木薯褐条病(CBSD)是一种新出现的病毒性疾病，可大大降低木薯的产量，同时仅引起在感染后期出现的轻度空气症状。木薯褐条病的早期发现有助于更好的作物管理和干预。目前的技术需要实验室设备，劳动强度大，而且往往不准确。

　　开发了一种结合机器学习的手持式主动多光谱成像设备如图1，用于实时早期检测木薯褐条病。A-MSI相对于被动MSI和传统相机系统的主要优势是提高了光谱信噪比和时间可重复性。

图1 (a)已开发的A-MSI系统的照片，(b)其发光二极管环和传感室

　　设置三个独立试验，如表1。试验2的接种后7-87天感染结果如图2

表1 Cassava-TME204-UCBSV A-MSI试验设计

　　图2 试验2的感染结果 (a) TME204植物在7、28、52和87 dpi下的叶片图像(dpi：接种后天数)，每片叶子的症状分数在括号里。白色箭头指向症状评分为2的微弱黄色斑点;(b) 每片叶子的症状分数在括号里。白色箭头指向症状评分为2的微弱黄色斑点;(c) 在88 dpi下，从未处理(U)、模拟接种(M)和接种UCBSV的植物中分离的RNA的终点逆转录聚合酶链反应。上图显示了对应于UCBSV的445 BP波段。下图显示了一个619 BP的条带，对应于一个木薯红细胞转录本，作为分离可扩增RNA的阳性对照。

　　信息融合技术进一步将光谱和空间信息结合起来，最早在接种后28天就能区分健康木薯和木薯褐条病的特征。基于补丁的空间-光谱和分类器融合方法ProbDecFus (patch-based voting)分类正确率如表2，在对照与感染的对比中，试验1的分类准确率为87.3%，试验2为98.5%，试验3为93.6%。与使用整片叶子相比，使用基于斑块(斑块选取方式如图3)的空间信息(融合与否)的方法大大促进了分类。

　　表2 三个试验的叶片扫描在28 dpi时的分类准确度(%)

　图3 从叶子区域随机选择不同大小的斑块，避免叶子拍击网格和主脉。面片大小(像素):(a) 16×16，(b) 24×24，(c) 32×32，(d) 40×40和(e) 48×48

　　各种方法在试验1的7、28、53和88 dpi对叶样品的分类结果如图4。这些图表再次说明，结合空间和光谱信息比利用现有信息的其他方式更有优势，并且明显优于使用植被指数。

　　图4 数据集试验1的叶片扫描分类准确率(%)，分别为7、28、53和88 dpi，(a)对照与感染，(b)模拟与感染，以及(c)对照与模拟

　　该设备的应用有可能增加农民获得健康种植材料的机会，并在非洲减少木薯褐条病造成的损失。它还可以适用于在植物暴露于多种害虫、病原体和环境压力的真实环境中感测其他生物和非生物压力。

　　来源： Yao P, Mary D, José T, et al. Early Detection of Plant Virus Infection Using Multispectral Imaging and Spatial-Spectral Machine Learning. Scientific Reports. https://doi.org/10.21203/rs.3.rs-745223/v1

　　编辑： 王春颖