长数量，以开发更简单的解决方案，为商业应用铺平道路。对表现最佳的模型进行了解释，以了解光光谱不同区域中最相关波长的相对贡献。为了更好地了解高光谱传感能力，还将结果与基于专家的葡萄园感染状态评估或RGB图像评估进行了比较。

 

材料与方法

 

2.1实验方法概述

在特定日期的一株葡萄藤构成了试验的基本实验单元。我们在两个生长季的五个不同日期（从保绿期到收获期），随机选择了数量不等的葡萄藤。整个研究流程（图1）分为三大步：

数据采集：在葡萄园使用三脚架搭载的高光谱相机对整株葡萄藤冠层进行成像，并同步采集叶柄用于PCR检测。

图像预处理：通过U-Net模型将葡萄藤冠层与土壤、天空等背景分割，并利用反射率标准板将图像数据转化为反射率值，进行平滑降噪。

分析与分类：运用多种机器学习模型预测感染状态，并与人类专家的肉眼预测结果进行对比评估。

 

 

2.2研究地点

研究在加州纳帕谷一个约3.5公顷的商业成熟品丽珠葡萄园中进行。

 

2.3.GRBV感染评估与疾病表现

在2020年和2021年的生长季，研究人员采集了每株葡萄藤的四个叶柄。采样与图像采集在几天内同时进行。为了获得最权威的“真实标签（Ground Truth）”，研究团队在实验室利用核酸提取试剂盒，通过终点聚合酶链式反应评估了病毒感染情况。这种分子级别的诊断，避免了人眼误判带来的数据污染。

 

2.4.高光谱图像

 

2.4.1.图像采集

 

2.4.2.图像预处理

这是本研究数据处理的一大亮点。由于田间背景（土壤、天空、阴影）会干扰光谱信号，团队首先使用了U-Net深度学习模型进行语义分割，精准提取冠层信号，准确率高达约90%。随后，利用每小时采集的反射率标准板，通过线性回归将图像转化为反射率，并应用Savitzky-Golay滤波器进行平滑和降噪，为后续的机器学习提供干净的数据。

 

 

2.5.感染分类

2.5.1.分析数据集

为了评估高光谱在无症状期和有症状期的表现，研究将数据分为了几个子集，并对数据进行了“瘦身”：时间划分：分为转色前（无症状）、转色后（有症状）以及全数据集。

光谱分箱（Spectral binning）：高光谱有230个原始波段，数据量太大。团队通过平均相邻波段，将数据压缩为“每5、10或20个波段”一组（对应波段宽度为8、16、32 nm），以此减少冗余，为未来低成本传感器铺路。

 

2.5.2.专家分类

为了设立对比基准，四位人类专家在不知晓样本背景和病毒状态的情况下，对RGB图像进行肉眼诊断；同时也在实地葡萄园中进行了目视监测。专家的预测结果被用来与分子PCR结果进行对比，以评估人眼的真实水平。

 

2.5.3.机器学习算法

测试了随机森林（RF）、偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）三种算法，并使用了网格搜索调参及交叉验证。

 

2.5.4. 特征选择方法

为了进一步提炼出最核心的波段，团队测试了三种特征选择“大浪淘沙”的方法：递归特征消除（RFE）：递归地剔除最不重要的特征，留下最关键的波段。单变量特征选择（UFS）：通过方差分析（ANOVA），评估每个波段与感染状态的相关性。考虑自相关的选择（AC-SVM）：剔除相关系数大于0.90的冗余波段。这一步是本文降低传感器成本的核心创新点。

 

结果与讨论

 

3.1.数据收集与PCR结果

研究共对671株葡萄藤进行了PCR检测和高光谱成像。通过PCR确认，其中56%（376株）未感染GRBV，44%（295株）感染了GRBV。在所有采样日期中，数据集都保持了良好的正负样本平衡。2020年和2021年转色后（症状可见）分别测试了387个和208个样本；2021年转色前（无症状）测试了76个样本。

 

 

3.2.冠层信号的提取

利用525.3 nm、555.7 nm和601.3 nm波长合成的RGB图像，展示了AI抠图的效果（Fig. 2）。

 

3.3.感染对葡萄藤高光谱特征的影响

这是探索AI为何能识别病毒的第一步。研究对比了健康与感染葡萄藤的平均光谱曲线。核心发现：整体上，由于单株植物差异大，肉眼直接看曲线很难完全区分开。但在全数据集（Fig. 3a）中，未感染的葡萄藤在绿光区（约550 nm）有峰值，而感染的葡萄藤在红光区（约650 nm）有峰值。在转色后（9月），感染葡萄藤在近红外（NIR）区域的反射率更低。此外，在800 nm附近观察到波谷，可能与水分状态变化有关。

 

 

3.4.专家预测结果

为了证明AI的价值，团队先测试了人类专家的水平。

 

3.4.1.基于RGB图像的预测：

四位专家看RGB图像进行判断。整体准确率为75.8%。但在转色前（无症状期），专家准确率暴跌至53.9%，几乎一半的感染树被漏诊（假阴性率高达97%）。在转色后，专家准确率回升至78.6%。

 

3.4.2.基于田间症状的预测：

在2020和2021年10月（症状高峰期）实地巡查，专家整体准确率约为75.3%至83.6%。

 

 

3.5.机器学习模型的预测结果

3.5.1.不同机器学习模型的二分类研究

团队测试了随机森林（RF）、偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）以及它们的组合。

核心结果（Table 4）：在转色前（无症状），PLS-DA表现最好（68.5%）。在转色后（有症状），SVM表现最佳（75.2%）。将PLS-DA和SVM组合（集成模型），在2021年转色后数据集上达到了最高精度77.7%。

 

 

3.5.2.利用光谱分箱减少特征数量

把230个波段平均成更少的波段（分箱）会怎样？

核心结果（Table 5）：全数据集：用每5个波段分箱（46个波段），SVM模型准确率最高（71.8%）。转色后数据集：用每10个波段分箱（23个波段）+ PLS-DA与SVM集成模型，达到了75.6%的准确率。这意味着，适度压缩数据不仅没有丢失信息，反而因为去除了噪声，提高了准确率。

 

 

3.5.3.利用不同特征选择方法识别最佳波段

研究用RFE、UFS等方法“大海捞针”，只保留最关键的波段。Table 6核心数据：转色后（有症状）：使用 RFE-SVM方法，从分箱数据中精选出19个波段（16 nm宽），在转色后数据集上获得了75.7%的最高整体准确率。（其中对未感染藤识别率为85%，感染藤为62%）。转色前（无症状）：使用UFS-SVM方法，仅用5个波段（16 nm宽），就达到了74.2% 的准确率。

Fig. 6 揭示了重要波段：转色前（无症状）：模型主要依赖绿光（530-570 nm）、红光（600-650 nm）、红边（670-715 nm）和两个近红外区域（750-780 nm，875 nm附近）。转色后（有症状）：模型主要关注可见光区域（绿光、红光和红边）。

 

 

3.5.4.根据症状表现评估多分类

前面都是二分类（有病/没病），研究进一步挑战了三分类：未感染、无症状感染、有症状感染。结果（图9）：SVM模型整体准确率达到70.5%。令人惊喜的是，无症状感染的预测准确率达到77%，有症状感染为73%，均高于二分类时的表现。

 

 

3.6.无症状下PLS-DA和SVM模型预测的比较

在转色前，SVM模型能更好地区分健康植株（85%的情况预测值<=0.50），而PLS-DA在识别感染植株时略好一些。

 

讨论

 

4.1.一项具有前景的初步研究

本研究证实了高光谱图像在检测植物病害方面的潜力。虽然此前已有研究利用高光谱检测葡萄叶片，或者在实验室受控条件下使用深度学习，但本研究是首次使用整树冠层的可见光/近红外（VIS-NIR）高光谱图像来识别葡萄红斑病。 我们仅在转色后（症状最明显时）就取得了超过75%的准确率。更棒的是，使用仅含19个波段（16nm宽）的SVM模型（75.7%），其表现几乎追平了人类专家看RGB图像（78.6%）或实地肉眼巡查（平均79.45%）的水平。 这意味着，配备少量波段的田间相机，就能达到专家级的准确度，从而大幅降低成本、存储需求和功耗。

 

4.2.症状变异性的评估

4.2.1.可见与不可见症状

在转色前（无症状期），光谱的显著差异主要在近红外（NIR）区域；而转色后（有症状期），差异主要在可见光（特别是红光）区域。病毒在葡萄藤体内分布不均，导致有些叶片感染了却没有症状。虽然高光谱能捕捉无症状期的感染，但病毒分布不均也给检测带来了复杂性。转色前样本量较少（76个）也是导致机器学习预测较难的原因之一。

 

4.2.2.症状表达的变异性

2021年比2020年更干旱，而水分胁迫会加剧红斑病症状。因此2021年的模型准确率（77.7%）高于2020年（75.2%），专家的准确率也随之上升（从75.3%升至83.6%）。为了达到最佳性能，建议在症状表达最强的季节后期进行成像。 此外，不同品种（尤其是白葡萄品种）症状表达不同，不能直接将红葡萄模型套用。

 

4.2.3.所用方法的影响

本研究使用的是冠层所有像素的“平均值”。当症状不明显或病毒分布不均时，平均信号会稀释掉关键信息，影响分类器性能。但由于早期症状人眼不可见，无法进行图像标注，因此限制了CNN（卷积神经网络）的应用，只能依赖高光谱信号的聚合提取。

 

4.3.光谱波段重要性的确定

本研究分析的光谱范围为 510 nm - 900 nm，模型最常使用的区域是：绿光和红光区域：疾病会降低叶绿素（影响绿光）的产生并增加花青素（影响红光）的积累。这导致了健康葡萄藤在绿光区有峰值，而感染藤在红光区有峰值。红边（Red-edge）区域：约700 nm附近，是植被光谱最显著的特征。病原体的存在会严重影响光合系统I（P700）。近红外（NIR）区域：受水分或叶片细胞结构变化的影响。这种影响在转色前（无症状期）比转色后更强。 这可能是因为在早期，疾病是影响叶片光谱的主导因素；而到了后期，水分胁迫或叶片衰老等其他因素会干扰信号。

 

4.4.模型性能比较

4.4.1.算法、降维和特征选择的影响

PLS-DA在转色前表现更好，SVM在转色后表现更好。随机森林（RF）表现较差，因为它会在每次树分裂时随机选择大量非信息波段，导致准确率下降。光谱分箱（Binning）通过平均光谱值降低了噪声，提高了信噪比。 研究发现，每10个波段分箱（23个波段）达到了去除噪声和保留重要信息的最佳平衡。结合RFE特征选择，在转色后仅用19个波段就达到了75.7%的准确率；在转色前，UFS方法则用仅5个波段达到了74.2%。

 

4.4.2.机器学习与专家预测的对比

在可见症状阶段，最佳模型（19个波段）的准确率（75.7%）与专家看RGB图像的准确率（78.6%）相当。但在转色前，AI的准确率是74.2%（仅用5个波段），而专家肉眼预测的准确率不到55%。专家无法达到100%的准确率，是因为即使PCR检测阳性，有些葡萄藤也根本不表现出症状（潜伏期可达15个月以上），导致专家预测出现了高达41%的假阴性。高光谱评估的明显优势在于“自主性”：相机可以搭载在移动系统（如农机、无人机）上，实现大面积、逐株的快速感染评估，这是人工巡查无法做到的。

 

4.5.未来研究潜力

未来需要开发更具成本效益的传感器、优化不同物候期的图像采集时间，并向白葡萄品种和更复杂的田间环境扩展。

 

结论

 

葡萄红斑病毒（GRBV）对葡萄园和葡萄酒质量有负面影响，目前没有治愈方法，唯一的限制传播手段是拔除病株（roguing）。由于症状混杂因素多，人工巡查极具挑战。为了应对这一局限，本研究在葡萄园获取了近700张冠层高光谱图像，并利用PCR确认感染状态，通过机器学习进行识别，同时评估了降维方法以简化图像采集并提升模型性能。最终目标是实现葡萄园的自主巡检（autonomous scouting），帮助种植者省钱省力地控制病毒传播。

模型证明了：转色前（无症状）：使用仅 5个波段（16 nm宽），准确率达 74.2%。转色后（有症状）：使用 19个波段（16 nm宽），准确率达 75.7%。

这些准确率在有症状阶段与专家评估相当，但在不可见症状阶段远超专家。这是首项利用田间葡萄冠层高光谱图像识别红斑病的研究，也是为数不多的尝试通过光谱分箱和递归特征消除来推动简化传感器商业化应用的研究之一。