基于光谱和图像处理技术的病害检测研究及应用数字图像处理论文计算机论文.docx

基于光谱和图像处理技术的病害检测研究及应用数字图像处理论文计算机论文.docx

《基于光谱和图像处理技术的病害检测研究及应用数字图像处理论文计算机论文.docx》由会员分享，可在线阅读，更多相关《基于光谱和图像处理技术的病害检测研究及应用数字图像处理论文计算机论文.docx（7页珍藏版）》请在冰豆网上搜索。

基于光谱和图像处理技术的病害检测研究及应用数字图像处理论文计算机论文

基于光谱和图像处理技术的病害检测研究及应用-数字图像处理论文-计算机论文

——文章均为WORD文档，下载后可直接编辑使用亦可打印——

　　引言

　　随着人们对农产品质量和品质要求的不断提高，大面积地毯式的农药喷洒技术已经不能满足要求，并且造成了大量的资源浪费和环境污染。

因此，近年来精准农药喷洒技术日益成为众多学者研究的重点。

　　该技术旨在保证消除病害的前提下，使得农药用量最低，以降低农药残留。

作物受到病害侵染以后，外部形态及生理效应均发生一定的变化，其图像及光谱特征与健康作物相比均存在不同程度差异，这使得光谱技术、图像处理技术、光谱成像技术在病害快速检测技术成为了可能[1];而机器视觉、光谱及高光谱成像技术能够较准确地确定病害位置甚至类别，通过计算机、光谱成像仪及相应设备，对患病害作物喷洒农药，可以使损失降到最低。

　　1病虫害检测技术概述

　　传统的病害检测是人工检测，检测者通过积累的实践经验来确定作物是否患病，甚至确定出患有哪种病害。

这要求检测人员具有较丰富的经验，对病害非常熟悉。

若检测者经验不足不但影响检测速度、增大劳动强度，而且还会造成误判和经济损失。

因此，目前已经开发出相应的病害识别专家系统来辅助人工识别。

光谱技术对检测作物病害的生化信息具有较好的效果，它能够直接反映分子内部结构及运动状态。

　　因其采集到的光波段是肉眼不能感知的，从而使得光谱技术采集的样本信息量增加。

光谱仪器能够感知的波段范围包括紫外波段（0.3~0.4m）、可见波段（0.38~0.76m）、红外波段（0.7~2.5m）、热红外波段（3~14m）和微波波段（1mm~100cm）中的一个或多个。

其应用原理是基于不同的病害对不同波段光线吸收和反射光线效果也不同。

因此，光谱分析的主要任务是寻找敏感光谱段，通过统计分析确定出作物是否患有病害，甚至确定出患有哪种病害，而后将信号传递给病害防治系统，实现病害治理。

光谱技术由于其检测时间较短、准确率较高，因此被广泛地应用于工业产品无损检测及农作物在线检测的科学研究中。

　　机器视觉检测法是模仿人眼在可见光波段R（红）、G（绿）、B（蓝）3个光谱段来获取作物病害的颜色、大小、纹理及形状等特征，以达到识别病害目的。

　　其采用相机（CCD相机或COMS相机）将被检测的目标转换成图像信号，传送给专用的图像处理单元（或图像采集卡）,经图像处理软件根据像素分布和亮度、颜色等信息进行处理，转变成数字化信号，再对这些信号进行各种运算来抽取目标的特征。

典型的图像采集系统如图1所示。

　　光谱与图像处理技术相融合是目前农业领域发展的一个新热点，目前光谱成像技术越来越受到众多学者的关注。

光谱分辨率小于10nm的光谱成像技术被称为高光谱成像技术（HyperspectralImaging）,包括小尺度分析的光谱成像技术和大尺度分析的高光谱遥感技术。

高光谱成像设备在广泛的电磁波谱范围内以数十至数百个连续且细分的光谱波段对目标区域同时成像，在获得样本图像信息的同时也获得其光谱信息，真正做到了光谱与图像相结合，使得对病害识别系统更具有通用性和适用性，可以实现对作物病害的实时、早期诊断。

典型的高光谱成像系统如图2所示。

　　2基于光谱技术的病害检测研究及应用

　　基于光谱良好的光学性能，将光谱技术应用于农作物病虫害检测一直是国内外众多学者研究的热点。

　　目前，通过众学者多年研究，应用光谱技术对病害检测已经取得了一定的成果，有些成果甚至已经应用于农业生产中。

　　2.1国外研究现状

　　早在1971年，Beverly等就提出利用玉米叶片的反射光谱来检测玉米矮花叶病毒及小斑病菌的感染[2].1982年，外国学者Muir等研究了利用光谱技术对肉眼不可见的受病菌感染马铃薯块茎进行早期诊断[3].1993年，Malthus等利用地物光谱仪检测了被斑点葡萄孢子侵染的蚕豆和大豆，结果表明：

其一阶反射率能够对蚕豆和大豆病害感染情况进行监测[4].1999年，Adams等利用光谱二阶导数设计的发黄指数对大豆黄萎病病害程度进行病情评价[5].2001年，Kobayashi等利用多光谱技术实现了对水稻稻瘟病害程度的识别，通过对感染稻瘟病的幼穗期与黄熟期水稻多光谱数据进行分析，提取出稻瘟病的敏感波段为485nm和675nm[6].2002年，Rinehart等利用可见光/近红外分光镜对患硬币圆状斑病和匍匐翦股颖褐斑病一年生牧草进行了研究，结果表明：

其病害光谱反射率一阶导数在700、1400、1930nm处有明显差异[7].2003年，Bravo等通过确定可见光到近红外光波段的光谱反射率数据，对小麦黄锈病进行早期诊断[8].2003年，Steddom等通过采集甜菜丛根病高光谱遥感数据与冠层多光谱数据，并对CRI、ARI、ND-VI、RGR、VARI等植被指数进行分析，测得患有丛根病的甜菜与未患病甜菜植被指数存在显着差异[9].

　　2003-2005年，Haned和Moshou等学者利用光谱技术分别对小麦真菌病和条锈病进行了分析[10-12].2006年，Spinelli等学者将近红外光谱技术与电子鼻结合，实现了对梨树火疫病的早期诊断[13].2008年，Belasque等利用452、685、735nm光谱段实现了柑橘溃烂病的检测[14].2009年，Rayapati等利用光谱技术研究了葡萄感染卷叶病前后光谱反射数据，结果表明：

该方法是检测葡萄卷叶病的有效手段[15].2010年，Jones等学者利用可见近红外光谱技术预测番茄细菌性叶斑病严重程度[16].2011年，Sankaran等提取了柑橘黄龙病光谱敏感波段和敏感植被指数，并利用两种预测模型实现了病害鉴别，效果较好[17].2013年，Mathyam等利用近红外光谱多元逻辑模型，估计了黑豆黄色花叶病的相关色素损失和受害程度[18].

　　2013年，Cao等通过检测冬小麦冠层光谱反射率和多种光谱参数实现了小麦感染白粉病检测，发现红边峰值面积是白粉病的敏感光谱参数[19].同年，Mathyam等学者利用近红外光谱多元逻辑模型检测黑豆黄色花叶病的相关色素损失和受损程度[20].

　　2.2国内研究现状

　　在国内，利用光谱技术在作物病害检测方面的研究较国外起步较晚，作物检测方面也多为品质分析；直到20世纪90年代，光谱技术逐渐用于作物病害的相关检测，并取得了较好成效[21-22].2003年，黄木易、王纪华等国内学者利用光谱技术定性和定量地分析了不同病情指数的冬小麦条锈病冠层光谱。

试验表明：

630~687nm、740~890nm及976~1350nm为条锈病敏感光谱段[23].同年，黄木易等人又应用光谱遥感技术在不同处理条件下对冬小麦条锈病病情指数进行了分析[24].2004年，张宝棣与谭广发等利用近红外光谱技术确定水稻发病症状实现对水稻病害的诊断与防治[25-26].2007年，吴迪等学者应用可见-近红外波段的光谱信息对蔬菜灰霉病进行了早期诊断研究，还对不同程度水稻穗颈瘟的光谱预测进行了研究[27-29].同年，王圆圆、陈云浩等通过光谱分析发现：

光谱曲线中叶绿素的两个吸收谷附近和红边附近的一阶微分在预测病情指数时起着重要的作用[30].2008年，冯世杰、戴小鹏等运用光谱技术，采取支持向量机的方法对鸭梨褐变病果进行识别，识别率达到了95%以上[31].同年，王加华、韩东海等提出了直接采用可见-近红外能量光谱对苹果褐腐病、水心鉴别的方法，并且实现了较好的鉴别效果[32].

　　2009年，任先培、刘刚等利用光谱技术对病害烟叶和正常菜叶进行了研究，结果显示此检测方法具有准确、方便及快速等优点[33-34].2010年，孙红、李民赞利用光谱技术实现了水稻稻纵卷叶螟虫害检测，通过分析田间水稻稻纵卷叶螟虫害区和对照区冠层反射光谱和一阶微分光谱特征差异发现：

在可见光区（400~700nm）,550nm附近中度受害水稻冠层反射率明显低于对照冠层反射率值，重度受害水稻冠层反射率则高于对照区冠层反射率[35].同年，竞霞、王纪华等学者通过分析感染不同病情程度的黄萎病棉花光谱特征，筛选出了黄萎病敏感光谱段，并构建了基于光谱特征吸收参量的病情严重度评估模型[36].

　　3基于图像处理技术的病害检测研究及应用

　　机器视觉包括三位空间信息获取、识别和分析等过程，是计算机学、光学、自动化、人工智能和模式识别等技术的有机结合[37].机器视觉是采用可见波段来获取农产品病害的纹理、形状、大小、颜色等特性，通过图像处理技术对其进行提取，以识别病虫害。

由于获取的对象图像中含有大量的适应性和鲁棒性信息[38],使其在农业工程领域得以广泛应用。

　　3.1国外研究现状

　　自20世纪60年代至今，以图像处理技术为基础的机器视觉机器视觉技术取得了长足发展；特别是80年代后，由于计算机技术、传感器技术等高速发展，以及人们对自动识别的深入研究，促进了机器视觉技术逐步走向成熟。

机器视觉于20世纪70年代末期应用于农业生产中，主要进行农产品品质检测、在线分级及作物种类的鉴别等[39-41],如水果、鸡蛋、马铃薯、黄瓜、玉米和茶等通过识别其大小、形状、纹理及颜色信息进行检测分级。

早在1986-1987年，ThomasonR.L.和GodinezP.A.分别描述了一种具有使用价值机器视觉系统，此系统能够区分不规则图像信息特征和正常图像信息特征，从而在农产品污点检测、分级和从蔬菜中去除杂物等领域得到了广泛应用[42-43].2001年，于新文等对棉铃虫图像处理中的迭代法、Johannsen法、P-参数法、Yager、Kapur法和平均值分割法进行了比较，认为迭代法更符合实际需求[44].这种把基于图像处理技术的机器视觉检测方法引入到植物生长的监测和管理中的思想为后续的深入研究奠定了基础。

2003年，El-Helly等国外学者利用图像处理方法对黄瓜病害进行分割，通过数学形态学方法提取病斑区域形状参数、矩形度、紧密度、欧拉数、圆形度及方向等形状特征参数并且进行了特征优化，利用神经网络对黄瓜病害进行识别，识别率达到了80%左右[45].2006年，Pydipati等以纹理特征作为判别依据，利用彩色共生矩阵法提取了H、I、S这3个通道图像，得到了39个纹理特征，通过所得纹理特征对柑桔疮痂病、树脂病等病害叶片进行识别[46].2008年，Wijekoon等学者利用图像处理将多种作物真菌病害的叶片病斑面积进行了量化，通过识别病斑确定病害[47].2009年，Gamargo等建立了一种自动辨认作物病斑的图像处理算法，并且取得了较好的效果[48].目前，利用机器视觉进行图像处理时，一般处理的是某一光谱段的灰度图像或由红（R）、绿（G）、蓝（B）3个光谱分量组成的彩色图像。

　　3.2国内研究现状

　　在国内，随着近年来国内学者不懈努力，利用以图像处理技术为基础的机器视觉检测方法得到了迅猛发展，并取得了较好的成效。

2008年，中国农业科学院学者岑？

鑫建立了计算机视觉采集系统，依托此采集系统构建了黄瓜叶部病害数字图像数据库，通过识别病斑区域图像的颜色纹理和形状进行多种病害的鉴别[49].2001年，张香琴等利用计算机图像识别技术来检测家蚕粒子病，以机器视觉来代替人工镜检，并取得了较优的检测效果[50].2006年，田有文、李成华等利用色度距离提取了日光温室黄瓜叶片病害，然后利用支持向量机分类法进行病害识别；通过比对不同的分类函数，确定线性核函数最适合病害的分类识别[51].2007年，赵玉霞、李少昆等学者利用朴素贝叶分类器的统计学习法，对灰斑病、锈病、褐斑病、小斑病和弯孢菌叶斑病等病斑图像进行了分类识别，试验结果表明：

贝叶斯分类器具有网络结构简单、易于扩展等特点，精确度达到83%,对其他的作物病害图像识有很高的借鉴意义[52].2005年，崔艳丽等人运用计算机图像处理技术对生产中的斑疹病和角斑病进行了研究，主要以颜色特征作为判别依据，通过试验发现：

色调在48~50和45~47区间内识别效果较好[53].2012年，刘军、王振中等提出一种基于彩色图像处理的作物病害识别诊断系统，该系统对黄瓜、番茄等叶部病害识别诊断在特定条件下识别效率较高，对非结构环境下的识别率还需进一步改进[54].

　　4光谱与图像处理技术相融合

　　近年来随着识别技术的不断发展，光谱成像技术与图像处理技术相融合是数字农业领域发展的一个新热点，光谱成像技术应运而生。

光谱成像技术是新一代光电探测技术，因其融合了空间和光谱信息，使其成为了各个领域科学研究的创新性尖端科技[55].光谱成像技术可以同时获得研究对象的光谱和图像信息，不但结合了机器视觉和光谱技术的优势，而且克服了机器视觉和光谱技术各自的缺陷。

机器视觉最大的缺陷是不能够反应作物病害的生化信息，从而影响其检测效果。

光谱技术能够检测农产品病害的生化信息，但只能检测样本的一部分。

这是由于作物发生病害时其空间参数分布不均匀，光谱信息不能代表整个农产品信息[56].光谱成像技术可为每个图像的像素点提供上千波长的光谱信息，同时可对农产品进行可视化表达。

　　4.1国外研究现状

　　20世纪80年代初期，美国宇航局喷气推进实验室（JPL）首先提出光谱成像技术，从此以后光谱成像技术得到了迅猛发展。

最初的光谱成像技术主要应用于军事[57];而后，随着检测技术的不断深入，特别是非结构环境下全面检测和分析受害作物冠层信息，仅仅依靠图像处理或光谱分析技术是不够的，有时需要采用多光谱成像技术，甚至高光谱成像技术。

早在2000年，Delwiche等利用高光谱成像技术和机器视觉技术区分受痂损和健康小麦籽粒，并且建立了线性判别函数[58].2004~2005年，Moshou等学者利用光谱图像结合神经网络、自组织图和二次判别分析提取出了小麦条锈病信息[59-60].2005年，Qin等学者应用多光谱图像技术对水稻纹枯病进行了检测识别，通过试验发现：

当病情指数大于35时，分类效果较好[61].

　　2005年，Zhang等学者分别利用700~750nm、750~930nm和1040~1130nm光谱段图像，通过最小噪声变换和光谱角填图实现了番茄晚疫病的无损检测[62].2008年，Qin等学者利用便携式高光谱成像系统，选择400~900nm光谱段检测柑桔溃疡病，识别准确率高达92.7%;选择553、677、718、858nm这4个光谱段用于柑桔溃疡病的自动分选[63].2009年，Sighicelli等学者利用540、680nm图像对甜橘褐变腐烂和霜霉病进行了无损检测，并取得了较好成果[].

　　4.2国内研究现状

　　近年来，由于国内学者在病虫害检测方面的研究不断深入，光谱成像技术得以蓬勃发展。

2005年，吴迪、冯雷等利用地面多光谱成像技术，通过处理茄子灰霉病的红外、红、绿3个通道图像，实现茄子灰霉病的识别检测[65].2008年，吴迪等学者利用多光谱技术处理红、绿、近红外3个波段的灰度图像，实现了茄子灰霉病的无损检测[66].2009年，冯雷、楼兵干等利用多光谱成像技术，通过近红外、红、绿3个波段提取出了受叶霉病感染的水稻叶面及冠层图像信息[67].2009年，冯洁等利用窄带多光谱成像技术在结构环境下获取了黄瓜叶面的14个可见光通道、近红外通道、全色通道的多光谱图像，对黄瓜的红粉病、白粉病、褐斑病、黑星病及霜霉病进行了识别[68].2010年，田有文等采用高光谱图像技术实现了温室黄瓜霜霉病和白粉病的无损检测，试验采集了5、551、435nm组成的RGB彩色图像；840、551、435nm组成的RGB彩色图像，以及840、840、5nm的比值和435nm组成的RGB图像。

对选出图像进行预处理后提取其叶片色度距纹理特征向量，利用支持向量机方法对病害进行诊断[69].2010年，柴阿丽等选择400~720nm光谱波段采集高光谱图像，实现了黄瓜白粉病、角斑病、霜霉病、褐斑病和无病区域的诊断，判别准确率达到了94%[70].2011年，石吉勇、邹小波等通过高光谱技术与分量法（ICA）相结合，实现了黄瓜叶片叶绿素浓度分布的快速无损检测[71].

　　5存在的问题及展望

　　随着无损检测的不断发展，特别是非结构环境下的病害检测，单纯的依靠光谱技术或图像处理技术已经很难满足生产实际的要求。

光谱与图像处理技术相结合的光谱成像技术是目前比较先进和准确高效的一种手段，不但能得到作物组织的内部物化信息，而且还能通过成像获取光谱的逐点像素信息，可比较有效地实现快速、无损检测。

但是，目前病害检测方面的研究主要存在以下几个问题：

　　1）光谱成像技术在病害检测方面的应用研究起步较晚，大多处于试验探索阶段，技术并不成熟，离实际应用还有一定距离；2）基于光谱成像技术构建的光谱图像数据库尚不完善，虽能进行初步提取，但是分类判别研究较少；3）虽然国内外学者对病害检测识别研究较深，但对病害程度、早期诊断预防研究较少；4）近年来，光谱和图像处理技术相结合的光谱成像技术病害检测系统已经研究成功，并且在结构环境下得以应用，但在实际生产中识别率较低，误识率和拒识率较高。

　　多年来，植物病理学得到迅猛发展，在保障世界粮食和食品安全方面起着重大作用，其发展主要集中在病害流行学、病原学、病害诊断与防治、分子植物病理学等方面。

其中，植物病害诊断是植物病害防控体系中最重要的方面之一。

长期以来，植物病害诊断常采用病害症状获取与病原菌显微形态鉴定相结合的方法，但近年来免疫学、分子生物学等诊断技术取得了较大发展，而信息技术、计算机技术和光谱技术等在植物病害检测方面还仅仅处于试验探索阶段，难以应用于实际生产中。

　　综上所述，出现上述问题的主要原因是：

植物病害诊断研究多以信息工作者为主体，对植物病理学知识较为缺乏，较少懂得病原。

所以，应以对植物病害症状及病原等知识有较深造诣的植物工作者为主体，与生物学、光谱学、信息学、计算机工作者密切结合，把已有的其他学科领域较为成熟的理论和经验引入到作物病害检测诊断领域中来。

同时，应把光谱和图像处理技术相融合的光谱成像技术作为未来研究的重点，加强对病害的早期诊断及预防，使病害损失降到最低。

另外，需要寻找最优算法，构建数据库，使作物的数字化诊断研究更具有实用性，更好地应用于生产实践。