Author Affiliations
Abstract
Chinese Academy of Inspection and Quarantine, Beijing 100176, China
The threat posed to crop production by pests and diseases is one of the key factors that could reduce global food security. Early detection is of critical importance to make accurate predictions, optimize control strategies and prevent crop losses. Recent technological advancements highlight the opportunity to revolutionize monitoring of pests and diseases. Biosensing methodologies offer potential solutions for real-time and automated monitoring, which allow advancements in early and accurate detection and thus support sustainable crop protection. Herein, advanced biosensing technologies for pests and diseases monitoring, including image-based technologies, electronic noses, and wearable sensing methods are presented. Besides, challenges and future perspectives for widespread adoption of these technologies are discussed. Moreover, we believe it is necessary to integrate technologies through interdisciplinary cooperation for further exploration, which may provide unlimited possibilities for innovations and applications of agriculture monitoring.The threat posed to crop production by pests and diseases is one of the key factors that could reduce global food security. Early detection is of critical importance to make accurate predictions, optimize control strategies and prevent crop losses. Recent technological advancements highlight the opportunity to revolutionize monitoring of pests and diseases. Biosensing methodologies offer potential solutions for real-time and automated monitoring, which allow advancements in early and accurate detection and thus support sustainable crop protection. Herein, advanced biosensing technologies for pests and diseases monitoring, including image-based technologies, electronic noses, and wearable sensing methods are presented. Besides, challenges and future perspectives for widespread adoption of these technologies are discussed. Moreover, we believe it is necessary to integrate technologies through interdisciplinary cooperation for further exploration, which may provide unlimited possibilities for innovations and applications of agriculture monitoring.
precision agriculture biosensors crops disease and pest management Journal of Semiconductors
2023, 44(2): 023104
1 浙江理工大学信息学院, 浙江 杭州 310018
2 浙江理工大学机械与自动控制学院, 浙江 杭州 310018
为减轻虫害对大豆的影响, 首先使用相应的高光谱仪器进行样本采集, 样本分为4类: 包括带有微小虫卵的, 带有幼虫的, 有啃食痕迹的和完全正常的大豆各20颗; 然后提出了一种基于三维图像检索(3D-R-D, 3D Resnet18 DCH)的大豆食心虫的高光谱检测方法。 该方法从视频检索的应用中得到启发, 考虑到视频不同帧之间和高光谱不同层之间存在类比关系, 使用了在大规模视频检索数据集下训练而成的分类模型, 将它作为预训练3D卷积模型进行训练。 和已知的文献方法相同, 使用公开的光谱数据集进行正式训练和微调, 从而得到能进行特征提取的3D卷积网络, 用图像检索来实现间接分类, 通过利用样本之间的特征距离, 实现在全新类别上的分类。 为能适应任务, 将模型最后的分类层变成了图像检索常用的hash层, 从而得到了代表特征的二进制码。 该方法不但完成了对不同情况下大豆种类的检测, 还解决了训练时样本不足的问题。 为探寻一种好的相似度匹配损失函数, 对比了多种较新的方法, 最后发现使用融入柯西分布的损失函数, 实验效果最佳, 最终模型的分类精度达86%±1.00%, 和在大豆食心虫检测上最新的小样本方法对比, 3D-R-D方法提高了3.5%左右的精度, 表明该方法是有效的, 它也为结合高光谱检测相关研究提供了一种全新思路。
图像检索 大豆食心虫 高光谱 虫害检测 Image retrieval Soybean heartworm Hyperspectral 3DCNN Pest detection 3D CNN 光谱学与光谱分析
2022, 42(9): 2931
1 福州大学环境与安全工程学院，福建 福州 350108
2 福建省资源环境监测与可持续经营利用重点实验室，福建 三明 365004
3 空间数据挖掘与信息共享教育部重点实验室，福建 福州 350108
4 福州中谷海创科技发展有限公司，福建 福州 350108
5 福州大学先进制造学院，福建 泉州 362200
6 福州大学信息与通信工程博士后科研流动站，福建 福州 350108
7 福建农林大学公共管理学院，福建 福州 350002
8 南京大学国际地球系统科学研究所，江苏 南京 210023
叶绿素是反映绿色植被健康状态的重要生理参数, 虫害胁迫下叶绿素与叶光谱的变化机制较为复杂, 深入剖析二者关系对于虫害检测有重要意义。 以福建省南平市顺昌县为试验区, 测定不同受害情景下毛竹叶叶绿素含量(SPAD)与叶光谱, 采用Pearson相关法筛选叶光谱特征指标, 建立叶SPAD的多元线性回归、 岭回归、 随机森林与XGBoost估测模型。 通过比较光谱特征指标筛选结果及模型估测效果, 分析刚竹毒蛾胁迫下毛竹叶绿素与叶光谱特征的关系及其变化。 结果表明: (1)随着虫害程度上升, 毛竹叶SPAD呈下降趋势; (2)较之于未受害状态, 刚竹毒蛾胁迫下毛竹叶光谱特征发生明显变化, “绿峰”和“红谷”趋于消失, “红边”斜率减小, 近红外波长反射率降低; (3)基于全样本拟合叶SPAD的最优光谱特征指标为VOG2, R515/R570, CIred, PRI与NDVI705, 最佳估测模型为多元线性回归模型(R2=0.753 7, RMSE=3.015 0); (4)基于不同受害程度样本拟合毛竹叶SPAD, 最优光谱特征指标分别为健康: CIred, VOG2, ARVI, R515/R570, DVI; 轻度: RENDVI, RERVI, REDVI; 中度: RENDVI, RERVI, REDVI; 重度: VOG2, CIred, NDVI705, PRI; 小年: PRI, NDVI705, VOG1, CIred。 最佳估测模型为多元线性回归模型, 模型精度分别为健康(R2=0.882 3; RMSE=1.638 8); 轻度(R2=0.180 2; RMSE=3.335 4); 中度(R2=0.360 4; RMSE=3.886 7); 重度(R2=0.467 7; RMSE=2.601 8); 小年(R2=0.732 4; RMSE=2.375 4)。 由此发现, 随着虫害等级上升, 毛竹叶光谱特征指标也随之改变, 关系模型估测精度呈现先急剧下降后缓慢抬升的态势, 模型对健康与小年叶SPAD估测效果较好, 对轻—中—重度危害叶SPAD估测效果较差; 当毛竹叶SPAD与叶光谱特征的关系趋向紊乱时, 预示可能有刚竹毒蛾危害发生。
虫害胁迫 叶绿素含量 叶光谱特征 相关分析 机器学习 Pest stress SPAD Spectral characteristics of leaves Correlation analysis Machine learning 光谱学与光谱分析
2022, 42(9): 2726
1 江西农业大学软件学院，江西 南昌 330045
2 江西农业大学计算机与信息工程学院，江西 南昌 330045
为了实现水稻害虫的快速、准确识别，提出了一种基于迁移学习和卷积神经网络相结合的水稻害虫识别方法。首先对水稻害虫图像进行平移、翻转、旋转、缩放等预处理，并按照害虫特征由人工分为稻纵卷叶螟、稻飞虱、二化螟、三化螟、稻蝗、稻象甲等6个类别。然后基于迁移学习方法，将VGG16模型在图像数据集ImageNet上训练得到的权重参数迁移到水稻害虫的识别当中，将VGG16的卷积层和池化层作为特征提取层，同时将顶层重新设计为全局平均池化层和一个softmax输出层，训练时冻结部分卷积层。实验结果表明：所提模型的平均测试准确率为99.05%，训练时间约为原有模型的1/2，模型大小仅为74.2 MB；在稻蝗、稻飞虱、稻象甲、二化螟、稻纵卷叶螟、三化螟等6类害虫的F1值分别为0.98、0.99、0.99、0.99、1.00、0.99。所提方法识别效率高，识别效果好，可移植性强，可为农作物的害虫高效快速诊断提供参考。
机器视觉 水稻害虫 迁移学习 VGG16 激光与光电子学进展
2022, 59(16): 1615004
1 浙江理工大学信息学院, 浙江 杭州 310018
2 浙江理工大学机械与自动控制学院, 浙江 杭州 310018
为降低大豆食心虫对大豆产量以及品质的影响, 实现对大豆食心虫虫害的快速检测, 提出了一种基于三维关系网络小样本元学习(3D-RN)模型的大豆食心虫虫害的检测方法。 首先分别对附着虫卵的, 附着食心虫幼虫的, 被啃食的及正常的大豆各20颗进行高光谱图像采集, 提取感兴趣区, 建立基于高光谱图像的3D-RN模型。 最终模型的正确率达82%±2.50%。 对比与模型无关的元学习和匹配网络元学习模型, 3D-RN模型能够充分度量样本特征间的距离, 识别效果大大提升。 研究表明, 基于高光谱图像的3D-RN模型能够在少量样本情况下实现对大豆食心虫虫害的检测, 将小样本元学习与高光谱结合的方法为虫害检测提供一种新思路。
虫害检测 大豆食心虫 高光谱 卷积神经网络 小样本元学习 三维 Pest detection Leguminivora glycinivorella Hyperspectral Convolutional neural network Few-shot meta-learning Three-dimensional 光谱学与光谱分析
2021, 41(7): 2171
1 南京大学国际地球系统科学研究所, 江苏 南京 210023
2 福州大学环境与资源学院, 福建 福州 350116
3 空间数据挖掘与信息共享教育部重点实验室, 福建 福州 350116
4 福州大学卫星空间信息技术综合应用国家地方联合工程研究中心, 福建 福州 350116
探讨刚竹毒蛾危害下的毛竹叶片光谱特征可为建立竹林生态安全监测体系提供重要的理论指导。 相比于传统的多光谱数据, 高光谱遥感能够准确探测不同刚竹毒蛾危害等级间寄主光谱的细微变化。 然而, 当前有关此方面的研究甚少, 其寄主的光谱变化机理还有待进一步总结。 为此, 基于实测的552条竹叶光谱, 分析了健康、 受刚竹毒蛾危害、 小年叶片之间的光谱差异, 选择可反映其健康状况的特征变量, 并利用XGBoost模型建立了叶片尺度的刚竹毒蛾危害检测模型。 研究结果显示: （1）随着虫害等级的上升, 受害叶片在可见光范围内的反射率逐渐出现“绿低红高”的特征, 其近红外波段的反射率则不断降低, 而短波红外的反射率则明显高于健康叶片, 尤其在两个水汽吸收波段（1 450和1 940 nm）的差异最为明显; （2）小年叶片于可见光-近红外波段的反射率显著高于健康、 受害叶片; （3）根据不同受害类型叶片的光谱特征可知, 较之健康叶片, 缺刻型叶片的光谱并未出现太大的变化, 红褐色病斑型叶片在红光波段的反射率出现了一定程度的上升, 灰白色病斑型叶片则已经完全失去了植被的基本光谱特征; （4）根据XGBoost模型给出的变量重要性排序可知, 各特征变量的贡献度依次为PRI（光化学反射率指数）＞FDVI576, 717（植被健康程度评估指数）＞NPCI（归一化色素叶绿素指数）＞DSWI（疾病水胁迫指数）＞VOG 1（红边指数1）＞RVSI（红边植被胁迫指数）＞NDWI（归一化差值水分指数）; （5）模型对刚竹毒蛾危害识别的总平均精度为74.39%, 其中健康叶片的识别精度达到了94.55%, 轻度危害叶片为74.93%, 重度危害为84.12%, 小年叶片则为71.10%, 而中度危害叶片的识别精度较差, 仅为33.48%。
森林虫害 遥感 光谱特征 刚竹毒蛾 Forest pest Remote sensing Spectral characteristics Pantana phyllostachysae Chao 光谱学与光谱分析
2021, 41(4): 1253
华北水利水电大学电力学院, 河南 郑州 450045
为得到清晰的麦粒重建切片,利用共轭射线弥补Radon空间数据缺失,在FDK(Feldkamp-Davis-Kress)重建算法的基础上,引入z轴权重函数来优化麦粒切片图像的重建结果。针对三维头模型,z-FDK算法重建结果的均方根误差比FDK算法的小3.6927,大大抑制了FDK算法中的z轴方向强度下降。实验结果表明,针对卵期、低龄幼虫期和高龄幼虫期的麦粒投影图像,z-FDK算法的平均梯度和对比度噪声比均大于FDK算法,重建麦粒茸毛端和胚部端两个区域的灰度值增大,伪影得到改善。
图像处理 X射线光学 麦粒图像重建 z轴权重 害虫侵染
1 长江师范学院计算机工程学院, 重庆 408100
2 长江师范学院三峡库区环境监测与灾害防治工程研究中心, 重庆 408100
3 长江师范学院武陵山区特色资源开发与利用研究中心, 重庆 408100
松材线虫病又叫松树枯萎病, 是由于松材线虫寄生在松树上引起的毁灭性死亡病害, 其发病速度快、 传播迅速、 防治难度大。 如何识别松材线虫害并对其程度进行估测, 对我国森林资源及生态环境保护具有重要意义。 研究表明, 马尾松叶绿素、 水含量会随着虫害程度的加深逐渐减少, 不同虫害程度的马尾松光谱反射率呈现较大差异, 因此光谱分析技术在虫害程度估测方面具有独特优势。 针对不同虫害程度的马尾松样本, 研究了其光谱特征参数的变化规律, 以实测光谱特征参数为自变量, 样本虫害程度量化值为因变量, 利用线性回归方程构建了虫害程度估测模型。 该研究在光谱特征指标选择和估测模型方法上作了有价值的探索, 对评估松材线虫病害有一定的指导意义, 可为相关研究及当地精准农业提供科学支持和应用参考。 首先针对不同虫害程度的马尾松样本, 研究其在绿光、 红光及近红外波段内的光谱反射率变化规律, 构建指示样本虫害程度的六个光谱特征参数: 绿峰反射率（RGP）、 绿峰位置（GPP）、 红谷反射率（FRB）、 红谷位置（RBP）、 红边斜率（RES）、 红边位置（REP）, 分析光谱特征参数与虫害程度的相关性。 然后构建虫害程度估测模型, 其步骤可描述为: （1）计算健康、 轻度、 中度、 重度四种不同虫害程度下的样本光谱特征参数RGP, FRB和RES; （2）量化健康、 轻度、 中度、 重度四种样本虫害程度值; （3）以实测光谱特征参数为自变量, 样本虫害程度量化值为因变量, 利用线性回归方程构建虫害程度估测模型。 实验中选取重庆市涪陵区永胜林场、 冒合寨工区的马尾松林为研究对象, 随机选取健康、 染病、 完全枯死的马尾松植株进行监测。 数据采集过程中使用ASD野外光谱分析仪FieldSepc4, 采集波段范围为从可见光400 nm到近红外波段1 100 nm处, 分辨率为1 nm。 共采集了70条马尾松植株的有效光谱数据, 根据不同虫害程度, 将其划分为健康、 轻度、 中度、 重度和枯死五种类型, 并利用Matlab软件进行处理分析, 得到其光谱反射率曲线。 选择涵盖绿光区（510～580 nm）、 红光区（620～680 nm）和近红外区（680～780 nm）三个波段, 计算各个波段的光谱特征参数, 构建虫害程度估测模型。 实验结果表明: （1）针对枯死样本, 其“绿峰”和“红谷”特征消失, 红边陡峭上升趋势被拉平。 其他几种类型样本光谱特征参数RGP, FRB和RES与虫害程度呈负相关, 虫害程度越深, 其光谱特征参数值越小, 即健康（RGP）>轻度（RGP）>中度（RGP）>重度（RGP）, 健康（FRB）>轻度（FRB）>中度（FRB）＞重度（FRB）, 健康（RES）>轻度（RES）>中度（RES）>重度（RES）。 （2）随着虫害程度加深, 光谱特征参数GPP向长波方向移动, 即存在“红移”现象, 而光谱特征参数RBP和REP向短波方向移动, 即存在“蓝移”现象。 （3）与一元线性估测模型相比, 二元线性估测模型具有较大的相关系数R2, 较小的估计误差E以及残差。 实验中对两棵马尾松样本虫害程度进行估测, 二元线性估测模型的结果为PD=2.990 7和PD=3.679, 与实际情况相符。 在后续研究中将对1 100~2 500 nm波段特征进行相关性分析。
松材线虫 光谱反射率 光谱特征参数 虫害程度 估测模型 Bursaphelenchus xylophilus Pinus Massoniana Spectral reflectance Spectral characteristic parameters Pest degree Estimation model
1 南京理工大学计算机科学与工程学院, 江苏 南京 210094
2 江苏省农业科学院, 江苏 南京 210014
利用蚕豆叶片可见-近红外反射光谱结合导数光谱对健康、 少量、 大量虫害三种等级的实验样本进行光谱特征分析, 并选择虫害检测最优波段。 采用Hadoop, Spark和VMWare虚拟机搭建云计算平台, 使用MLlib机器学习库实现人工神经网络（ANN）和支持向量机（SVM）分类算法, 并对三种等级蚕豆叶片全波段和最优波段光谱进行分类建模与预测。 结果表明ANN虫害光谱分类模型准确率优于SVM虫害光谱分类模型, 并且在云平台上运行效率更高, 同时全光谱波段的预测准确性高于最优波段。 通过扩展光谱数据集, 云计算技术在光谱数据挖掘中的计算效率有显著提升。 云计算分类检测可以为作物生物胁迫光谱识别提供新的技术和方法。
蚕豆虫害 可见-近红外光谱 云计算 分类 Broad bean pest Visible-near infrared spectroscopy Cloud computing Classification
