CN113447456A - 基于nir技术和elm的烟草病原真菌种类快速鉴别方法 - Google Patents

基于nir技术和elm的烟草病原真菌种类快速鉴别方法 Download PDF

Info

Publication number
CN113447456A
CN113447456A CN202110089155.7A CN202110089155A CN113447456A CN 113447456 A CN113447456 A CN 113447456A CN 202110089155 A CN202110089155 A CN 202110089155A CN 113447456 A CN113447456 A CN 113447456A
Authority
CN
China
Prior art keywords
pathogenic fungi
tobacco
elm
pure
tobacco pathogenic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110089155.7A
Other languages
English (en)
Inventor
欧阳璐斯
林云
潘晓薇
黄菲
陶红
周瑢
陈森林
赖燕华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Tobacco Guangdong Industrial Co Ltd
Original Assignee
China Tobacco Guangdong Industrial Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Tobacco Guangdong Industrial Co Ltd filed Critical China Tobacco Guangdong Industrial Co Ltd
Priority to CN202110089155.7A priority Critical patent/CN113447456A/zh
Publication of CN113447456A publication Critical patent/CN113447456A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本申请公开了一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，通过选取马铃薯葡萄糖琼脂培养基和已灭菌的钙钠玻璃培养皿的组合对纯种烟草病原真菌菌种进行培养，有利于烟草病原真菌生长，简化了前处理步骤，可减少引入不同类型污染的风险，经过离散小波变换算法对光谱数据进行预处理，有助于消除干扰因素、促进有用信息的提取，使得光谱特征变得更加明显，实现不同菌种近红外光谱的精确区分，再通过ELM算法模型建立纯种烟草病原真菌菌种鉴别模型后，可快速鉴别未知的纯种烟草病原真菌菌种。本方法可覆盖的烟草病原真菌种类范围广，样本不易被污染，菌种识别正确率高，同时，实施难度较低以及鉴别效率较高。

Description

基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法
技术领域
本申请涉及烟草病原真菌鉴别技术领域，尤其涉及一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法。
背景技术
烟草病原真菌分布广泛、种类繁多，容易引起烟草在生长过程中发生病害，如黑胫病、赤星病、炭疽病和根黑腐病等，导致作物产量减少、品质下降，因此，烟草在育种和种植过程中，应当定期对这些病原真菌进行有效快速的识别和监控，方能更全面保障烟草的总体品质。
目前，应用最广泛的真菌种类鉴别方法为形态学法，它是利用真菌在不同的培养基上培养表现出的生理和形态差异来进行鉴别，在分离和纯化后，单独用肉眼观察菌落的形态、颜色和质地还无法精确判定，通常还要采用显微镜观察其菌丝形态、孢子梗和有性器官形态等，再通过观察到的各种信息在检索表上进行检索才能得出真菌的确切种属，这需要实验人员具有较高的专业知识水平和丰富的经验才能进行正确判断。其他鉴别方法还包括代谢产物测定法、ELISA法和rDNA-ITS测序法，但是，这些方法技术难度更大，需要实验人员具备较高的专业素养才能进行检测，很难广泛普及到实际的生产线上。
近红外光谱技术是一种高效的现代分析技术，它综合运用了计算机技术、光谱技术和化学计量学等多个学科，能够大幅度提高分析工作效率，在食品、医药、化工等行业均有广泛的应用。运用近红外光谱仪扫描可获得样品中有机分子含氢基团的差异信息，然后通过化学计量学对这些信息进行分析和建模，即可完成对差异性的区分和鉴别。
目前，有一些研究是基于红外或近红外法对植物病原真菌进行鉴别，但这些方法具有明显的缺陷是，其前处理步骤非常繁复，需要将用培养基分离出的纯种菌后，再进行冻干菌丝或孢子悬浮液制备。冻干菌丝和孢子悬浮液的制备过程费时费力，还有可能会引入不同类型的污染，影响后续的检测分析。
发明内容
本申请提供了一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，用于解决烟草病原真菌种类鉴别难度大、效率低下以及识别正确率较低的技术问题。
有鉴于此，本申请提供了一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，包括以下步骤：
S101：在已灭菌的钙钠玻璃培养皿中，采用马铃薯葡萄糖琼脂培养基分别对预先获取的若干个不同菌种的纯种烟草病原真菌进行培养，以获得若干个含不同菌种的纯种烟草病原真菌的培养基；
S102：通过近红外光谱仪对所述若干个含不同菌种的纯种烟草病原真菌的培养基分别进行光谱采集，从而相应获得若干个光谱数据；
S103：基于离散小波变换算法对若干个所述光谱数据进行预处理，从而得到若干个小波系数重构光谱数据；
S104：基于ELM算法模型，以所述若干个小波系数重构光谱数据为变量，从而获得所述预先获取的若干个不同菌种的纯种烟草病原真菌的特征信息，进而构建纯种烟草病原真菌菌种鉴别模型；
S105：通过所述纯种烟草病原真菌菌种鉴别模型鉴别未知的纯种烟草病原真菌菌种。
优选地，所述步骤S101之前包括：
将马铃薯葡萄糖琼脂培养基后经灭菌后，待所述马铃薯葡萄糖琼脂培养基冷却到55℃时，将所述马铃薯葡萄糖琼脂培养基定量转移至已灭菌的钙钠玻璃培养皿中。
优选地，所述步骤S101之前包括：
从若干个不同的具有已知的烟草病害的烟株上分离筛选出若干个不同菌种的纯种烟草病原真菌，再确定所述若干个不同菌种的纯种烟草病原真菌相应的种属信息。
优选地，所述步骤S101具体包括：
S1011：在所述已灭菌的钙钠玻璃培养皿中，将所述预先获取的若干个不同菌种的纯种烟草病原真菌分别接种于不同的所述马铃薯葡萄糖琼脂培养基中后，再于25±2℃温度环境下培养3～5天，以获得若干个含不同菌种的纯种烟草病原真菌的培养基；
S1012：在一年的四个季节均按照所述步骤S1011分别进行培养，以获得不同季节下的若干个含不同菌种的纯种烟草病原真菌的培养基。
优选地，所述步骤S102具体包括：
通过近红外光谱仪对不同培养天数下的所述若干个含不同菌种的纯种烟草病原真菌的培养基分别进行光谱采集，从而相应获得不同生长时期下的若干个不同菌种的纯种烟草病原真菌的光谱数据。
优选地，所述近红外光谱仪的光谱采集范围为4000～12000cm-1，分辨率为8cm-1，扫描次数为64次。
优选地，所述离散小波变换算法的最佳小波基函数为db3，最佳小波分解层数为4。
优选地，ELM算法模型的激励函数为Sig函数，其隐层节点数为41。
优选地，所述步骤S104具体包括：
按照预设比例随机选取若干个小波系数重构光谱数据分别作为训练集和验证集，将所述训练集代入ELM算法模型中训练，从而识别不同菌种的纯种烟草病原真菌的特征信息，进而构建纯种烟草病原真菌菌种鉴别模型，将所述验证集代入所述纯种烟草病原真菌菌种鉴别模型中验证模型准确性。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例提供的一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，通过选取马铃薯葡萄糖琼脂培养基和已灭菌的钙钠玻璃培养皿的组合对不同菌种的纯种烟草病原真菌进行培养，有利于烟草病原真菌生长，简化了以往近红外光谱法鉴定纯种烟草病原真菌的前处理步骤，不再需要将培养基上的纯种菌再进行冻干菌丝或孢子悬浮液制备，可减少引入不同类型污染的风险，可以直接将含有不同菌种的纯种菌的培养皿进行近红外光谱扫描，经过离散小波变换算法对光谱数据进行预处理，有助于消除干扰因素、促进有用信息的提取，使得光谱特征变得更加明显，能够察别到光谱范围内的细微的变化情况，挖掘出微弱的隐藏信息，实现不同菌种近红外光谱的精确区分，再通过ELM算法模型建立纯种烟草病原真菌菌种鉴别模型后，可通过纯种烟草病原真菌菌种鉴别模型快速鉴别未知的纯种烟草病原真菌菌种，本方法可覆盖的烟草病原真菌种类范围广，样本不易被污染，菌种识别正确率高，同时，实施难度较低以及鉴别效率较高，有较好的推广前景。
附图说明
图1为本申请实施例提供的一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法的流程图；
图2为本申请另一实施例提供的一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法的流程图；
图3为本申请实施例提供的钙钠玻璃培养皿培养不同菌种的近红外光谱图；
图4为本申请实施例提供的聚苯乙烯培养皿培养不同菌种的近红外光谱图；
图5为本申请实施例提供的未使用小波变换算法预处理的ELM的不同激励函数对应的测试结果正确率示意图；
图6为本申请实施例提供的使用小波变换算法预处理后的ELM的不同激励函数对应的测试结果正确率示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，包括以下步骤：
S101：在已灭菌的钙钠玻璃培养皿中，采用马铃薯葡萄糖琼脂培养基分别对预先获取的若干个不同菌种的纯种烟草病原真菌进行培养，以获得若干个含不同菌种的纯种烟草病原真菌的培养基；
S102：通过近红外光谱仪对若干个含不同菌种的纯种烟草病原真菌的培养基分别进行光谱采集，从而相应获得若干个光谱数据；
S103：基于离散小波变换算法对若干个光谱数据进行预处理，从而得到若干个小波系数重构光谱数据；
S104：基于ELM算法模型，以若干个小波系数重构光谱数据为变量，从而获得预先获取的若干个不同菌种的纯种烟草病原真菌的特征信息，进而构建纯种烟草病原真菌菌种鉴别模型；
S105：通过纯种烟草病原真菌菌种鉴别模型鉴别未知的纯种烟草病原真菌菌种。
本实施例中，通过选取马铃薯葡萄糖琼脂培养基和已灭菌的钙钠玻璃培养皿的组合对不同菌种的纯种烟草病原真菌进行培养，有利于烟草病原真菌生长，简化了以往近红外光谱法鉴定纯种烟草病原真菌的前处理步骤，不再需要将培养基上的纯种菌再进行冻干菌丝或孢子悬浮液制备，可减少引入不同类型污染的风险，可以直接将含有不同菌种的纯种菌的培养皿进行近红外光谱扫描，经过离散小波变换算法对光谱数据进行预处理，有助于消除干扰因素、促进有用信息的提取，使得光谱特征变得更加明显，能够察别到光谱范围内的细微的变化情况，挖掘出微弱的隐藏信息，实现不同菌种近红外光谱的精确区分，再通过ELM算法模型建立纯种烟草病原真菌菌种鉴别模型后，可通过纯种烟草病原真菌菌种鉴别模型快速鉴别未知的纯种烟草病原真菌菌种，本方法可覆盖的烟草病原真菌种类范围广，样本不易被污染，菌种识别正确率高，同时，实施难度较低以及鉴别效率较高，有较好的推广前景。
以上为本发明提供的一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法的一个实施例的详细描述，以下为本发明提供的一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法的另一个实施例的详细描述。
为了方便理解，请参阅图2，本发明提供的一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，包括以下步骤：
S201：从若干个不同的具有已知的烟草病害的烟株上分离筛选出若干个不同菌种的纯种烟草病原真菌，再确定若干个不同菌种的纯种烟草病原真菌相应的种属信息。
可以理解的是，本步骤所获得的纯种烟草病原真菌为分离菌株，需要进行培养，而为了丰富后续模型的病原真菌菌种鉴别范围，可以直接购买相应的标准菌种，置于含培养基的培养皿中进行活化和培养后进行光谱采集。
S202：将马铃薯葡萄糖琼脂培养基后经灭菌后，待马铃薯葡萄糖琼脂培养基冷却到55℃时，将马铃薯葡萄糖琼脂培养基转移至已灭菌的钙钠玻璃培养皿中。
在本实施例中，对马铃薯葡萄糖琼脂培养基的灭菌方式为高温灭菌。
S203：在已灭菌的钙钠玻璃培养皿中，将预先获取的若干个不同菌种的纯种烟草病原真菌分别接种于不同的马铃薯葡萄糖琼脂培养基中后，再于25±2℃温度环境下培养3～5天，以获得若干个含不同菌种的纯种烟草病原真菌的培养基。
S204：在一年的四个季节均按照步骤S203分别进行培养，以获得不同季节下的若干个含不同菌种的纯种烟草病原真菌的培养基。
需要说明的是，为了避免由于培养条件和时间对微生物组分和光谱测量带来的影响，本实施例研究于一年的四个季节分别进行培养，以获得不同季节下的若干个含不同菌种的纯种烟草病原真菌的培养基。
S205：通过近红外光谱仪对不同培养天数下的若干个含不同菌种的纯种烟草病原真菌的培养基分别进行光谱采集，从而相应获得不同生长时期下的若干个不同菌种的纯种烟草病原真菌的光谱数据。
可以理解的是，本实施例中，可以分别对培养3天、4天和5天的若干个含不同菌种的纯种烟草病原真菌的培养基分别进行光谱采集，以获得纯种烟草病原真菌在不同生长时期和状态时的光谱数据。
同时，在本实施例中，近红外光谱仪的光谱采集范围为4000～12000cm-1，分辨率为8cm-1，扫描次数为64次。
S206：基于离散小波变换算法对若干个光谱数据进行预处理，从而得到若干个小波系数重构光谱数据。
在本实施例中，离散小波变换算法的最佳小波基函数为db3，最佳小波分解层数为4。
可以理解的是，离散小波变换算法是一种高效信号处理算法，该算法是把各种频率组成的混合信号按不同分辨尺度分解为不同尺度和频率的小波子空间。根据小波变换的特点，可对特殊频率范围的噪声或背景进行滤波处理，可以把信号分解成低频信号和高频信号，即近似系数和细节系数。经过对光谱数据进行预处理，有助于消除干扰因素、促进有用信息的提取，使得光谱特征变得更加明显，能够察别到光谱范围内的细微的变化情况，挖掘出微弱的隐藏信息，实现不同菌种近红外光谱的精准区分。
S207：按照预设比例随机选取若干个小波系数重构光谱数据分别作为训练集和验证集，将训练集代入ELM算法模型中训练，从而识别不同菌种的纯种烟草病原真菌的特征信息，进而构建纯种烟草病原真菌菌种鉴别模型，将验证集代入纯种烟草病原真菌菌种鉴别模型中验证模型准确性。
以下为ELM算法模型的工作原理：
给定N个不同的样本(xj,yj)，其中xj＝[xj1,xj2,…,xjn]T，yj＝[yj1,yj2,…,yjm]T，则具有K个隐层节点数和激励函数g(x)的单隐层前馈神经网络可以表示为：
Figure BDA0002911784130000071
上式中，aj＝[aj1,aj2,…,ajn]T，表示为输入层的节点与第j个隐层节点之间的连接权重，T表示连接权重；βj＝[βj1,βj2,…,βjm]T，表示第j个隐层节点与输出层的连接权重；bj表示隐层的第j个神经元的偏置；Oj＝[Oj1,Oj2,…,Ojn]T表示输出值。本实施例的ELM算法模型的激励函数为Sig函数，其隐层节点数为41。
为了确保训练结果的准确性并使结果更接近N个样本，应使输出值Oj满足下式：
Figure BDA0002911784130000072
因此，公式1根据公式2可以简写为：
Figure BDA0002911784130000073
将公式3转换为矩阵形式为：
Hβ＝T (4)
式中，
Figure BDA0002911784130000081
其中，H为极限学习机(ELM)的隐含层输出矩阵，其中的第j列代表第j个隐层神经元关于每个输入向量X1,X2,…,XN的输出。由于输入权重和隐层偏置对于神经网络性能没有影响，因此对于给定的输入权重aj和隐层偏置bj，训练该单隐层神经网络就相当于求解的Hβ＝T最小二乘解
Figure BDA0002911784130000082
即
Figure BDA0002911784130000083
其最小范数的最小二乘解为
β＝H+T (7)
式中，H+为H的广义逆。
S208：通过纯种烟草病原真菌菌种鉴别模型鉴别未知的纯种烟草病原真菌菌种。
以下为本发明提供的一种基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法的一个实施示例的详细描述。
1.1材料与仪器
本实施示例采用两种方法收集纯种烟草病原真菌菌种，一是从有已知病害的烟株上分离筛选获得纯种烟草病原真菌菌种，二是从BNCC购买的标准真菌菌种，具体的种属信息见表1。
表1部分纯种烟草病原真菌种属信息及引发的烟草病害
Figure BDA0002911784130000084
Figure BDA0002911784130000091
试验仪器包括：电子天平，恒温培养箱，超净台，傅里叶近红外光谱仪等，其中，傅里叶近红外光谱仪的光谱采集范围4000～12000cm-1，分辨率8cm-1，扫描次数64次。
1.2菌种的培养
本实施示例采用马铃薯葡萄糖琼脂(PDA)培养基对上述5种纯种烟草病原真菌菌种进行培养，用容积为500ml的三角瓶配制400ml培养基后经121℃灭菌20min后，待培养基冷却到55℃时，将培养基用移液枪定量移液5ml至已灭菌的钙钠玻璃培养皿中，待培养皿中的培养基凝固后，将上述5种纯种烟草病原真菌分别接种于培养基上，于25±2℃温度环境下培养3～5天。为避免由于培养条件和时间对微生物组分和光谱测量带来的影响，在一年的四个季节分别重复进行4次培养。
1.3近红外光谱采集
将培养皿正面朝下，将纯种菌落的中心位置对准近红外仪的扫描口放置并进行光谱扫描，每个培养皿的样品分别于培养第3天、第4天和第5天进行扫描，以获得菌种在不同生长时期和状态时的光谱数据，本实施示例共获得原始近红外光谱数据240份，这240份原始光谱包含分离菌原始光谱数据120份，标准菌原始光谱数据120。
1.4光谱数据预处理
由于近红外光谱采集时，对于不同的菌种，其菌落本身的化学组分及其对培养基组分的消耗会有所不同，因此其近红外光谱吸收带也会随之变化，但是，如图3和图4所示，近红外光谱具有严重重叠性，很难从图谱上直观判断或提取有效信息以进行合理的解释光谱。在对比了多种光谱预处理方法后，本实施示例最终采用离散小波变换算法对若干个原始近红外光谱数据进行预处理，其中近红外光谱有2074个数据点，本实施示例中的离散小波变换算法的最佳小波基函数为db3，最佳小波分解层数为4。
1.5样本划分
将240份预处理后的光谱数据作为一个数据集，随机选择整个数据集的1/6作为预测集，然后将剩下的数据集的3/4作为训练集，1/4作为验证集，具体样本划分信息如表2。
表2样本划分信息表
烟草病原真菌类别 训练集样本数 验证集样本数 预测样本数
镰刀菌属 32 9 7
被孢霉属 31 8 9
链格孢属 27 10 11
炭疽菌属 33 11 4
腐霉属 27 12 9
总计 150 50 40
1.6ELM算法模型的激励函数及隐节点数的选择
ELM算法模型采用随机的方式设置网络输入权值和隐层神经元偏置，无需另外设置，因此，只需对激励函数以及隐层节点数进行选取。
ELM算法模型的激励函数共有5种：Sigmoid函数、Sine函数、Hardlim函数、Radialbasis函数和Triangular函数，通过ELM算法模型分别使用上述5种激励函数对训练集进行训练，得到不同激励函数的分类正确率。从图5可以看出，除了Hardlim函数和Triangular函数以外，其余3种激励函数中，随着隐节点数的增加，5种烟草病原真菌的分类正确率都能达到100％。本研究选择常用的Sig函数作为建立ELM模型的激励函数。
确定激励函数后，通过10折交叉验证方法考察在不同的隐层节点数下训练集的分类正确率，根据10种霉菌的交互检验分类正确率随着隐节点数个数的变化曲线，从图6可以看出，当隐层节点数为41时，训练集和验证集的分类正确率均达到100％，因此本研究最终确定的隐层节点数为41。从表3可以看出，根据所选的激励函数以及隐层节点数建立ELM模型，数据集的训练集和验证集的分类正确率均达到100％。
表3训练集和验证集的分类正确率
数据集 样本数 正确预测数 分类正确率(％)
训练集 150 150 100
验证集 50 50 100
预测集 40 40 100
1.7构建纯种烟草病原真菌菌种鉴别模型
将上述150个训练集样本代入ELM算法模型中训练，从而识别出不同的纯种烟草病原真菌菌种的特征信息，进而构建纯种烟草病原真菌菌种鉴别模型，将上述50个验证集样本代入纯种烟草病原真菌菌种鉴别模型中验证模型准确性。
1.8模型预测
为了验证优化后的纯种烟草病原真菌菌种鉴别模型分类性能，通过纯种烟草病原真菌菌种鉴别模型对预测集样本进行了预测，如表3所示，在40个预测样本中的5种霉菌的分类正确率达到100％，说明模型的合理性和预测能力较好。
1.9不同培养条件的对比
本实施示例分别对两种培养基和两种培养皿进行对比，其中，两种培养基分别为马铃薯葡萄糖琼脂(PDA)培养基和察氏琼脂(Czapek′sAgar)培养基；两种培养皿分别是材质为聚苯乙烯的一次性无菌微生物培养皿和钙钠玻璃培养皿。
表4为基于上述不同培养条件下培养的菌种扫描光谱后利用ELM算法模型的训练集和验证集分类结果。
表4不同培养条件下对比结果
Figure BDA0002911784130000111
Figure BDA0002911784130000121
由表4可以看出，利用马铃薯葡萄糖琼脂(PDA)作为培养基培养菌种最终所建模型的分类正确率达到100％，高于察氏琼脂培养基，同时，PDA培养基上的霉菌菌落形态优于察氏琼脂培养基，同样的培养时间内的菌落覆盖面积也更大，证明PDA培养基的营养成分更利于霉菌生长，更适用于本方法的建模。
通过对比两种不同培养皿，由于钙钠玻璃培养皿由无机成分构成，而聚苯乙烯一次性无菌微生物培养皿由有机成分构成，根据近红外光谱的扫描识别原理，有机成分会作为光谱信息的一部分被扫描记录，而无机成分不会被扫描记录，因此用聚苯乙烯一次性无菌微生物培养皿扫描得到的光谱无效信息更多，需要更复杂、更长时间的运算才能去除这些无效信息，因此，采用钙钠玻璃培养皿比聚苯乙烯一次性无菌微生物培养皿的模型训练时间更短。此外，钙钠玻璃培养皿比聚苯乙烯一次性无菌微生物培养皿的透光性更佳，因此，钙钠玻璃培养皿为更优选择。
综上所述，采用马铃薯葡萄糖琼脂和钙钠玻璃培养皿的组合更适合烟草霉菌快速鉴别模型的建立。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (9)

1.基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，其特征在于，包括以下步骤：
S101：在已灭菌的钙钠玻璃培养皿中，采用马铃薯葡萄糖琼脂培养基分别对预先获取的若干个不同菌种的纯种烟草病原真菌进行培养，以获得若干个含不同菌种的纯种烟草病原真菌的培养基；
S102：通过近红外光谱仪对所述若干个含不同菌种的纯种烟草病原真菌的培养基分别进行光谱采集，从而相应获得若干个光谱数据；
S103：基于离散小波变换算法对若干个所述光谱数据进行预处理，从而得到若干个小波系数重构光谱数据；
S104：基于ELM算法模型，以所述若干个小波系数重构光谱数据为变量，从而获得所述预先获取的若干个不同菌种的纯种烟草病原真菌的特征信息，进而构建纯种烟草病原真菌菌种鉴别模型；
S105：通过所述纯种烟草病原真菌菌种鉴别模型鉴别未知的纯种烟草病原真菌菌种。
2.根据权利要求1所述的基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，其特征在于，所述步骤S101之前包括：
将马铃薯葡萄糖琼脂培养基后经灭菌后，待所述马铃薯葡萄糖琼脂培养基冷却到55℃时，将所述马铃薯葡萄糖琼脂培养基定量转移至已灭菌的钙钠玻璃培养皿中。
3.根据权利要求1所述的基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，其特征在于，所述步骤S101之前包括：
从若干个不同的具有已知的烟草病害的烟株上分离筛选出若干个不同菌种的纯种烟草病原真菌，再确定所述若干个不同菌种的纯种烟草病原真菌相应的种属信息。
4.根据权利要求1所述的基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，其特征在于，所述步骤S101具体包括：
S1011：在所述已灭菌的钙钠玻璃培养皿中，将所述预先获取的若干个不同菌种的纯种烟草病原真菌分别接种于不同的所述马铃薯葡萄糖琼脂培养基中后，再于25±2℃温度环境下培养3～5天，以获得若干个含不同菌种的纯种烟草病原真菌的培养基；
S1012：在一年的四个季节均按照所述步骤S1011分别进行培养，以获得不同季节下的若干个含不同菌种的纯种烟草病原真菌的培养基。
5.根据权利要求4所述的基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，其特征在于，所述步骤S102具体包括：
通过近红外光谱仪对不同培养天数下的所述若干个含不同菌种的纯种烟草病原真菌的培养基分别进行光谱采集，从而相应获得不同生长时期下的若干个不同菌种的纯种烟草病原真菌的光谱数据。
6.根据权利要求1或5所述的基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，其特征在于，所述近红外光谱仪的光谱采集范围为4000～12000cm-1，分辨率为8cm-1，扫描次数为64次。
7.根据权利要求1所述的基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，其特征在于，所述离散小波变换算法的最佳小波基函数为db3，最佳小波分解层数为4。
8.根据权利要求1所述的基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，其特征在于，ELM算法模型的激励函数为Sig函数，其隐层节点数为41。
9.根据权利要求1所述的基于NIR技术和ELM的烟草病原真菌种类快速鉴别方法，其特征在于，所述步骤S104具体包括：
按照预设比例随机选取若干个小波系数重构光谱数据分别作为训练集和验证集，将所述训练集代入ELM算法模型中训练，从而识别不同菌种的纯种烟草病原真菌的特征信息，进而构建纯种烟草病原真菌菌种鉴别模型，将所述验证集代入所述纯种烟草病原真菌菌种鉴别模型中验证模型准确性。
CN202110089155.7A 2021-01-22 2021-01-22 基于nir技术和elm的烟草病原真菌种类快速鉴别方法 Pending CN113447456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110089155.7A CN113447456A (zh) 2021-01-22 2021-01-22 基于nir技术和elm的烟草病原真菌种类快速鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110089155.7A CN113447456A (zh) 2021-01-22 2021-01-22 基于nir技术和elm的烟草病原真菌种类快速鉴别方法

Publications (1)

Publication Number Publication Date
CN113447456A true CN113447456A (zh) 2021-09-28

Family

ID=77808841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110089155.7A Pending CN113447456A (zh) 2021-01-22 2021-01-22 基于nir技术和elm的烟草病原真菌种类快速鉴别方法

Country Status (1)

Country Link
CN (1) CN113447456A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108663339A (zh) * 2018-05-15 2018-10-16 南京财经大学 基于光谱和图像信息融合的霉变玉米在线检测方法
CN111562235A (zh) * 2020-05-18 2020-08-21 迟衡 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108663339A (zh) * 2018-05-15 2018-10-16 南京财经大学 基于光谱和图像信息融合的霉变玉米在线检测方法
CN111562235A (zh) * 2020-05-18 2020-08-21 迟衡 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宾俊等: "基于NIR技术和ELM的烤烟烟叶自动分级", 《中国烟草学报》 *
沈飞等: "稻谷有害霉菌侵染的近红外光谱快速检测", 《光谱学与光谱分析》 *
熊元林 等: "《微生物学》", 31 January 2006, 华中师范大学出版社 *

Similar Documents

Publication Publication Date Title
CN111141836B (zh) 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置
de Siqueira e Oliveira et al. Discrimination of selected species of pathogenic bacteria using near-infrared Raman spectroscopy and principal components analysis
Bridge et al. A reappraisal of the terverticillate penicillia using biochemical, physiological and morphological features I. Numerical taxonomy
EP1623212A1 (en) Automated characterization and classification of microorganisms
CN103562718A (zh) 植物疾病检测
CN111243676B (zh) 一种基于高通量测序数据的枯萎病发病预测模型及应用
WO2023071091A1 (zh) 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法
CN103616383B (zh) 食品批量发酵过程中菌群结构稳定性的定量检测方法
CN105424636A (zh) 一种粮食真菌污染情况的快速检测方法及其应用
Ergin et al. Fourier transform infrared spectral evaluation for the differentiation of clinically relevant Trichophyton species
US20230250462A1 (en) Method for the spectrometric characterization of microorganisms
CN110363119A (zh) 基于小波变换-随机森林算法的烟叶霉变快速识别方法
Dai et al. Detection of submerged fermentation of Tremella aurantialba using data fusion of electronic nose and tongue
Dean et al. Molecular response of Anabaena flos‐aquae to differing concentrations of phosphorus: A combined Fourier transform infrared and X‐ray microanalytical study
CN104297136A (zh) 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法
Sun et al. Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network
CN113447456A (zh) 基于nir技术和elm的烟草病原真菌种类快速鉴别方法
Arifuzzaman et al. Isolation and characterization of Acetobacter and Gluconobacter spp from sugarcane and rotten fruits
US20230349817A1 (en) Method and system for detecting fusarium moniliforme species of rice seed
CN116992314A (zh) 一种微生物群落聚类的分析方法
Fischer et al. Quality assurance and good laboratory practice in the mycological laboratory–compilation of basic techniques for the identification of fungi
CN115963074A (zh) 一种微生物材料孢子菌丝占比的快速检测方法和系统
Aboelghar et al. Hyperspectral analysis of Botrytis cinerea infected lettuce
CN113447457B (zh) 一种快速鉴别霉变烟草最优势霉菌种类的方法
CN104877917B (zh) 一种牛樟芝诱变菌株及培育方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210928