基于高光譜成像的病蟲害識別研究*
——以“柑橘”為例

譚明 周潤苗 龐小寧 曾佳瑤 柳春波 張樹帆

(湖南應用技術學院,湖南常德 415101)

0 引言

我國是農業大國,農業是經濟發展的重頭戲,南方水果種植是產業發展重要項目之一,其中柑橘在我國南方水果種植產量中占有舉足輕重的地位。病蟲害是影響柑橘生長的主要因素之一,嚴重的病蟲害威脅到柑橘的產量,造成大額損失,所以解決病蟲害是提高柑橘產量最迫切需要解決的問題。病蟲害最顯著的特點是,種類多,影響大且長期發生。當柑橘出現較嚴重病蟲害時,容易造成減產甚至絕收從而影響農民的收入并且對相應地區的經濟發展有一定的阻礙。

本實驗通過高光譜成像技術能夠早期預測植物病蟲害的程度,將高光譜成像技術與小程序結合實現病蟲害識別的觸手可及。這樣能大大提高農林工作者的工作效率,真正做到了植物病蟲害的早防早治,降低不必要的經濟損失,甚至對于一些科研人員也是有很大幫助的。

1 材料與方法

1.1 實驗材料

在湖南省常德市石門縣,選擇3～5年生的石門柑橘作為實驗材料。采集有柑橘潰瘍病發病果實的葉片和沒有發病果實的葉片作為實驗樣本。采集35株不同發病程度果樹上的葉片,每一株采集10片左右的葉片,一共采集350片。采集15株未發病果樹的葉片,每一株采集10片左右的葉片,共150片。采集后用去離子水清洗葉片并擦干,裝自封袋并標號,壓平整后采集高光譜圖像[1]。

1.2 高光譜成像系統

高光譜成像系統主要部件有高分辨率光柵光譜儀、CCD攝像機、一維電移臺、暗箱等。光柵分光技術與CCD影像技術結合能夠快速的獲取影像光譜,由于面陣探測器每幀圖像數據就是一個水平方向的光譜數據,一維電移臺的運動以一定速率連續記錄光譜圖像,就可獲取二維光譜圖。

1.3 圖像采集

采集高光譜圖像數據之前要對參數進行調整,以保證圖像清晰并避免失真。最終確定曝光時間為50ms,圖像采集速度為3.24mm/s,掃描距離200mm。將樣品放置在一維電移臺上,使得樣品與攝像機的垂直方向做縱向掃描,達到掃描距離后拿到樣品的光譜信息值。完成圖像采集。

1.4 黑白標定

為避免光照不均勻和暗電流導致圖像的噪聲過大,為減少噪聲影響使用黑白標定方法得到矯正后的圖像。蓋上攝像機鏡頭掃描全黑圖像得到全黑標定數據,掃描全白圖像獲得全白數據[2]。

根據以下公式得到矯正后的高光譜圖像:

R表示標定后的數據;R0表示原始數據;R1表示全黑數據;R2表示全白數據。

2 高光譜測試結果與分析

2.1 特征光譜提取與分析

將獲取到的光譜圖像通過固定閾值法進行分割。特征波段內包含680個波長,使用SPSS19軟件分析尋找特征波段。

觀察柑橘潰瘍病害區域每個像素點的不同波長下的光譜信息,為了使樣本感興趣區域(ROI)更具有代表性,每個ROI由80～100個像素點組成[3]。450～690nm光譜反射率逐漸升高,在690～720升高速度加快。這是由于距離病斑中心越近,葉綠素含量越來越少。反射率變高。720～850nm逐漸緩慢,850～1000nm趨于平穩。

2.2 特征波段主成分分析

對有潰瘍病和正常的兩種葉片的光譜值進行馬氏距離計算,馬氏距離值越大表示表示此波段兩種葉片區分度越高[4]。選取的特征波長點為:410.1nm、510.9nm、575.4nm、600.88nm、695.05nm、732.56nm、740.04nm、940.5nm、960.62nm、998.97nm。實驗結果可知510.9nm、575.4nm、600.88nm、998.97nm波長點的兩種葉片區分程度高。

2.3 Fisher線性判別分析

Fisher線性判別的主要步驟是將各類葉片訓練集光譜進行歸一化處理,計算各類的類內離散度以及各類總離散度。在葉片測試集光譜中進行歸一化處理投影并根據門限判斷測試集類別。

Fisher判別的基本思路就是投影,針對N維空間中的某點x=(x1,x2,x3,…,xn)尋找線性函數y(x)使它降為一維數值[5]。

實驗過程中使用Fisher判別分析,用來確定所選擇的特征波長光譜反射率是否可用于潰瘍病的識別。通過SPSS19軟件樣本進行判別類別分析[6],得到判別系數如下表1所示。

表1 Fisher線性判別系數Tab.1 Fisher linear discriminant coefficient

潰瘍病對應的判別方程:

圖1 判別分析散點圖(紅色區域為有潰瘍病,綠色區域正常)Fig.1 Scatter diagram of discriminant analysis(red area is ulcerative disease, green area is normal)

Y=422.562X1-40.068X2-83.362X3-183.055X4+31.300X5-726.303X6-520.059X7-618.244X8-101.227X9+309.541X10

(X1、X2、X3、X4、X5、X6、X7、X8、X9、X10分別表示病斑在410.1nm、510.9nm、575.4nm、600.88nm、695.05nm、732.56nm、740.04nm、940.5nm、960.62nm、998.97nm處的光譜反射率)

判別分析散點圖如圖2所示:

將10個預測樣本代入方程式,預測結果均為正確判別。所以說明所選的特征波段光譜反射率可用于柑橘潰瘍病的識別。

3 高光譜成像系統與小程序

將高光譜系統測試后的特征波段的數據上傳到小程序數據庫中用于判別當前植物有哪種病害。以柑橘為例,柑橘常見的病害有潰瘍病、黃龍病等。將有這些病癥的柑橘的葉片通過高光譜成像系統檢測,獲取特征波段,建立數據庫并將數據特性保存。

開發一款小程序,將獲取到的有數據特征的數據庫上傳到云開發中的云數據庫里面。編寫相關代碼,判別當前數據內容屬于柑橘的何種病癥,并輸出病癥的相關信息。

通過實驗獲取不同植物的不同病害的特征波段的信息,建立判別模型。高光譜成像系統就可以應用于很多植物的病害檢測。

4 結論與展望

(1)本文基于高光譜成像系統利用主成分分析法和Fisher判別法對正常果樹葉片和潰瘍病果樹葉片進行判別分析,識別效果高。將判別后的光譜波段保存到云數據庫中可通過小程序調用。

(2)本實驗處于實驗的研究階段,其中基于高光譜系統采集到的數據量大,處理時間長。因為柑橘的病癥有很多種,有些病癥的光譜信息可能并不適合使用某種判別法,數據的處理方式可能要分為多種。如需要實現在線檢測,仍需要優化。通過實驗,本文得到了4個特征波長用于柑橘潰瘍病的類別識別。其中可見光波段3個(510.9nm、575.4nm、600.88nm),近紅外光波段1個(998.97nm)。基于這些特征波段進行特征波段主成分分析,克服了通常單次主成分分析中由于存在較多的波段而無法使用這種方法應用于在線檢測的弊端[7]。

(3)利用高光譜圖像識別技術可以較好地識別柑橘潰瘍病,但設備昂貴。所以如果要在普通果農中推行,需要開發出能適用于田間的光譜系統。