基于光譜成像技術(shù)的植物葉部病害檢測研究.pdf

1、植物病害是指植物在生物或非生物因素的影響下，發(fā)生的形態(tài)、生理和生化上的病理變化，會阻礙植物正常生長、發(fā)育和結(jié)果的進程。精細化管理是全球農(nóng)業(yè)發(fā)展的必然趨勢，其技術(shù)基礎(chǔ)是農(nóng)田信息的獲取。其中如何快速實時獲取植物病害信息，是實現(xiàn)農(nóng)業(yè)精細化管理，提高農(nóng)業(yè)產(chǎn)量的關(guān)鍵問題。
　　本文以果蔬植物（番茄、草莓）為研究對象，利用高光譜成像技術(shù)和熒光成像技術(shù)，選擇容易在南方濕熱地區(qū)傳播的葉部病害（黃化曲葉病、晚疫病、輪紋病、瘡痂病和炭疽病），通過連續(xù)

2、4年（2012～2015年）的試驗研究，實現(xiàn)了植物葉部病害的實驗室和田間檢測，包括4類侵染性葉部病害葉片的早期檢測和病害不同程度的分類。重點研究了基于葉片的光譜、紋理和葉脈特征的檢測理論，實現(xiàn)了以此三類特征為依據(jù)的無病癥黃化曲葉病葉片的早期檢測。基于實驗室內(nèi)的理論研究，提出了田間環(huán)境下基于光譜特征的葉部病害檢測方法，搭建了田間光譜數(shù)據(jù)采集裝置并實現(xiàn)了田間炭疽病葉片的早期檢測和不同病害程度炭疽病葉片的分類。植物病害的精細化管理，對提高南方

3、果蔬的產(chǎn)量和品質(zhì)具有重要意義。本文得出的研究方法及結(jié)論為其他同類植物及其葉部病害的快速實時診斷奠定了較為扎實的理論基礎(chǔ)。
　　主要內(nèi)容和結(jié)論為:
　　(1)基于光譜特征的植物葉部病害的檢測。
　　應(yīng)用高光譜技術(shù)，在實驗室環(huán)境下采集了黃化曲葉病番茄葉片的反射光譜(400～1000nm)，對葉片層面運用植被指數(shù)(vegetation indices，VI)，提出了兩類光譜特征的計算方法，結(jié)合二元線性回歸（binary lo

4、gestic regression，BLR），對比了兩類光譜特征病害葉片的檢測效果。結(jié)果表明:結(jié)合近紅外波段的波長的光譜特征（720/840nm和NBNDVI），可以將健康和病害葉片的檢測準(zhǔn)確率均提高到85％以上。以番茄黃化曲葉病為例，提出了一種光譜特征的提取計算方法，并實現(xiàn)了基于光譜特征的植物葉部病害的檢測。
　　(2)基于光譜特征的植物葉部不同病害程度的分類。
　　應(yīng)用高光譜技術(shù)，在實驗室環(huán)境下采集了感染不同種類病害（晚

5、疫病、輪紋病和瘡痂?。┑姆讶~片的反射光譜，以光譜數(shù)據(jù)預(yù)處理-光譜特征計算-分類算法分類的光譜分析技術(shù)路徑，利用主成分分析法(principal component analysis，PCA)對光譜特征進行篩選、組合，并比較了不同組合下K最鄰近法(K nearnest neighbor，KNN)對病害不同病害程度的葉片進行分類。結(jié)果表明:采用光譜特征和PCA-KNN算法的分類方法，基于不同的光譜特征組合的最優(yōu)結(jié)果中，健康葉片、病害早期葉

6、片和病害晚期葉片的分類準(zhǔn)確率均可以達到100％，對4類葉片的分類準(zhǔn)確率和總分類準(zhǔn)確率最高均高于90％。在實現(xiàn)病害檢測的基礎(chǔ)上，進一步以番茄晚疫病、輪紋病和瘡痂病三種不同病害程度的葉片為對象，實現(xiàn)了基于光譜特征的植物不同病害程度的分類。
　　(3)基于圖像紋理特征的植物葉部病害的檢測。
　　在前期基于光譜特征的植物病害檢測的基礎(chǔ)上，進一步重點研究了基于圖像紋理特征的植物病害檢測方法。提取了特征波長和波長比值的圖像，采用掩膜法分

7、割背景提取葉片部位，分析了葉片部位圖像的灰度直方圖和全部樣本的平均灰度值分布情況，運用了灰度共生矩陣（grey level co-occurrence matrix，GLCM）提取葉片圖像的紋理特征，將Lenven檢驗選出的具有顯著性差異的紋理特征作為分類算法的輸入值，比較了ROC-約登指數(shù)法、K最鄰近法（K nearnest neighbor，KNN）和逐步判別分析法(stepwise discriminant analysis，SD

8、A)3種算法的檢測效果。結(jié)果表明:受黃化曲葉病毒感染的葉片的灰度直方圖中存在兩個峰值，病害葉片灰度圖像平均灰度值的分布比健康葉片灰度圖像的更分散;3類分類算法中，ROC-約登指數(shù)法取決于單一的特征參數(shù)而缺乏唯一性，且該方法對于特征參數(shù)的評價標(biāo)準(zhǔn)較高，其結(jié)果受特征參數(shù)的影響較大;KNN算法的準(zhǔn)確率較高(91.2％～100％)，且該算法受特征參數(shù)的影響較其他兩者更低;在SDA算法的計算過程中需要不斷篩選、添加特征參數(shù)，從而綜合各個特征參數(shù)的

9、優(yōu)缺點，得到最優(yōu)結(jié)果，因而其分類準(zhǔn)確率最高(100％)，但是同時存在計算過程復(fù)雜、耗時等缺陷。以番茄黃化曲葉病為例，實現(xiàn)了基于圖像紋理特征的植物葉部病害的檢測，其中SDA算法的準(zhǔn)確事最高，KNN算法受特征參數(shù)的影響較低，且該方法彌補了基于光譜特征方法中的感興趣區(qū)域的限制性。
　　(4)基于葉脈特征的植物葉部病害的早期檢測。
　　在光譜分析中發(fā)現(xiàn)了病害葉片的“紅邊移動”現(xiàn)象，創(chuàng)新性地提出了基于葉綠素?zé)晒獬上竦狞S化曲葉病早期檢測

10、分析方法。用430 nm的光源激發(fā)葉片葉綠素?zé)晒?，采?90 nm波段的葉綠素?zé)晒鈭D像。運用自動迭代閾值法分割背景，提出了擊中/擊不中變換(hit ormiss transiformation，HMT)和灰度共生矩陣（grey level co-occurrence matrix，GLCM）結(jié)合的葉脈特征的提取方法，通過受試者工作特征曲線(receiver operating characteristic，ROC)及曲線下的面積(are

11、a under the curves，AUC)篩選紋理和葉脈特征，并比較了篩選前后K最鄰近法（K nearnest neighbor，KNN）、Fisher判別分析法(Fisher discriminant analysis，F(xiàn)DA)和二元線性回歸法(binary logestic regression，BLR)3種算法的檢測效果。結(jié)果表明:基于葉脈特征的KNN算法解決了基于紋理特征的健康葉片的分類問題，其分類準(zhǔn)確率為90.9％。以番茄

12、黃化曲葉病為例，提出了一種計算葉脈特征的方法，可以實現(xiàn)植物葉部病害的早期檢測，同時引入KNN算法的葉脈特征的檢測方法克服了基于紋理特征對健康葉片分類存在的問題。
　　(5)田間環(huán)境下植物葉部病害的早期檢測和不同病害程度的分類。
　　基于實驗室研究的基礎(chǔ)，搭建了基于高光譜技術(shù)的田間試驗設(shè)備，運用同一設(shè)備分別在田間和實驗室環(huán)境下采集了草莓炭疽病葉片的反射光譜，計算葉片的光譜特征，采用判別分析法評價了田間和室內(nèi)光譜數(shù)據(jù)的分布情況，

13、比較了田間數(shù)據(jù)集中K最鄰近法(Knearnest neighbor，KNN)、逐步判別分析法(stepwise discriminant analysis，SDA)和Fisher判別分析法(Fisher discriminant analysis，F(xiàn)DA)3種算法對田間采集葉片的分類效果，并與實驗室環(huán)境下該方法的檢測效果進行了對比。結(jié)果表明:在田間數(shù)據(jù)集中，3種分類算法對健康葉片的檢測準(zhǔn)確率均一般，但是對兩類病害葉片進行分類時，基于平衡