茄科作物常见病害早期检测技术的研究进展

沈梦姣 侯海敏 赵宏 张楷文 张艳

摘要：以番茄、马铃薯、烟草为主的茄科作物在全球经济作物中占据重要地位。然而，茄科作物在生长过程中易受早疫病、晚疫病等多种病害侵染，病害的发病率高且危害范围广，严重制约了其生产发展的稳定性。利用实时、快速、无损的检测技术在茄科作物病害显症之前进行早期诊断，可以显著降低产量损失、提高质量，对科学指导生产具有重要意义。本文首先对茄科作物的常见病害的类型、病原菌、主要危害作物及发病症状进行概述，给出对应的病害典型图片；再简单介绍作物病害的传统检测技术，并与新型检测技术作对比分析，总结优缺点；接着系统阐述如可见光图像识别技术、红外热成像技术及高光谱成像技术等新型检测技术的基本原理与相关研究进展及其应用局限。其中，重点介绍高光谱成像技术用于作物病害检测的原理机制和常规检测流程，综述其应用于茄科作物病害早期检测的国内外研究进展，总结列出了部分茄科作物病害研究的重要检测波段；最后，指出了目前试验方法存在的不足并探讨了未来研究发展的方向。

关键词：茄科作物；常见病害；早期检测技术；高光谱成像；红外热成像

中图分类号：S127；TP391.41  文献标志码：A  文章编号：1002-1302（2023）09-0017-08

基金项目：国家自然科学基金（编号：62141501）；贵阳学院科研资金（编号：GYU-KY-［2022］）。

作者简介：沈梦姣（1998—），女， 安徽池州人，硕士研究生，主要从事作物病害的早期无损检测方面的研究。E-mail：1483995652@qq.com。

通信作者：张 艳，博士，教授，主要从事生物信息无损检测、激光雷达方面的研究。E-mail：Eileen_zy001@sohu.com。

茄科作物包含多种重要蔬菜、经济作物和观赏植物。其中，以马铃薯、番茄和辣椒为代表的茄科作物，作为重要粮食和蔬菜作物在全球日常饮食类别中占据重要地位，具有重要的经济价值［1］。烟草是世界性的茄科经济作物，对我国社会经济的逐步提升有重要推动作用。根据联合国粮食及农业组织（FAO）发布的数据显示，我国是马铃薯、番茄、辣椒以及烟草等茄科作物的主产国之一，其产量在我国乃至全球范围内都创造了巨大的经济效益［2］。

然而，茄科作物在生长过程中容易受到多种病害的侵袭，如不及时加以控制，会造成产量和质量明显下降［3］。据相关文献报道，在科学和经济上均具有严重危害性的植物病毒 “前10名”中有6种以茄科作物为宿主，包括烟草花叶病毒（TMV）、番茄斑萎病毒（TSWV）、番茄黄叶卷曲病毒（TYLCV）、马铃薯Y病毒（PVY）、马铃薯X病毒（PYX）和黃瓜花叶病毒（CMV）［4］。随后Rybicki在此基础上进一步提出了包括感染茄科植物的3类病毒在内的十大经济上重要的植物病毒［5］。

由于大多数病原菌在植株内的潜伏期一般很短，且在此期间人眼能够捕捉到的病害信息十分有限，因此研究有效针对茄科作物病害的早期检测方法尤为迫切。从已发表的综述文章来看，目前有待对茄科作物病害早期检测技术进行系统性报道。因此，本文对多种检测技术进行介绍单系统阐述其在茄科作物病害早期检测领域的应用进展。

1 茄科作物常见病害

茄科作物在栽培和收获及贮藏期间，易受到世界各地200多种由真菌、细菌、病毒和类病毒病原体等诱发的多种植物病害的影响，并同步产生高发病率，造成大面积的作物减产甚至绝收，并同步伴随质量的大幅下降［6-8］。茄科作物常见病害和类型、主要致病菌及发病的相关症状见表1。其中，病害叶片图像主要来源于PlantVillage 数据集，有利于研究人员或仪器设备进行病害特征识别。

2 传统检测技术与新型检测技术的比较分析

传统作物病害检测技术主要分为人工感官鉴定和理化实验鉴定［9］。前者主要是基于有经验的农业工作者和植保专家通过肉眼观察作物生长状况，结合长期积累的工作经验或相关植物病理知识进行判断。后者主要通过光学显微镜技术、聚合酶链式反应技术（PCR）、荧光免疫检测（IF）、酶联免疫吸附试验（ELISA）、核酸序列分析技术、血清法等理化分析方法进行检测［10］。

在对作物病害进行早期预测、普查从而采取各种防治措施的整体农业生产安全实践中，对作物病害信息进行早期有效识别是极为重要的。目前已有的作物病害检测技术各有优点同时也具有局限性（表2）。

由表2可知，在对作物病害进行早期预测、普查从而采取各种防治措施的整体农业生产安全实践中，仅采用传统检测技术显然已经无法满足实际需求。因此，需要采用更加准确、快速无损的病害早期新型检测技术。通过总结对比相关检测技术的优缺点，可以发现茄科作物病害的早期检测技术近些年正在逐步更新完善，但依旧存在易受环境干扰的通病。与此同时能够看出高光谱成像在作物病害早期检测技术中具有显著的优势，它综合了其他检测技术检测效率高、测量范围大、信息量丰富的优势，能够尝试将获取到的图谱信息与植物生命活动相关联，深入挖掘作物早期病变特征。

3 茄科作物病害的新型检测技术研究进展

3.1 可见光图像识别技术

可见光图像识别技术主要是采用计算机的各种成像系统模拟人的视觉器官，通过对获取到的图像进行去噪、增强、复原、分割、提取特征等处理，从而得到大量具有较好适应性和鲁棒性的信息进行分析判别的技术［11］。绝大部分植物的感病症状会在一定程度上体现在其叶片的颜色、形状和纹理等变化上，因此可以利用可见光图像识别技术基于这些变化特征对叶片的病害特征进行有效识别。党满意等利用机器视觉技术对马铃薯叶部晚疫病进行检测，根据马铃薯感病叶片的颜色、纹理和形状特征参数与健康叶片的差异性，通过将提取的颜色、纹理以及形状特征结合，成功建立了马铃薯晚疫病的无病和患病检测模型［12］。 Chen 等针对图像采集过程易产生噪声及不同病害特征相似导致图像难以识别等问题的干扰提出了一种快速有效的基于ABCK-BWTR和B-ARNet模型的番茄叶片病害识别方法［13］。Trivedi等将感染不同病害的番茄叶片和健康叶片图像进行预处理，对原始图像进行分割确定目标区域；通过提取颜色、纹理和边缘等特征最终建立了用于检测和分类番茄叶片病害的深度神经网络模型，模型预测准确率为98.49%［14］。

目前在对可见光图像进行处理时，仅仅针对可见光波段范围内的灰度图像或由红（R）、绿（G）、蓝（B） 3 个颜色通道的变化及相互叠加组成的彩色 RGB图像进行处理，无法对染病茄科作物的生理反应与外部表征联合分析，因而对于早期病害检测的灵敏度低，该技术一般用于病害的中晚期识别。

3.2 红外热成像技术

红外热成像技术是一种利用被测物体自身对红外热辐射的吸收差异并将其转化成与物体表面热分布相应的可视图像技术。植物遭受病害胁迫时，往往会伴随叶片气孔异质性开闭，水分调节失衡等生理指标的变化，造成叶表温度异常改变。因此叶面温度可作为植物的重要生理特性和生态状况研究的基本参数用于监测诊断植物病害［15］。徐小龙等在温室条件下，利用热红外成像仪连续监测受番茄花叶病侵染的番茄叶片表面的温度变化，研究发现叶片的病变部位表面温度比正常叶片高 0.5～1.2 ℃，证明红外成像技术用于番茄花叶病症前早期监测具有可行性［16］。Raza等结合红外热图像和可见光图像的信息，使用机器学习技术以90%以上的高准确率在可见症状出现之前成功实现对感染番茄疫霉番茄植株的识别检测［17］。朱文静等利用红外热像仪连续9 d监测获取潜育期番茄花叶病叶片的红外热像图，结果显示健康叶片与染病叶片的叶表最大温差值（MTD）差异显著，通过红外热像图结合MTD可实现病害发生区域的有效判定［18］。

1999年，Chaerle 等针对感染烟草花叶病毒（TMV）的烟草叶片可视化病症前检测问题，利用红外热成像技术对TMV的抵抗性进行检测［19］。通过连续监测病叶的温度变化，发现在叶片细胞坏死症状出现之前约8 h，受感染叶面温度会显著上升，感染部位温度比周围组织高0.3～0.4 ℃。图1为烟草叶片接种TMV后在32 ℃条件下保存24 h，然后转移到21 ℃的不同时间拍摄的可见光图像及对应的红外热像图（A：34 h；B：41 h；C：4 d），可以看出在接种叶片尚未产生肉眼可见的病斑前，在红外热像图中已经能够体现病斑部位。

可见，红外热成像技术较可见光图像识别技术在作物病害的早期检测中更具优势。然而作物在受到病害胁迫后，除了感病区域温度的改变，内部活性成分含量乃至细胞结构也会发生改变，同时由于外界温度场的不断变化往往使得被感染区域温度趋于同化从而难以区分辨认，因此仅仅依靠温度信息对作物病害进行早期检测是不够的。

3.3 光谱分析技术

光谱分析技术是以光谱的测量为基础，作物的光谱特性是作物在生长过程中与环境相互作用的综合光谱信息。植物病害通常会影响许多波长的叶片光学特性，受病害侵染后的作物光谱特性与健康作物的光谱特性相比，某些特征波段的值会发生不同程度的变化［20］。Morellos等通过可见光/近红外光谱仪获取健康和患病叶片的光谱，同时对病叶进行实时荧光定量聚合酶链式反应（RT-qPCR）检测和量化番茄褪绿病毒（ToCV）滴度，通过特征选择最后利用多层感知器自动相关测定（MLP-ARD）成功实现对番茄植株中ToCV的早期检测［21］。Najjar等利用550～1 100 nm范围内的可见光/近红外光谱结合主成分分析（PCA）在染病样本出现症状之前，成功实现番茄果实灰霉病的早期检测［22］。Azadshahraki等利用可见光/近红外光谱（400～900 nm）结合主成分-神经网络（PCA-ANN）建模的方法对番茄植株的早疫病进行快速、无损诊断，并在染病未显视觉症状阶段成功识别早疫病因子［23］。Vallejo-Pérez等利用拉曼光谱（RS）和机器学习光谱分析方法开展番茄细菌性溃疡病无症状感染的早期检测研究，结果显示，从被测叶片样品中获得的拉曼光谱与细胞成分相关的峰中，与三萜类化合物和黄酮类化合物相关的拉曼谱带可被视为无症状期感染的指标［24］。

2010年，佛罗里达大学的Jones等为确定番茄叶片感染细菌性叶斑病的光谱特征，利用可见光/近红外光谱技术结合多种分析方法基于病叶光谱响应建立相关病害预测模型，研究结果表明750～760 nm 为与病害高度相关的重要特征波长，能有效实现番茄细菌性叶斑病严重程度的可行性预测［25］。由图2可以看出，不同感染程度的叶片吸光度在整体上变化趋势基本一致，但吸光度存在明显差异，感病程度越严重的叶片整体吸光度明显下降。特别是在500～600 nm波段范围内，随着感病程度的

增加，叶片的吸光度明显降低。这主要是由于病原菌侵染导致叶片叶绿素含量下降造成的；在1 453、1 940 nm 的波长下，随着叶片病害程度的增加，水分含量也在逐步降低，因此感病叶片的吸光度较于健康叶片明显下降，由此可以说明叶片样本的光谱变化与其内在成分水平的改变密不可分。

光谱分析技术能够对样本信息在光谱维度上进一步提取分析，在作物出现可见病症前及时对病害的光谱信息进行有效捕捉，但在一定程度上局限于样本单一的光谱信息挖掘，不能与图像信息相结合，从而无法追溯到样本原始图像的信息，病害的内部响应与外部表征不能同时相關联。

3.4 高光谱成像技术

高光谱成像技术综合了图像技术和光谱技术的优势，将2种技术结合在一起，具有“图谱合一”的特性［26］。根据成像技术原理，高光谱成像系统的硬件主要由光源、分光模组和面阵CCD摄像头（光谱相机）、样本移动台等部件组成。成像光谱仪将待测样本反射或投射的光准直照射到分光模组上，经分光元件按波长不同进行色散，CCD镜头收集后成像在图像传感器上。通过高光谱成像仪获取样本的图像信息，同时在光谱维度上进行展开，不仅可以获取图像上每个点的光谱数据，还可以获得任意一个谱段的影像信息。

就植物感病检测机制而言，作物在受到病害侵染时，病原菌可通过气孔、水孔等自然孔口或者伤口侵入植株，改变健康作物组织中的细胞结构和营养成分。随着病害侵染活动的逐步加强，作物叶绿体将遭到破坏，光合作用减弱，导致叶绿素含量和光合作用强度下降，细胞代谢、水分吸收等机能衰退，从而导致植物叶片的光谱和图像特征发生变化。通常，引起植物叶片反射光谱发生变化的因素分为结构性因素（叶片厚度、叶片干物质、水分含量等）和生理性因素（色素浓度、光合速率、气孔行为和叶绿素荧光等）［27］。近年来，国内外研究学者围绕高光谱检测作物病害的机制进行了相关研究，水分是植物叶片的重要组成部分，水分自身的光谱吸收范围覆盖近红外和短波红外区间，比较显著的吸收峰（谷）有970、1 200、1 450、1 950、2 250 nm［28-29］，因此，叶片含水量的变化对作物的光谱反射率的影响很大。早在1973年，Rouse等研究了植被反射光谱（NDVI）与叶绿素（Chl）含量的关系，证明NDVI与Chl的含量成正比［30］。随后在1993年，有研究表明不同的绿色植物的反射光谱有所不同，但在400～2 400 nm 波长范围内的反射光谱特征具有显著相似性［31］。此外，除了叶绿素和水分含量的改变，实际染病叶片的内部成分还体现在蛋白质含量、酚类物质浓度等相关活性物质水平的变化上。研究证实感病作物与健康作物的光谱特性在特征波段的值会存在不同程度的差异［32］。

作物病害的常规检测流程为通过对获取到的图像信息进行处理，可提取作物颜色、纹理、感病位置等外部特征；通过对连续光谱信息进行高维数据压缩和特征波长提取，可用于检测作物水分、叶绿素含量以及其他活性成分变化等的内部特征。再通过将图像和光谱进行有效地特征融合，从而建立相应的分类识别模型（图3）。其中，在数据采集阶段，由于高光谱图像数据量大会导致数据存储与处理不便；在特征提取阶段，对采集的高光谱图像数据去冗余，提取具有代表性的重要特征进行特征融合，能够增加模型的可解释性；在模型建立阶段，需要着重考虑所选特征与模型之间的相适性，显著提高识别模型性能。

目前，应用高光谱成像技术实现茄科作物病害早期检测的研究较为广泛，主要集中在以番茄、马铃薯和烟草为主的作物病害检测上（表3）。谢传奇等利用高光谱成像技术分别从光谱和纹理2个角度提取了染病和健康番茄叶片感兴趣区域的光谱反射率和基于灰度共生矩阵（GLCM）的纹理特征值，实现了番茄叶片早疫病的早期检测研究［33］。Zhu 等结合变量选择方法和机器学习分类器，研究发现可利用高光谱成像在48 h内实现受TMV感染的叶片的症前快速无损检测［41］。

2020年，由美国康奈尔大学、威斯康星大学麦迪逊分校等知名研究机构的学者联合攻关，对马铃薯叶片的早疫病和晚疫病进行症状前检测和区分，同时将各自叶片的光谱特征与潜在的、不同的病原体生理学和病理学理论相关联［45］。利用高光谱成像技术（350～2 500 nm）检测和区分马铃薯叶片早疫病、晚疫病并探索对比2种病害生理学的侵染特征。研究强调短波红外波长（SWIR，1 000～2 500 nm）对于区分健康和染病以及症状前后的病原体感染非常重要。通过数据显示，在人眼可见症状出现前 2～4 d，通过高光谱检测可以区分受感染的植物且准确率在80%以上；利用对照样品来区分不同病原体疾病发展的各个阶段的准确率为89%～95%。此外在感染过程中，检测晚疫病的重要光谱特征发生了变化，这种光谱变化模式可能与潜在疾病生理学的差异及其病原体生活方式的对比有关。由图4可知，在早期感染期间，叶片并无明显症状；随着感染程度的不断加重，通过电子显微镜可以看出菌丝沿着叶片表面延伸，并通过气孔进入叶片；随后生长在表皮细胞的细胞间隙中；细胞间菌丝数量增加，气生菌丝从气孔中出现，病变特征肉眼清晰可见。这就强调在利用高光谱成像技术进行作物病害早期检测时，需要根据不同病害类型的潜在病原体生物学及相关病害侵染生理学的差异选择不同的光谱模型进行识别区分。

与前面介绍的其他检测技术相比，高光谱成像技术可以弥补仅依靠图像特征或光谱特征的不足，通过将图像特征与光谱特征的有效融合，能够显著提高作物病害早期检测和识别的准确度，达到根据作物内、外部综合特征进行精确识别病害的目的，是一种更加全面准确的无损检测病害的技术。从现有的国内外研究来看，目前该技术一方面用于实验室检测各类植物病害的早期研究，同时也利用该技术搭载无人机设备平台形成高光谱遥感系统，在实时监测农业生产安全领域发挥巨大潜力，成为精准农业的重要技术手段之一。

4 结论与展望

通过介绍茄科作物常见病害，强调了在茄科作物病害潜育期进行早期检测的重要性；通過对比分析几种检测技术的优缺点及新型检测技术的相关研究进展，证明高光谱成像技术可作为评估植物生理活性及胁迫反应的重要工具，在研究植物生理、病理检测等问题中发挥重要作用。目前该技术在植物病害早期检测领域已有很多成功的应用案例，但也存在一些问题及相应的改进方向。

（1）目前依旧很难确定与茄科植物某些病害相关的通用波段范围。这就需要一方面更多地关注利用高光谱成像技术对茄科作物相似基因型和表型品种以及非生物胁迫多样性的研究；另一方面考虑改进或提出新的高效且更具鲁棒性的特征波长选择算法，从而有助于确定在茄科作物感染病害早期检测中非常重要的通用波段范围。

（2）目前应用高光谱成像技术对茄科作物病害的早期检测大多停留在实验室环境下的离体叶片研究上，且多数研究仅针对单一病害类型，未考虑不同病害之间的相似性，尚未形成对多种病害进行同步检测的系统研究，使之无法应用于田间实地检测。在今后的研究中一方面可考虑对活体植株进行病害早期检测研究；另一方面增加病害类型，形成对多种病害检测识别的系统研究。

（3）多学科交叉联合攻关。真正解决作物病害早期检测的关键是需要将获取到的感病作物的光谱信息与其自身的病理特征、生理反应、抗性水平等紧密结合起来研究。这将依靠于微生物学、植物生理病理学、计算机图像处理技术等方面的专家共同工作。

参考文献：

［1］中国科学院中国植物志编辑委员会. 中国植物志（第7卷）［M］. 北京：科学出版社，1978.

［2］FAO. FAOSTAT［DB/OL］.［2022-06-01］. https：//www.fao.org/faostat/en/#data/QCL.

［3］杨泳波，赵远洋，李振波，等. 基于胶囊SE-Inception的茄科病害识别方法研究［J］. 图学学报，2022，43（1）：28-35.

［4］Scholthof K B G，Adkins S，Czosnek H，et al. Top 10 plant viruses in molecular plant pathology［J］. Molecular Plant Pathology，2011，12（9）：938-954.

［5］Rybicki E P. A Top Ten list for economically important plant viruses［J］. Archives of Virology，2015，160（1）：17-20.

［6］Panno S，Davino S，Caruso A G，et al. A review of the most common and economically important diseases that undermine the cultivation of tomato crop in the Mediterranean Basin［J］. Agronomy，2021，11（11）：2188.

［7］King K C，Lively C M. Does genetic diversity limit disease spread in natural host populations？［J］. Heredity，2012，109（4）：199-203.

［8］Singh V K，Singh A K，Kumar A. Disease management of tomato through PGPB：current trends and future perspective［J］. 3 Biotech，2017，7（4）：255.

［9］程术希. 基于光谱和成像技术的作物病害不同侵染期快速检测方法研究［D］. 杭州：浙江大学，2014：2-3.

［10］Martinelli F，Scalenghe R，Davino S，et al. Advanced methods of plant disease detection［J］. Agronomy for Sustainable Development，2015，35（1）：1-25.

［11］王彦翔，张 艳，杨成娅，等. 基于深度学习的农作物病害图像识别技术进展［J］. 浙江农业学报，2019，31（4）：669-676.

［12］党满意，孟庆魁，谷 芳，等. 基于机器视觉的马铃薯晚疫病快速识别［J］. 农业工程学报，2020，36（2）：193-200.

［13］Chen X，Zhou G，Chen A，et al. Identification of tomato leaf diseases based on combination of ABCK-BWTR and B-ARNet［J］. Computers and Electronics in Agriculture，2020，178：105730.

［14］Trivedi N K，Gautam V，Anand A，et al. Early detection and classification of tomato leaf disease using high-performance deep neural network［J］. Sensors，2021，21（23）：7987.

［15］Berni J，Zarco-Tejada P J，G Sepulcre-Cantó，et al. Mapping canopy conductance and CWSI in olive orchards using high resolution thermal remote sensing imagery［J］. Remote Sensing of Environment，2009，113（11）：2380-2388.

［16］徐小龍，蒋焕煜，杭月兰. 热红外成像用于番茄花叶病早期检测的研究［J］. 农业工程学报，2012，28（5）：145-149.

［17］Raza S E A，Prince G，Clarkson J P，et al. Automatic detection of diseased tomato plants using thermal and stereo visible light images［J］. PLoS One，2015，10（4）：e0123262.

［18］朱文静，李 林，李美清，等. 红外热成像与近红外光谱结合快速检测潜育期番茄花叶病［J］. 光谱学与光谱分析，2018，38（9）：2757-2762.

［19］Chaerle L，Caeneghem W V，Messens E，et al. Presymptomatic visualization of plant-virus interactions by thermography［J］. Nature Biotechnology，1999，17（8）：813-816.

［20］冯 雷，高吉兴，何 勇，等. 波谱成像技术在作物病害信息早期检测中的研究进展［J］. 农业机械学报，2013，44（9）：169-176.

［21］Morellos A，Tziotzios G，Orfanidou C，et al. Non-destructive early detection and quantitative severity stage classification of Tomato Chlorosis Virus （ToCV） infection in young tomato plants using vis-NIR Spectroscopy［J］. Remote Sensing，2020，12（12）：1920.

［22］Najjar K，Abu-Khalaf N.Visible/near-infrared （vis/nir） spectroscopy technique to detect gray mold disease in the early stages of tomato fruit［J］. Journal of Microbiology，Biotechnology and Food Sciences，2021，11（2）：e3108.

［23］Azadshahraki F，Sharifi K，Jamshidi B，et al. Diagnosis of early blight disease in tomato plant based on visible/near-infrared spectroscopy and principal components analysis-artificial neural network prior to visual disease symptoms［J］. Infrared Spectroscopy，2022，12（1）：81-94.

［24］Vallejo-Pérez M R，Sosa-Herrera J A，Navarro-Contreras H R，et al. Raman spectroscopy and machine-learning for early detection of bacterial canker of tomato：the asymptomatic disease condition［J］. Plants，2021，10（8）：1542.

［25］Jones C D，Jones J B，Lee W S. Diagnosis of bacterial spot of tomato using spectral signatures［J］. Computers & Electronics in Agriculture，2010，74（2）：329-335.

［26］张德荣，方 慧，何 勇. 可见/近红外光谱图像在作物病害检测中的应用［J］. 光谱学与光谱分析，2019，39（6）：1748-1756.

［27］Hunt Jr E R，Rock B N. Detection of changes in leaf water content using near-and middle-infrared reflectances［J］. Remote Sensing of Environment，1989，30（1）：43-54.

［28］Rollin E M，Milton E J. Processing of high spectral resolution reflectance data for the retrieval of canopy water content information［J］. Remote Sensing of Environment，1998，65（1）：86-92.

［29］刘 畅，孙鹏森，刘世荣. 植物反射光谱对水分生理变化响应的研究进展［J］. 植物生态学报，2016，40（1）：80-91.

［30］Rouse Jr J W，Haas R H，Schell J A，et al. Monitoring the vernal advancement and retrogradation （green wave effect） of natural vegetation［R］. Maryland：Goddard Space Flight Center，1973.

［31］金仲辉. 绿色植物反射光谱的特征及其在监测农作物生长中的应用［J］. 物理，1993，22（11）：673-678.

［32］Kokaly R F，Clark R N. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression［J］. Remote Sensing of Environment，1999，67（3）：267-287.

［33］谢传奇，王佳悦，冯 雷，等. 应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究［J］. 光谱学与光谱分析，2013，33（6）：1603-1607.

［34］王海龙，杨国国，张 瑜，等. 竞争性自适应重加权算法和相关系数法提取特征波长检测番茄叶片真菌病害［J］. 光谱学与光谱分析，2017，37（7）：2115-2119.

［35］Lu J Z，Zhou M C，Gao Y W，et al. Using hyperspectral imaging to discriminate yellow leaf curl disease in tomato leaves［J］. Precision Agriculture，2018，19（3）：379-394.

［36］Abdulridha J，Ampatzidis Y，Qureshi J，et al. Laboratory and UAV-based identification and classification of tomato yellow leaf curl，bacterial spot，and target spot diseases in tomato utilizing hyperspectral imaging and machine learning［J］. Remote Sensing，2020，12（17）：2732.

［37］Atherton D，Choudhary R，Watson D. Hyperspectral remote sensing for advanced detection of early blight （Alternaria solani） disease in potato （Solanum tuberosum） plants prior to visual disease symptoms［C］//American Society of Agricultural and Biological Engineers Anual International Meeting.Spokane，2017.

［38］徐明珠. 基于高光譜成像技术的马铃薯早疫病无损检测研究［D］. 杨凌：西北农林科技大学，2016：13-26.

［39］Appeltans S，Pieters J G，Mouazen A M. Potential of laboratory hyperspectral data for in-field detection of Phytophthora infestans on potato［J］. Precision Agriculture，2022，23（3）：876-893.

［40］黄 涛，李小昱，徐梦玲，等. 半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究［J］. 光谱学与光谱分析，  2015，35（1）：198-202.

［41］Zhu H Y，Chu B Q，Zhang C，et al. Hyperspectral imaging for presymptomatic detection of tobacco disease with successive projections algorithm and machine-learning classifiers［J］. Scientific Reports，2017，7：4125.

［42］刘勇昌，耿 丽，高 强，等. 基于叶片光谱分析的烟草马铃薯Y病毒病严重度诊断［J］. 烟草科技，2021，54（7）：23-28.

［43］Gu Q，Sheng L，Zhang T H，et al. Early detection of tomato spotted wilt virus infection in tobacco using the hyperspectral imaging technique and machine learning algorithms［J］. Computers and Electronics in Agriculture，2019，167：105066.

［44］冯 雷，张德荣，陈双双，等. 基于高光谱成像技术的茄子叶片灰霉病早期检测［J］. 浙江大学学报（农业与生命科学版），2012，38（3）：311-317.

［45］Gold K M，Townsend P A，Chlus A，et al. Hyperspectral measurements enable pre-symptomatic detection and differentiation of contrasting physiological effects of late blight and early blight in potato［J］. Remote Sensing，2020，12（2）：286.