光譜成像技術(shù)在作物病害檢測(cè)中的應(yīng)用進(jìn)展與趨勢(shì)

白雪冰, 余建樹(shù), 傅澤田, 張領(lǐng)先, 李鑫星

中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院食品質(zhì)量與安全北京實(shí)驗(yàn)室， 北京 100083

引 言

光譜成像技術(shù)集成了傳統(tǒng)成像技術(shù)和光譜學(xué)方法的優(yōu)勢(shì)， 能夠同時(shí)獲取目標(biāo)的空間信息和光譜信息。 根據(jù)光譜分辨率、 波長(zhǎng)范圍和連續(xù)性， 光譜成像技術(shù)可分多光譜、 高光譜和超光譜[1]。 對(duì)光譜圖像信息的處理主要是將光譜圖像轉(zhuǎn)化成數(shù)據(jù)矩陣， 用計(jì)算機(jī)進(jìn)行分析， 并代替人腦完成處理和解釋。 光譜成像技術(shù)研發(fā)的初衷是為了增強(qiáng)遙感在氣象、 地質(zhì)和軍事領(lǐng)域的應(yīng)用[2]。 光譜成像技術(shù)作為一種無(wú)損、 直觀、 快速的檢測(cè)方法， 在作物病害識(shí)別領(lǐng)域的研究成為近六年的研究熱點(diǎn)。

據(jù)聯(lián)合國(guó)糧農(nóng)組織統(tǒng)計(jì)， 因作物病害導(dǎo)致農(nóng)作物減產(chǎn)年均高達(dá)10%[3]。 我國(guó)每年作物病害爆發(fā)的耕種面積均高于3.5億km2， 造成難以估量的經(jīng)濟(jì)損失[4]。 傳統(tǒng)的病害診斷方法主要依靠作物專(zhuān)家的經(jīng)驗(yàn)， 具有較強(qiáng)的主觀性； 而利用理化實(shí)驗(yàn)檢測(cè)作物病害較為客觀準(zhǔn)確， 但是檢測(cè)環(huán)境局限性強(qiáng)[5]。 光譜成像技術(shù)的特點(diǎn)與作物病害診斷快速、 直觀、 無(wú)損等需求的契合， 成為光譜成像技術(shù)在作物病害領(lǐng)域深入研究與廣泛應(yīng)用的基礎(chǔ)。

本文簡(jiǎn)述了光譜成像技術(shù)的特點(diǎn)和局限性， 重點(diǎn)聚焦在光譜成像技術(shù)在作物病害診斷中的研究進(jìn)展， 分別從光譜圖像分割、 特征信息提取和作物病害識(shí)別三個(gè)方面分析了光譜成像技術(shù)的應(yīng)用現(xiàn)狀及存在的問(wèn)題。 最后展望了光譜成像技術(shù)在作物病害領(lǐng)域的研究趨勢(shì)。

1 作物病害光譜成像檢測(cè)技術(shù)概述

基于光譜成像的作物病害診斷方法可以同時(shí)獲取病害的圖像信息和光譜信息， 在大幅度降低了作物病害診斷成本同時(shí)提高了診斷效率， 具備無(wú)損、 直觀、 實(shí)時(shí)和準(zhǔn)確性。 但是作為一種新興技術(shù)， 光譜成像技術(shù)在作物病害領(lǐng)域的應(yīng)用依然存在局限性。

1.1 技術(shù)特點(diǎn)

(1) 無(wú)損性。 傳統(tǒng)的理化檢測(cè)會(huì)嚴(yán)重?fù)p害作物的葉片， 影響作物正常生長(zhǎng)， 因此無(wú)損檢測(cè)是作物病害診斷領(lǐng)域迫切需求的診斷方式。 光譜成像檢測(cè)技術(shù)獲取病害圖像信息和光譜信息的同時(shí)， 并不會(huì)對(duì)作物造成損傷， 為作物病害無(wú)損檢測(cè)提供了實(shí)現(xiàn)基礎(chǔ)。

(2) 直觀性。 光譜成像獲取的并非傳統(tǒng)的RGB圖像或某一點(diǎn)的光譜信息， 而是一個(gè)數(shù)據(jù)立方。 在獲取的圖像上對(duì)每個(gè)像素解析光譜維度上的信息， 不僅能直觀觀測(cè)圖像的空間信息， 同時(shí)可以獲取目標(biāo)像素點(diǎn)的光譜信息。

(4) 準(zhǔn)確性。 由于不同病害對(duì)光的吸收作用不同， 在病害的光譜反射率曲線(xiàn)中出現(xiàn)吸收峰的波段也不盡相同。 根據(jù)患病區(qū)域的光譜反射率和圖像特征(形狀、 顏色、 紋理)識(shí)別病害具有較高的準(zhǔn)確率。 例如， AlSuwaidi等[8]提出的紋理特征增強(qiáng)光譜分析框架對(duì)不同作物病害表現(xiàn)出高精度的診斷結(jié)果。

1.2 技術(shù)局限性

(1) 復(fù)雜背景。 從田間或溫室實(shí)地采集的作物病害光譜圖像一般具有復(fù)雜的環(huán)境背景， 空間信息中包含較多的干擾物質(zhì)， 增加了光譜圖像信息分析的難度。 大多數(shù)研究采用手動(dòng)刪除背景[9]或在患病葉片下放置純色背景板[10]。

(2) 光照條件。 相比實(shí)驗(yàn)室的理想環(huán)境， 光譜圖像實(shí)地采集環(huán)境較為惡劣， 采集時(shí)間的不同、 天氣狀況的差異都會(huì)對(duì)光譜圖像采集結(jié)果造成影響。 Guo[11]和Ye[12]等利用機(jī)器學(xué)習(xí)建立自然光照條件下小麥和玉米葉片病害的可見(jiàn)光譜圖像分割模型， 雖然獲得較好的結(jié)果， 但是依然存在較大的局限性。

(3) 拍攝角度。 目前對(duì)作物病害光譜圖像的最佳采集角度尚無(wú)定論， 大多數(shù)研究認(rèn)為葉片垂直于圖像傳感器的中心軸是最理想采集條件， 因?yàn)槿咏嵌葍A斜可能會(huì)導(dǎo)致病斑特征信息變化。 但Oberti等[13]研究表明取樣角度在40°～60°之間最適宜于葡萄葉片白粉病的特征信息分析。

2 作物病害光譜成像檢測(cè)關(guān)鍵技術(shù)

基于光譜成像的作物病害診斷方法主要涉及到圖像分割技術(shù)、 光譜特性及空間特征提取技術(shù)和分類(lèi)識(shí)別技術(shù)。 首先， 從光譜圖像中分割出患病區(qū)域； 然后， 分析病斑的空間信息特征和光譜信息特征； 最后， 基于作物病害特征建立分類(lèi)器診斷病害類(lèi)型。

2.1 光譜圖像分割

光譜圖像分割的目標(biāo)是將病斑區(qū)域從實(shí)地采集的作物病害光譜圖像中分割出來(lái)， 分割結(jié)果的準(zhǔn)確性直接影響病害空間特征和光譜特征的分析結(jié)果。 利用圖像分割技術(shù)獲取作物病斑的難點(diǎn)在于： a平衡光譜圖像質(zhì)量， 像素較低無(wú)法完整分割病斑， 像素過(guò)高會(huì)降低運(yùn)行效率； b混淆病斑與類(lèi)病斑， 將顏色或形狀類(lèi)似于病斑的背景誤分割； c分割粉狀形態(tài)的病害時(shí)， 病斑邊緣信息較難保留。 目前較為成熟的作物病害分割算法包括聚類(lèi)分析、 邊緣檢測(cè)、 閾值以及形態(tài)學(xué)等， 它們?cè)趫D像分割中各有優(yōu)劣， 如表1所示。

表1 光譜圖像分割技術(shù)特點(diǎn)分析

邊緣檢測(cè)技術(shù)是獲取光譜圖像中變化顯著的點(diǎn)， 將這些點(diǎn)擬合的輪廓組成分割區(qū)域， 從而大幅度提出冗余信息， 保留目標(biāo)區(qū)域的結(jié)構(gòu)屬性， 適用于褐斑病等邊緣辨析度高的病害。 Singh和Misra[21]利用層分離技術(shù)提取圖像的R， G和B分量圖層， 并采用Canny算子的邊緣檢測(cè)在單圖層上分割棉花葉斑病的病斑。 趙斌等[22]對(duì)Sobel算子算法進(jìn)行優(yōu)化， 將方向模板由2個(gè)增加到8個(gè)， 克服了Sobel只能檢測(cè)水平和垂直方向的邊緣， 并結(jié)合分塊閾值成功提取了豆角葉片輪廓。 邊緣檢測(cè)技術(shù)能快速高效地獲取目標(biāo)區(qū)域， 但這是建立在圖像簡(jiǎn)單且質(zhì)量較高的基礎(chǔ)上。 雖然在近年的研究中邊緣檢測(cè)技術(shù)對(duì)光強(qiáng)的適應(yīng)范圍有所提高[22-23]， 但不適用于實(shí)地采集的作物病害光譜圖像。

閾值算法因直觀、 實(shí)現(xiàn)簡(jiǎn)單且計(jì)算速度快而成為光譜圖像處理中的研究熱點(diǎn)。 近年的研究集中在結(jié)合特定理論的閾值技術(shù)在作物病害領(lǐng)域的應(yīng)用。 Lalitha[24]針對(duì)不同病害的特點(diǎn)和病期變化設(shè)定自適應(yīng)閾值， 建立了有效、 快速、 準(zhǔn)確地檸檬葉病害檢測(cè)系統(tǒng)。 傅澤田等[25]以油菜可見(jiàn)光譜圖像為研究對(duì)象， 結(jié)合HSV顏色空間不受亮度影響的優(yōu)勢(shì)， 提出了一種自適應(yīng)雙閾值病斑分割方法， 準(zhǔn)確率較高， 但漸變檢測(cè)效果不佳。 閾值算法不受病斑邊緣連續(xù)性的限制， 適合作用于背景簡(jiǎn)單或預(yù)處理去除背景的作物病害光譜圖像。 在處理背景較復(fù)雜的光譜圖像時(shí)， 實(shí)際結(jié)果獲取的閾值與最佳閾值依然存在一定誤差。

基于區(qū)域的分割算法主要包含由種子點(diǎn)向周?chē)哂邢嗨菩再|(zhì)光譜像素?cái)U(kuò)散的生長(zhǎng)法和不同區(qū)域基于光譜像素性質(zhì)的相似與差異而進(jìn)行的聚合與裂變法。 Yun等[26]設(shè)計(jì)了一個(gè)N×(N+2)的矩陣來(lái)儲(chǔ)存相鄰區(qū)域的統(tǒng)計(jì)數(shù)據(jù)， 根據(jù)種子區(qū)域及鄰域的顏色差異自動(dòng)選取種子點(diǎn)區(qū)域， 從而實(shí)現(xiàn)黃瓜葉片病斑的分割。 盧夏衍等[27]提出了一種多算法混合的區(qū)域生長(zhǎng)法， 采用最小二乘橢圓擬合種子選擇準(zhǔn)確度和生長(zhǎng)效率， 從溫室實(shí)地采集的光譜圖像中成功分離出萵苣幼苗。 區(qū)域分割法最大的局限在于種子的選取或區(qū)域的劃分對(duì)分割結(jié)果起決定性影響， 對(duì)研究人員的專(zhuān)業(yè)性要求較高。

聚類(lèi)分割方法是一種融合聚類(lèi)分析理論的圖像處理技術(shù)， 通過(guò)分類(lèi)光譜圖像中相似的數(shù)據(jù)集獲取目標(biāo)區(qū)域， 被稱(chēng)之為無(wú)監(jiān)督學(xué)習(xí)。 Moghadam等[28]提出了一種無(wú)監(jiān)督K-means聚類(lèi)算法， 依據(jù)正常葉片與病斑的光譜輪廓差異確定聚類(lèi)中心， 成功從番茄褐斑病高光譜圖像中確定了病斑的位置。 Bai等[5]提出了融合空間信息的模糊C-means聚類(lèi)算法， 重新定義了像素與聚類(lèi)中心的歐式距離， 較為準(zhǔn)確地分割了黃瓜霜霉病的病斑。 與傳統(tǒng)的分割算法相比， 聚類(lèi)分割算法在作物病害診斷領(lǐng)域應(yīng)用的優(yōu)勢(shì)在于其自適應(yīng)性較強(qiáng)， 特別是處理實(shí)地采集的具有較高不確定性光譜圖像， 聚類(lèi)分割算法在對(duì)光譜圖像適應(yīng)范圍、 抗噪性和準(zhǔn)確性等方面都表現(xiàn)出良好的性能[29]。 由此可知， 將特定理論與分割算法融合必將成為光譜圖像分析技術(shù)的研究重點(diǎn)。

2.2 特征信息提取

作物因病原體侵染或是其他因素而產(chǎn)生的病斑與健康部分相比會(huì)表現(xiàn)出不同特征， 選取適當(dāng)?shù)牟『μ卣髂芴岣卟『ψR(shí)別模型的準(zhǔn)確率和效率。 基于光譜成像技術(shù)獲取的病害信息主要包括空間特征和光譜圖像， 其中空間特征主要包括病斑的顏色、 形狀和紋理， 光譜特征則是通過(guò)反射率曲線(xiàn)表現(xiàn)出來(lái)[30]。

Barbedo[31-34]提取了玉米等12類(lèi)作物82種病害的H, S, V, L, a, b, C, M, Y和K等10種顏色特征， 建立基于顏色變換的作物病害分類(lèi)系統(tǒng)， 但在結(jié)論中表明該系統(tǒng)的適用范圍有限。 吳露露等[35]采用線(xiàn)編碼Hough變換獲取白粉病等四種病害的形狀特征， 對(duì)病斑的半徑和圓形擬合精度達(dá)到87.01%， 但不適用于非圓形病斑。 Arivazhagan等[36]研究發(fā)現(xiàn)對(duì)比度、 能量、 局部穩(wěn)定性、 聚類(lèi)隱藏性、 聚類(lèi)顯著性等五種紋理特征的加權(quán)組合能準(zhǔn)確表征玫瑰的白粉病。 不同的作物病害在空間特征上可能會(huì)表現(xiàn)出一定的相似性， 特別是顏色和形狀特征； 紋理特征經(jīng)過(guò)多參數(shù)加權(quán)組合在一定程度上能唯一表征病害， 但模型的復(fù)雜度較高[37]； 因此空間特征只能作為輔助參數(shù)參與建模。

與空間特征相比， 作物病害的光譜特征具有較強(qiáng)的唯一性[38]， 表2對(duì)幾種主要病害的光譜特征進(jìn)行了分析。 從表2可知， 每種病害的光譜反射率曲線(xiàn)出現(xiàn)特征吸收峰的波段位置不同， 通過(guò)多個(gè)特定吸收峰波段的加權(quán)組合進(jìn)行反向推導(dǎo)， 可實(shí)現(xiàn)病害檢測(cè)。 光譜成像技術(shù)在病害特征的分析方面結(jié)合了空間特征的直觀性和光譜圖像的唯一性， 為病害診斷模型提供了全面的數(shù)據(jù)基礎(chǔ)。 Ashourloo和Mobasheri[45]提取了小麥葉銹病的顏色和病斑面積比以及605、 695和455nm波長(zhǎng)的反射率進(jìn)行光譜混合分析， 開(kāi)發(fā)了用于檢測(cè)葉銹病的光譜疾病指數(shù)。 Yu等[46]采用競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法確定433， 469， 519， 555， 575， 619， 899， 912， 938， 945， 970和998 nm等12個(gè)波段為枇杷內(nèi)部損傷的最佳檢測(cè)波段， 并結(jié)合損傷部分的顏色特征預(yù)測(cè)了內(nèi)部損傷的比例。 Li等[47]利用主成分分析桃子425～1 000 nm的高光譜圖像， 確定了463， 555， 687， 712， 813和970 nm等特征波段與紋理特征結(jié)合可以區(qū)分炭疽病和機(jī)械損傷。

表2 幾種主要病害的光譜特征

2.3 作物病害識(shí)別

作物病害識(shí)別主要依據(jù)光譜圖像的特征信息對(duì)作物進(jìn)行分類(lèi)， 包括基于光譜植被指數(shù)的檢測(cè)方法和基于機(jī)器學(xué)習(xí)的檢測(cè)方法。

光譜植被指數(shù)是通過(guò)多個(gè)波長(zhǎng)范圍內(nèi)的光譜反射率組合， 增強(qiáng)作物病害的光譜特性， 從而實(shí)現(xiàn)作物病害的檢測(cè)。 Mahlein等[48]和Huang等[49]使用RELIEF-F算法從單一波段的加權(quán)組合和兩個(gè)波段的歸一化波長(zhǎng)差推導(dǎo)出甜菜和冬小麥的病害光譜指數(shù)； Mahlein開(kāi)發(fā)的疾病光譜指數(shù)對(duì)甜菜白粉病、 黃銹病的分類(lèi)準(zhǔn)確率分別為85%和87%。 Huang開(kāi)發(fā)的病害光譜指數(shù)對(duì)冬小麥白粉病、 黃銹病的分類(lèi)準(zhǔn)確率分別為85.2%和91.6%。 Abdulridha等[50]采用決策樹(shù)和多層感知器神經(jīng)網(wǎng)絡(luò)融合方法計(jì)算出23個(gè)光譜植被指數(shù)， 對(duì)牛油果枯萎病的檢測(cè)準(zhǔn)確率為85%。 大量的研究已經(jīng)證明了光譜植被指數(shù)可以作為間接檢測(cè)方法對(duì)作物病害進(jìn)行分類(lèi)[51]， 但作物個(gè)體、 環(huán)境和發(fā)病階段不同會(huì)導(dǎo)致光譜圖像信息的細(xì)微差異， 從而降低光譜植被指數(shù)對(duì)病害檢測(cè)的準(zhǔn)確率。

機(jī)器學(xué)習(xí)是通過(guò)自動(dòng)分析方法從作物病害光譜圖像中發(fā)現(xiàn)規(guī)律， 并按照規(guī)律對(duì)未知的圖像進(jìn)行預(yù)測(cè)。 Zhang等[52]采集了高光譜成像技術(shù)獲取油菜菌核病的384～1 034 nm波段范圍光譜信息， 利用線(xiàn)性判別分析評(píng)估患病葉片的SSR檢測(cè)指數(shù)， 建立了偏最小二乘病害識(shí)別模型準(zhǔn)確率高達(dá)85%。 Knauer等[53]采用線(xiàn)性判別分析對(duì)葡萄白粉病400～2 500 nm光譜圖像數(shù)據(jù)集進(jìn)行維數(shù)約簡(jiǎn)， 結(jié)合紋理特征建立了基于隨進(jìn)森林算法的葡萄病害診斷模型， 準(zhǔn)確率高達(dá)94.1%。 Ye等[54]采用連續(xù)投影算法從桃子400～1 000 nm的光譜圖像中選擇了6個(gè)最優(yōu)特征， 并分別采用深度置信網(wǎng)絡(luò)對(duì)桃子腐爛的三個(gè)階段進(jìn)行分類(lèi)， 準(zhǔn)確率分別為82.5%， 92.5%和100%。 鄭志雄等[55]和黃雙萍等[56]采用BoSW模型分析水稻穗瘟病400～1 000 nm的光譜圖像， 并根據(jù)光譜包絡(luò)詞典建立Chi-SVM分類(lèi)器， 不僅實(shí)現(xiàn)了病害診斷， 還對(duì)病害嚴(yán)重程度進(jìn)行精確的分級(jí)。 機(jī)器學(xué)習(xí)模型解決了反射系數(shù)輕微變化而導(dǎo)致作物疾病檢測(cè)困難的問(wèn)題[57]， 通過(guò)改進(jìn)算法和優(yōu)化參數(shù)可以獲得具有良好推演、 泛化能力的作物病害檢測(cè)模型。

3 作物病害光譜成像檢測(cè)技術(shù)研究發(fā)展趨勢(shì)

與傳統(tǒng)的實(shí)驗(yàn)室理化指標(biāo)檢測(cè)相比， 光譜成像技術(shù)作為一種快速無(wú)損檢測(cè)方法， 在不損害植物組織的同時(shí)提高了檢測(cè)效率； 與圖像處理相比， 光譜成像技術(shù)從光學(xué)角度出發(fā)， 將光譜特性與圖像分析相結(jié)合， 提高了作物病害檢測(cè)的準(zhǔn)確率， 光譜成像技術(shù)已經(jīng)成為作物病害檢測(cè)領(lǐng)域中最具發(fā)展前景的研究方向之一。

(1) 光譜圖像分割技術(shù)的精度、 效率和適應(yīng)性將不斷提高。 傳統(tǒng)的分割算法對(duì)光譜圖像采集環(huán)境、 光照強(qiáng)度、 拍攝角度等影響因素的適應(yīng)能力較差。 隨著分割算法的不斷創(chuàng)新與發(fā)展， 應(yīng)更加注重分割算法對(duì)實(shí)地采集環(huán)境的適應(yīng)能力， 提高算法處理實(shí)地采集的光譜圖像的準(zhǔn)確率和效率。

(2) 作物病害光譜圖像在近紅外波長(zhǎng)范圍的光譜特性分析將成為重點(diǎn)研究方向。 目前對(duì)作物病害光譜圖像的分析主要集中在400～1 000 nm波段， 而近紅外光譜波長(zhǎng)范圍的病害信息尚未被挖掘。 在未來(lái)的研究中， 通過(guò)擴(kuò)展作物病害光譜特性的檢索波長(zhǎng)范圍， 提高光譜特征對(duì)病害表達(dá)的唯一性是具有一定可行性的。

(3) 更加注重作物病害空間信息與光譜信息的融合。 隨著光譜成像技術(shù)在作物病害診斷領(lǐng)域應(yīng)用的不斷深入， 應(yīng)更加注重優(yōu)化光譜特征和空間特征的加權(quán)組合的優(yōu)化， 減少冗余特征， 增強(qiáng)病害信息表達(dá)能力， 提高病害檢測(cè)模型的效率。

(4) 機(jī)器學(xué)習(xí)方法將在作物病害檢測(cè)模型中廣泛應(yīng)用。 反觀光譜植被指數(shù)在作物病害檢測(cè)應(yīng)用中的局限性日益突出， 機(jī)器學(xué)習(xí)模型不僅實(shí)現(xiàn)了對(duì)作物病害的穩(wěn)定檢測(cè)， 還展現(xiàn)出識(shí)別同一病害不同發(fā)展階段的能力， 將作物病害檢測(cè)技術(shù)引向精細(xì)農(nóng)業(yè)、 智慧農(nóng)業(yè)領(lǐng)域。