專利名稱：用于診斷高等植物的應激和疾病的方法、裝置和系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及用于快速診斷高等植物的應激(stress)和疾病的方法、裝置和系統(tǒng)。 將柑橘屬植物的青果病情況作為示例，其中使用基于熒光光譜測定法的含有用于數(shù)據(jù)的處理和分類的軟件的所述裝置根據(jù)葉子進行診斷。
背景技術：
從90年代以來，巴西一直作為世界上主要的橙產(chǎn)地，承擔濃縮和冷凍橙汁的80% 的國際貿(mào)易。為了獲得這樣的產(chǎn)量一一估計為9億美元——大約花費了 4. 1億美元的投入，帶來大約15億美元的涉及營銷柑橘屬植物產(chǎn)品(如果汁和新鮮水果)的交易(FNP Consultoria & Comercio, 2008o 可以在 2008 年 9 月 23 日的 <http //www. fnp. com. br/ agricultura/citros/prod_area_laranja. php> 地址獲得)。第二主要產(chǎn)地是美國，之后是墨西哥、中國和西班牙。西班牙和美國是新鮮水果的主要出口國，分別對應于38%和 18% 的世界出口量(Β0ΤΕ0Ν，M. ；VIDAL, A. J. Citricultura no Brasil e na Florida. Citricultura Atual, η. 23, p. 3,2001)。圣保羅州(巴西)具有大約3420萬種處于開發(fā)中的植物和1. 635億種在生產(chǎn)中的柑橘屬植物，反映了多于80%的柑橘屬水果全國產(chǎn)量。當前，其承擔97%的巴西出口量， 是巴西柑橘屬植物綜合企業(yè)的品牌發(fā)展核心。該市場承擔地區(qū)、州和城市大約15億美元的流通，并且雇用40萬人。圣保羅的柑橘屬植物莊園連同稱為“TrmilgulOMineiro”的 Minas Gerais 中的區(qū)域具有 1.98億棵樹。由于諸如“Hamlin，，、“Lima，，、“Pgra”、“kleta”、 “Bahia”、"Natal ”、“Va^llCia”和"FoIha Murcha"等品種的組合，全年都在收獲橙子。其中，一些適于生產(chǎn)果汁，如“Pgra”，其占全體果樹的38%，之后是《Vaigneia”、 “Natal” 和 “Hamlin，，，分別是 17%、25%和 7% (BARR0S, M. H. C. ；Β0ΤΕ0Ν, M. . 0 Brasil eo iinico pais que produz ο ano inteiro. Hortifruti Brasil, ν· 3, ρ· 21, 2002.)。隨著該領域技術的進步，植物開始通過嫁接而繁殖，這在果園的早熟性和統(tǒng)一性方面提供了極大的優(yōu)點。然而，這同時減少了變異性，使得培植物成為一些害蟲和疾病的持續(xù)不斷的目標，這些害蟲和疾病在面臨對其發(fā)展有利的條件時能夠導致不可逆的損害。植物檢疫成本連同肥料高于生產(chǎn)成本的60%。柑橘屬水果的質(zhì)量和數(shù)量經(jīng)常由于留在植物中的損害而受到威脅，取決于攻擊的強度，這能夠使植物不產(chǎn)出或者導致其被連根拔除。在2004年的年中，在圣保羅的果園中報告了一種新的疾病。源于亞洲和非洲的沒有治療方法的毀滅性疾病。黃龍病(HLB)——也稱為青果病——由于下述事實而成為當前在橙子生產(chǎn)商中最令人害怕的疾病因為其具有高散播率并且影響所有的商業(yè)橙類品種， 其不具有治療或處理方法。到目前為止，為了使損失最小化，最高效的解決方案是一旦確認疾病的陽性診斷就立即連根拔除植物。青果病具有作為引發(fā)成因的細菌，該細菌生活在寄主植物的韌皮部中，稱為韌皮部桿菌(Candidatus Liberibacter)。存在三種類型的與青果病相關的細菌非洲韌皮部 Iflif (Candidatus Liberibacter africanus)lif (Candidatus Liberibacterasiaticus)和美洲韌皮部桿菌(Candidatus Liberibacter americanus)，其中后者是圣保羅州的主要引發(fā)成因。青果病的癥狀在視覺上是相同的，與疾病在何處發(fā)生無關。一開始， 癥狀出現(xiàn)在樹枝中，其由于與未受影響的樹枝的樹葉的綠色相比的黃色而顯得明顯。樹葉呈現(xiàn)淡黃色，具有綠色部分，從而呈現(xiàn)不規(guī)則且不對稱的斑點(呈雜色)。水果變得變形且不對稱。在一些情況下，果皮的白色部分呈現(xiàn)高于正常的厚度。并且還發(fā)生水果的尺寸減小和密集的掉落。由于缺乏治療方法，青果病在當前是柑橘屬植物的栽培中最令人害怕的疾病。其已經(jīng)導致了多于200萬棵柑橘屬植物樹木的連根拔除，并且這些樹木中的絕大部分都處于
高產(chǎn)季節(jié)。特別地，圣保羅州的柑橘屬植物的栽培表現(xiàn)出一些獨特的特性，這些特性導致栽培物對已知的疾病(如衰退病)以及新的疾病(如柑橘屬植物突然死亡(CSD)和青果病) 流行的發(fā)生的高度脆弱性，從而對農(nóng)商業(yè)的可持續(xù)性帶來了嚴重后果1)圣保羅州的柑橘屬植物果園占據(jù)接近大約615，300ha的連續(xù)的區(qū)域(FNP. Citrus. AGRIANUAL 2003 ； anildrio da agricultura brasileira. FNP consultoria & agroinformativos,SaO Paulo, p. 295-314, 2003.)，并且不存在地勢起伏或物理障礙的較大差異，并且在這些果園之間具有大量的人口流動；2)柑橘屬植物是多年生的，因此終年以及多年暴露于害蟲和疾病的攻擊。除此之外，在一年的大部分期間，能夠觀察到新的嫩枝長出，這賦予了栽培季節(jié)之間易受感染的組織以及接芽的連續(xù)性；3)圣保羅州的果園表現(xiàn)出非常低的基因可變性。僅僅四個品種的甜橙(Citrus sinensis Osbeck) “Pgra-Rio”、“Natal”、《Val^icia”和“Hamlin” (其通過嫁接而植物性地繁殖)就代表了 92%的巴西柑橘屬植物栽培。在大約85%的樹木中使用的砧木 (rootstock)是“Cravo”酸橙(lime) (C. Iimonia Osbeck)，這是由于其質(zhì)樸、賦予給株冠的活力以及對州的北部和西北部的缺水環(huán)境的抵抗能力。當前，存在一些用于青果病的診斷方法。最常用的診斷通過視覺檢查表現(xiàn)出該疾病癥狀的樹葉而進行的。在圣保羅州和“TriSngulOMineiro”中的青果病控制已經(jīng)通過保護基金會(Fimdecitrus)的技術人員或受過他們訓練的人進行周期性視覺檢查而實現(xiàn)。 除了疾病僅僅在癥狀表現(xiàn)出之后才被診斷的事實(這是在樹木的長期無癥狀階段(大約8 個月)之后)之外，該方法具有高主觀性和高誤差百分比的特性。在疾病的無癥狀階段，受感染的樹是疾病的不可見散播源，導致樹木的連根拔除的非常嚴重的延遲。然而，在癥狀可視之后，連根拔起僅僅是當時的疾病控制事項。文檔JP2006^7092_A描述了一種用于早期階段的青果病的檢測試劑盒，其基于受感染樹木的組織中錳和鐵濃度的下降的識別。檢測過程包括獲取含有緩沖系的植物材料的水溶提取物，然后分析吸收分光光度測定。然而，疾病的確定是非特定性的，這是因為植物中的低的錳和鐵濃度能夠由于多種生理因素造成，包括植物營養(yǎng)中這些礦物質(zhì)的缺乏。 通過類似的方式，文檔JP200^64101-A主張了經(jīng)通過碘反應分析淀粉濃度而進行植物提取物中的青果病的檢測，有缺乏生理非特定性的相同缺點。在文檔W02007021485-A2中描述的方法保證了使用施加的極化照射散射的拉曼效應(Raman effect)在檢測來自植物和動物的若干其他病原體和化學污染物之中檢測青果病引發(fā)細菌。然而，檢測被限制在經(jīng)歷了復雜處理的水性樣本中，所述處理包括在膠狀金屬表面上進行干燥，之后與超濾膜接觸。附屬于坎皮納斯農(nóng)藝研究所(IAC)的Apta Citrus是圣保羅州的提供對青果病診斷的技術報告的唯一中心。該報告基于稱為PCR(聚合酶鏈式反應)的技術，該技術由樹葉的基因分析組成，以搜索青果病引發(fā)細菌的DNA。然而，細菌DNA的檢測僅在有癥狀的樹葉 (呈雜色)中是可行的，并且即使在這時候，其也會在10%的情況下失敗。對于沒有癥狀的樹葉的診斷(沒有疾病的可見征兆)，IAC使用該技術更為復雜的變型——稱為實時PCR，其靈敏度是傳統(tǒng)技術的至少1000倍高。然而，取決于其復雜性，實時PCR沒有在常規(guī)檢查中
使用，僅僅用于科學工作。盡管PCR技術非常高效，但其成本高且費力(BOVi, J.M.黃
龍病的歷史、病因、地域識別、傳播和世界分布一種柑橘屬植物的破壞性的新出現(xiàn)的百年疾病，黃龍病青果病國際研討會，v. 1,P. 1,2006) 0使用傳統(tǒng)的PCR對每個樣本的分析成本大約為25美元，并且報告可耗時大約20天。PCR的大規(guī)模使用不是經(jīng)濟可行的；另外有產(chǎn)生時間上非常延遲的傳染制圖的事實。另一方面，文檔CN18M802-A主張了在采樣之后僅僅3個小時內(nèi)進行無癥狀樹的檢測，但其限制于由細菌亞洲柑橘黃龍病菌(Candidatus Liberobacter asiaticum Jagoueix)引發(fā)的檢測和中國種類的柑橘屬植物。當前，熒光成為能夠起作用的相對簡單且高效的決定。熒光是允許在察覺到疾病的視覺表現(xiàn)之前檢測出現(xiàn)在被青果病和其他疾病影響的植物樹葉中的化學變化的技術。在文檔BR200201249-A中，樹葉、水果和樹枝的自體熒光允許在暴露于具有短波長的光源之后，檢測無癥狀柑橘屬植物中的柑桔潰瘍。然而，該技術受限于由細菌 Xanthomonas axonopodis pv. citri.弓I發(fā)的該疾病的檢測。在EmbrapaInstrumentasSoAgropecuciria中開發(fā)出來的本發(fā)明的目的在于， 保護用于診斷高等植物的應激和疾病(如柑橘屬植物青果病)的新的診斷方法和裝置。此前在 Laborat0rio de Optica e Lasers da Embrapa InstrUlIieilta^aO Agropecuaria LOLEIA中進行的工作(文檔PI 05059757-7)論證了使用商用光譜儀通過熒光發(fā)射光譜的最大比區(qū)別健康樹葉與染病樹葉的可能性以及區(qū)別疾病(CSD與衰退)的可能性。所提出的方法的基本構想如下當植物達到由應激或由疾病引起的不平衡時，出現(xiàn)其新陳代謝的變化，導致其器官的化學成分改變。該化學變化導致物理性質(zhì)的變化，諸如如樹葉的反射系數(shù)和熒光性。基于該假設，開發(fā)了關于健康和染病的柑橘屬植物樹葉的樹葉熒光發(fā)射的使用商業(yè)裝置的實驗室研究。通過PI 05059757-7中描述的方法的熒光發(fā)射峰值的比，發(fā)現(xiàn)了區(qū)分健康樹木、具有衰退或CSD的樹木的可能性。在專利申請PI 05059757-7中，保護了進行樹葉中的光譜測量的便攜式模塊的構想，用于采用使用燈泡、LED或420至480nm范圍的激光器的激發(fā)來診斷柑橘屬植物的突然死亡。在2006年，LOLEIA開發(fā)了使用激光致熒光譜測量(LIFQ的系統(tǒng)，其與文檔PI 05059757-7中提出的系統(tǒng)相似，具有利用光纖構建的探針和由一組校正的光電二極管構成的檢測系統(tǒng)，所述一組校正的光電二極管允許以極快的方式( 1秒)和利用470nm的激光的激發(fā)獲得樹葉的發(fā)射光譜。利用這種新的系統(tǒng)，能夠以減少的時間分析大量的樣本。 在那時，青果病已經(jīng)被認為是巴西柑橘屬植物部分的最嚴重的疾病，因此LOLEIA開始了研究以評價使用熒光譜測量進行青果病診斷的可能性。根據(jù)初步的結果，能夠發(fā)現(xiàn)，利用具有561nm波長激發(fā)的其他激光觀察到了對青果病的最佳區(qū)分。利用重新規(guī)劃的便攜式模塊，進行了辨識研究以評估通過樹葉進行青果病診斷的可能性。從該研究得出了不同于專利申請 PI 05059757-7中的方法(用于CSD)的新的疾病診斷方法。盡管當前的方法使用針對CSD 而保護的相似裝置，具有不同的激發(fā)波長，但是該系統(tǒng)整體上完全不同，下面將論述主要差別。在當前的系統(tǒng)中，不像在文檔PI 05059757-7中那樣使用峰值比。開發(fā)了一種軟件，以收集熒光光譜并進行其統(tǒng)計處理(圖1和幻，以便以最具有辨識能力的方式評估所有的發(fā)射光譜，以獲得能夠實現(xiàn)更精確的疾病診斷的更大量的信息。在由主成分分析(PCA)統(tǒng)計方法處理之后，第一主要成分的三維圖形中的塊如圖 3所示地被清楚地限定。由于系統(tǒng)變得非常敏感，所以其還區(qū)分株冠的品種和砧木的品種，這是名為 "Metodo e Equipamento para Certiflca^aO de Mudas de Citros (用于相禾爵屬植物秩苗的檢定的方法和設備)”的另一個專利申請就此主題詳細闡述的原因。這樣，對于株冠和砧木的每種組合都進行系統(tǒng)校正過程。對于株冠和砧木的每種組合，使用含有健康樹葉和染病樹葉的一組樣本，以將每類樣本的典型光譜的信息提供給系統(tǒng)。通常，評估下面的類別 健康的樣本，表現(xiàn)出在有癥狀階段的青果病的染病樣本、表現(xiàn)出在無癥狀階段的青果病的染病樣本、具有CSD和具有衰退。使用機器學習的工具開發(fā)了另一種軟件，使得以下述方式使用校正數(shù)據(jù)庫系統(tǒng)能夠測量完全未知的樹葉，并且將樹的狀態(tài)分類為健康的或染病的，并且如果是染病的則識別疾病。在青果病的情況下，能夠識別在有癥狀階段以及在無癥狀階段的疾病。該結果表明了該技術能夠進行疾病的早期診斷的極大潛力。在CSD的專利中，光譜分析僅僅在通過熒光圖像獲得果園的圖之后進行，其進行健康樹木與染病樹木的區(qū)分。在本專利中，診斷僅僅使用熒光譜測量來進行。因此，不同于專利PI 05059757-7，其所保護的裝置本身不能夠進行自動診斷。完整的系統(tǒng)需要數(shù)據(jù)的采集軟件和統(tǒng)計處理、校正數(shù)據(jù)庫和分類軟件。這樣，在本專利中，要求由以下項構成的完整系統(tǒng)的保護用于進行熒光譜測量的裝置、采集軟件和數(shù)據(jù)的統(tǒng)計處理、數(shù)據(jù)庫以及分類軟件用于通過柑橘屬植物樹葉進行青果病診斷。

發(fā)明內(nèi)容
本發(fā)明示出了，通過直接在樹葉和植物的其他部分中進行熒光譜測量的方式，連同機器學習的數(shù)據(jù)庫和預測模型或統(tǒng)計、數(shù)學和/或計算區(qū)分的產(chǎn)生，能夠以快速、精確、 早期和經(jīng)濟可行的方式檢測高等植物中的應激和疾病，如青果病(例如，其是巴西的柑橘屬植物栽培的當前主要問題)，這樣，有助于疾病的控制。本發(fā)明的第一實施例是用于診斷高等植物的疾病和應激的方法，尤其是青果病， 其中包括以下步驟a)校正分類軟件，收集來自染病樹木的至少150片樹葉和來自健康樹木的150片樹葉的發(fā)射光譜；b)收集來自要分析的果園的每棵地理參照(georeference)樹的至少03片樹葉；c)檢測和測量在(b)中收集的所有樹葉的熒光發(fā)射光譜；
d)分析在(C)中產(chǎn)生的光譜；以及e)產(chǎn)生每棵樹的報告。f)基于坐標和在所述每棵樹的報告，構建果園的健康狀態(tài)圖。本發(fā)明的第二實施例是用于診斷高等植物的疾病的裝置，其中該裝置包括激發(fā)源、激發(fā)光纜、可調(diào)濾光器、光纖適配器、混合光纜、探針、發(fā)射光纜、迷你光譜儀以及數(shù)據(jù)處理分類軟件。本發(fā)明的另一個實施例是一種系統(tǒng)，其中所述方法用于通過熒光發(fā)射譜測量與用于診斷高等植物的疾病和應激的譜測量裝置相關聯(lián)地診斷高等植物的疾病和應激。


圖1-采集軟件的屏幕截圖。圖2-用于數(shù)據(jù)處理的軟件的屏幕截圖。圖3-對于在健康的Simky砧木(38)中的、具有有癥狀的青果病(39)和無癥狀的青果病GO)的甜橙( pgra")樹，從由LOLEIA研發(fā)的便攜式系統(tǒng)所捕捉的熒光發(fā)射光譜產(chǎn)生的的三個第一主要成分的圖形。圖4-分類軟件的屏幕截圖，突出顯示了分類窗口 01)。圖5-用于診斷青果病的裝置。圖6-在LOLEIA研發(fā)并構建的激光致熒光譜測量(LIFQ的便攜式系統(tǒng)中獲得的 Hamlin橙的樹葉的典型發(fā)射光譜，所述Hamlin橙具有“Cravo”酸橙的砧木。圖7-通過具有健康的“Cravo”酸橙和染病的“Cravo”酸橙(在雨季具有AG、SG、 CSD和衰退)的砧木的Hamlin橙樹的樹葉的光譜產(chǎn)生的PCA圖形。所有的光譜在LOLEIA 研發(fā)并構建的激光致熒光譜測量(LIFS)的便攜式系統(tǒng)中獲得。
具體實施例方式首先，為了研發(fā)本發(fā)明中提出的方法，使用傳統(tǒng)的熒光光譜儀進行樹葉和從樹葉中提取出的光合色素的光譜測定表征，以觀察健康材料與染病材料之間的光譜差異。在該研究之后，對為診斷CSD而研發(fā)的裝置(PI 05059757-7)進行改變，以使得能夠進行青果病的診斷。然而，限制于裝置的光學改變的改動是不足的。在圖5中，示出了本發(fā)明的目的——研發(fā)的新系統(tǒng)的示意圖42-要分析的柑橘屬植物樹葉；43-探針；44-光纜；45-光纖適配器；46-可調(diào)濾光器；47-激發(fā)光纖；48-二極管激光器；49-發(fā)射光纖；50-迷你光譜儀；51-膝上型電腦；52-信號/數(shù)據(jù)處理；53-數(shù)據(jù)庫； 54-分類軟件；55-報告；在插圖中示出了探針的側向輪廓(56)，其含有下面的部分57-激發(fā)光纖；和58-發(fā)射光纖。研發(fā)了用于診斷青果病的新方法，其也是本發(fā)明的目的。該方法由三個步驟組成1-構建數(shù)據(jù)庫一最初，系統(tǒng)需要具有來自株冠和砧木的給定組合的樹葉的可能熒光發(fā)射光譜的信息的數(shù)據(jù)庫。為了實現(xiàn)該數(shù)據(jù)庫，收集至少來自健康樹木的150片樹葉、有癥狀的染病樹木的150片樹葉以及無癥狀的染病樹木的150片樹葉。這些450片樹葉的光譜被本申請的裝置(正為其申請專利)捕捉，并通過同樣特別為該裝置研發(fā)的軟件由統(tǒng)計方法處理。為數(shù)據(jù)的收集研發(fā)的程序允許多個采集參數(shù)(圖1)的調(diào)節(jié)，這些參數(shù)中有積分時間(ms)，即在向程序發(fā)送關于光譜的信息之前迷你光譜儀獲得光的時間間隔(1)。其還允許修改程序進行的收集的數(shù)量，以通過平均計算組成單個光譜O)；這在噪聲減少中是有用的過程。還存在矩形函數(shù)(boxcar)調(diào)節(jié)(3)，其控制程序施加的光譜的平滑強度。主屏幕中的另一類可調(diào)元件關于收集到的光譜的可視化。能夠確定以nm(4)和強度極限( 用任何單位表現(xiàn)在屏幕上的波長下限和波長上限。還能夠使一個或多個收集到的光譜可視化，以及稍后將其從屏幕中去除(6)。在這種情況下，光譜以不同的顏色表現(xiàn)，并且用戶具有接受或禁用自動生成的子標題的選擇(7)。在屏幕中存在多于一個光譜的情況下，用戶必須指定哪個光譜必須保存在數(shù)據(jù)庫中(8)。然而，為了保存光譜，必須提供其描述(如產(chǎn)生該光譜的激發(fā)屬性(9))，以及分析樣本的描述。關于樣本的必要數(shù)據(jù)為砧木品種(10)和株冠品種(11)、正在感染植物的疾病(1 以及其來源的地方(1 。用于這些情況中的每一個的該組選擇能夠通過點擊相應區(qū)域的右側按鈕來編輯。還存在必須由用戶本人填寫的關于樣本的數(shù)據(jù)場地編號(14)，街道編號(15)， 以及編號數(shù)(16)，其識別植物和樣本(18)的收集日期。樹葉的編號(17)由程序自動分配 (attribute)，以在存在來自同一棵植物的多于一個樣本的情況下避免混淆。光譜獲取的日期(19)也被自動地登記。程序還允許登記用戶關于所討論的樣本可能需要做的附加觀察 (20)。通過采集屏幕，用戶還能夠開始或者中斷數(shù)據(jù)在屏幕中的即時可視化(21)，存取迷你光譜儀的配置(22)，最后將當前選擇的光譜連同相應區(qū)域中的插入信息保存在數(shù)據(jù)庫中。存儲的數(shù)據(jù)的分析(圖2)必須由用戶選擇的名稱04)來識別。這還必須選擇要在分析中使用的光譜范圍(25)，并指定要考慮的十進制分隔符的數(shù)量06)。還存在選擇與每個波長相關聯(lián)的標準偏差的極限值的選項，標準偏差低于該極限的變量被丟棄，以避免出現(xiàn)除以零07)。通過在兩個波長之間建立對于程序考慮所需的最小的差作為獨特變量 (觀)，避免了另外的問題。這防止了由程序進行的波長值的四舍五入的任何偶然最小差導致分析中的錯誤。還存在用于用戶登記關于所討論的分析的觀察數(shù)據(jù)的可用區(qū)域09)。能夠選擇在屏幕中視覺化的光譜(31)，以選擇是否通過使用不同的顏色(33) 來區(qū)分它們，從而從分析中排除選定光譜(32)，或者以與其他程序兼容的格式將其輸出 (37)?？捎玫姆治鲂袨?proceding)是計算最大點的強度與最小點的強度的商和PCA。 在第一種情況下，用戶能夠選擇兩個間隔的極限，其中將計算將用于指數(shù)(index)確定的最大(或最小)點(30)，并且還能夠圖形可視化結果(35)。在第二種情況下，用戶必須選擇三個主要的成分(34)，以使含有它們的三維圖形可視化(37)。這樣，獲得了三維圖形(圖3)，其具有將不同種類的樹(健康的(38)、有癥狀的 (40)和無癥狀的(39))分開的塊和具有每個樣本類型的特征信息的數(shù)據(jù)庫。2-分類軟件一使用機器學習的工具、統(tǒng)計和/或數(shù)學和數(shù)據(jù)庫，開發(fā)了分類模型。在圖4中，顯示樹葉診斷的窗口用Gl)表示。對于剛剛保存的光譜和根據(jù)先前產(chǎn)生的分類器的標準提供的診斷，分類實際上是即時的。連同結果一起，屏幕顯示進行的診斷的置信度的估算值(41)。用戶具有在任何時刻將正在使用的分類器改為程序的數(shù)據(jù)庫中可用的另一個分類器的選項。03-果園評價一收集果園中每稞樹的至少三片樹葉。對樹木進行地理參照，以提供傳染圖的構造。測量樹葉的發(fā)射光譜，并且通過產(chǎn)生的收集樹葉的診斷的流行程度 (prevalence)獲得每棵樹的報告。這樣，每個進行了地形參照的樹都具有報告，并且能夠構建傳染圖。在“Cravo”酸橙砧木的“pgi a”橙的1000棵樹的場地上利用新的裝置和方法進
行的實驗中，獲得了高于80%的正確結果的指標，甚至是在無癥狀的樹中。示例在圖6的圖形中，示出了對于“Cravo”酸橙砧木的Hamlin在具有561nm激光的便攜式系統(tǒng)中獲得的典型光譜。這組樣本代表健康的植物(59)、具有衰退(60)、具有柑橘屬植物突然死亡(61)、具有無癥狀青果病(6 和有癥狀青果病(63)。如圖7所示，為了更好地區(qū)分疾病，利用整組所收集的樹葉的數(shù)據(jù)進行PCA分析， 其含有相同類型的樣本健康的(64)、具有CSD(65)、具有衰退(66)、具有無癥狀青果病 (67)和有癥狀青果病(68)。從這組數(shù)據(jù)構建軟件，其分類模型能夠以高于80%的精度進行“Cravo”酸橙砧木的Hamlin樹葉的診斷。
權利要求
1.一種用于診斷高等植物的疾病和應激的方法，其中使用譜測量，所述方法由下列步驟組成a)校正分類軟件，收集來自染病樹木的至少150片樹葉和來自健康樹木的150片樹葉的發(fā)射光譜；b)收集來自要分析的果園的每棵地理參照樹的至少03片樹葉；c)檢測和測量在(b)中收集的所有樹葉的熒光發(fā)射光譜；d)分析在(c)中產(chǎn)生的光譜；以及e)產(chǎn)生每棵樹的報告；f)基于坐標和在每棵樹的報告中，構建所述果園的健康狀態(tài)圖。
2.根據(jù)權利要求1所述的用于診斷高等植物的疾病和應激的方法，其中所述方法用于診斷柑橘屬植物的青果病。
3.根據(jù)權利要求2所述的方法，其中所述方法用于診斷具有株冠和砧木的不同組合的柑橘屬植物的青果病。
4.根據(jù)權利要求1所述的方法，其中所述方法用于精心制作所述果園的健康圖。
5.根據(jù)權利要求1所述的用于診斷高等植物的疾病和應激的方法，其中通過迷你光譜儀衍射和檢測信號。
6.根據(jù)權利要求1所述的用于診斷高等植物的疾病和應激的方法，其中利用機器學習的工具進行系統(tǒng)的預先校正。
7.根據(jù)權利要求1所述的用于診斷高等植物的疾病和應激的方法，其中所述方法使用所述系統(tǒng)專用的分類軟件。
8.根據(jù)權利要求1所述的用于診斷高等植物的疾病和應激的方法，其中所述熒光光譜的變化反映植物的組成部分的化學成分的變化結果。
9.根據(jù)權利要求8所述的用于診斷高等植物的疾病和應激的方法，其中所述組成部分是發(fā)熒光的。
10.根據(jù)權利要求9所述的方法，其中所述發(fā)熒光的組成部分是所述植物的光合色素。
11.根據(jù)權利要求9所述的方法，其中所述發(fā)熒光的組成部分主要是葉綠素a和b以及一些輔助色素，如類胡蘿卜素和葉黃素。
12.根據(jù)權利要求1和2所述的用于診斷高等植物的疾病和應激的方法，其中所述樹葉在600至800nm的波長下發(fā)熒光。
13.根據(jù)權利要求1和2所述的用于診斷高等植物的疾病和應激的方法，其中用于診斷青果病的波長為大約561nm。
14.一種用于診斷高等植物的疾病和應激的裝置，所述裝置包括激發(fā)源、激發(fā)光纜、可調(diào)濾光器、光纖適配器、混合光纜、探針、發(fā)射光纜、迷你光譜儀以及數(shù)據(jù)處理分類軟件。
15.根據(jù)權利要求14所述的用于診斷高等植物的疾病和應激的裝置，其中熒光激發(fā)源是燈泡、LED或激光器。
16.根據(jù)權利要求14所述的裝置，其中熒光激發(fā)源發(fā)射在紫外線范圍直至可見光QOO 至700nm)的輻射。
17.根據(jù)權利要求14所述的裝置，其中激發(fā)光通過光纖被導向樹葉。
18.根據(jù)權利要求14所述的裝置，其中通過光纖進行信號捕捉。
19.根據(jù)權利要求14所述的裝置，其中通過衍射光柵衍射信號。
20.根據(jù)權利要求14所述的裝置，其中診斷和分析軟件使用機器學習、統(tǒng)計和/或數(shù)學模型。
21.根據(jù)權利要求14所述的裝置，其中所述裝置負責進行熒光發(fā)射的光譜測定測量。
22.根據(jù)權利要求14所述的裝置，其中所述混合光纜包括激發(fā)光纖和光纖以捕捉發(fā)射。
23.根據(jù)權利要求22所述的裝置，其中所述混合光纜包括6根激發(fā)光纖和1根光纖以捕捉發(fā)射。
24.根據(jù)權利要求14所述的裝置，其中信號的檢測通過校正的光電二極管的陣列發(fā)生。
25.—種系統(tǒng)，其中根據(jù)權利要求1所述的方法與根據(jù)權利要求14所述的裝置相關聯(lián)地使用，用于通過熒光發(fā)射的譜測量來診斷高等植物的疾病和應激。
全文摘要
本發(fā)明涉及快速診斷高等植物的應激和疾病的方法、裝置和系統(tǒng)。所提出的方法基于以下假設，即當植物處于失衡狀態(tài)時，其新陳代謝存在變化，導致其器官的化學成分變化。該化學變化導致樹葉的物理性質(zhì)如熒光性的變化。由于樹葉材料的復雜性，本發(fā)明的方法提出了用統(tǒng)計方法來處理信號以及通過基于機器學習的軟件來進行分類。作為本發(fā)明的應用的示例，顯示了對于柑橘屬植物的青果病的結果。當前，因為沒有治療方法對其可用，并且由于其高散播率以及其影響所有品種的橙樹的事實，青果病是最嚴重的柑橘屬植物疾病；是通過視覺檢查進行的診斷，其帶來高主觀性、高誤差百分率，并且疾病僅僅在癥狀表現(xiàn)后(～8個月)才被診斷。在無癥狀階段期間，被感染的樹木是疾病的散播源。本發(fā)明能夠以高于80％的正確診斷百分率根據(jù)樹葉進行青果病的無癥狀診斷。
文檔編號G01N21/64GK102405405SQ200980157218
公開日2012年4月4日 申請日期2009年10月14日 優(yōu)先權日2008年12月15日
發(fā)明者A·F·扎吉, A·L·維南西奧, D·M·B·P·米洛里, E·J·弗賴拉, L·M·尼托 申請人:巴西農(nóng)業(yè)研究公司