自然场景下获取的黄瓜病害图像存在光照、 土壤等噪声, 严重影响黄瓜病害识别精度, 现有检测模型占用内存较大, 难以实现黄瓜病害的实时检测。 以自然环境中黄瓜霜霉病、 白粉病和炭疽病3种病害的可见光光谱图像为研究对象, 提出一种基于可见光谱和改进YOLOv5目标检测网络的黄瓜病害识别模型, 探索自然环境中黄瓜病害的准确实时检测并降低检测模型存储成本的方法。 为平衡检测精度和模型所需存储空间, 以轻量级网络结构YOLOv5s为基线模型, 引入SE注意力机制, 提取特征维度信息, 降低复杂背景对检测结果的影响, 提高模型的检测精度; 引入深度可分离卷积替换基线模型中的标准卷积, 减少模型参数带来的计算负担, 提高检测速度。 检测模型接收任意像素的可见光光谱图像并调整成640×640像素作为检测网络输入, 输出表示黄瓜病害发生区域及病害类别, 使用COCO数据集上预训练权重初始化网络权重。 实验结果表明, 改进后的YOLOv5s-SE-DW模型对黄瓜霜霉病、 白粉病和炭疽病的检测精度分别达到了78.0%, 80.9%和83.6%, mAP高达80.9%, 模型存储空间仅为9.45 MB, 浮点运算次数仅为11.8 G, 相比基线模型mAP提高了2.4%, 运算次数减少了4.6 G, 模型所需的存储空间降低了4.95 MB, 在减小模型所需内存的同时提升病害检测准确率; 进一步与经典两阶段目标检测网络Faster-RCNN和单阶段目标检测网络YOLOv3, YOLOv3-tiny, YOLOv3-SPP以及YOLOv4进行对比, 提出的YOLOv5s-SE-DW模型相比对比模型中表现最优的YOLOv4模型mAP提高了3.8%, 检测时间和存储空间大幅度降低。 综合结果表明, 所提出的YOLOv5s-SE-DW网络对于自然场景中的黄瓜病害检测具有良好的精度和实时性, 能够满足黄瓜实际种植环境中病害检测的需求, 为实际应用场景下黄瓜病害自动检测的实现提供参考。

病害严重影响作物品质, 并造成经济损失。 病斑分割是病害定量诊断的重要过程, 其分割结果可为后续的识别和严重度估算提供有效依据。 由于病斑具有不规则性和复杂性, 且自然环境下病斑可见光谱图像易受光照变化等影响, 传统的图像处理方法对病斑图像分割存在准确率低、 普适性低和鲁棒性不高等问题。 该工作提出了基于语义分割和可见光谱图像的作物叶部病害病斑分割方法。 首先, 以花生褐斑病、 烟草赤星病为研究对象, 使用尼康D300s单反相机共采集到165张可见光谱图像。 通过Matlab Image Labeler APP对病害可见光谱图像进行像素标记, 分别标记出褐斑病病斑、 赤星病病斑和背景区域。 其次, 对标记后的数据采用水平翻转、 垂直翻转、 改变亮度等图像扩充方式, 获得1 850份增强后样本数据集。 为了节约计算成本, 将数据集的像素分辨率调整为300×300。 最后, 基于FCN, SegNet和U-Net 3种语义分割网络, 构建4 种作物叶部病害病斑分割模型, 探索了数据增强、 病害类别对病斑分割模型的影响, 并采用4种分割指标评价模型效果。 结果表明: 仅对于病斑分割, 图像增强能够提高模型的分割精度, 增强后FCN模型的平均精度(MP)和平均交并比(MIoU)分别为95.71%和93.36%。 4个语义分割模型显著优于支持向量机(SVM), 其中FCN与U-Net, SegNet-2和SegNet-4分割模型相比, 能够有效避免光线变化等影响, 病斑分割精度(P)和交并比(IoU)分别达到99.25%和97.55%。 对于病斑分类分割实验, FCN对两种病害的分割精度Pd分别达到97.54%和90.41%, 对两种病害的交并比IOUd分别为95.61%和70.30%, 均优于其他3种分割模型。 FCN能够在分割病斑的同时也准确地识别病害类别, 有较好的泛化性和鲁棒性, 实现了自然场景下作物叶部病害病斑的识别与分割, 为计算混合病害严重度提供了技术参考。

分蘖数是表征冬小麦生长的关键性参数, 对于冬小麦苗情监测、 产量预估具有重要意义。 针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题, 提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法, 以期实现冬小麦分蘖数无损快速估算, 并且可嵌入移动终端设备。 可见光图像具有获取便捷, 处理简单的特点, 利用数码相机连续采集2017年-2018年和2018年-2019年两个生长季的冬小麦冠层可见光图像。 利用该数据图像, 分别构建基于轻量级卷积神经网络MobileNetV2, SqueezeNett, ShuffleNet的冬小麦分蘖数估算模型进行比较试验, 并与基于非轻量级卷积神经网络AlexNet和ResNet系列构建的估算模型进行对比试验。 开展冬小麦分蘖数估算模型针对不同植株密度数据的鲁棒性以及针对不同生长季数据的泛化能力的验证试验。 结果表明, 基于MobileNetV2构建的冬小麦分蘖数估算模型的决定系数(R2)为0.7, 归一化均方根误差(NRMSE)为0.2, 在三个轻量级卷积神经网络中具有最优表现; 基于非轻量级卷积神经网络构建的冬小麦分蘖数估算模型体积是基于MobileNetV2构建的冬小麦分蘖数估算模型的2.3~16.1倍。 与非轻量级卷积神经网络相比较, 基于MobileNetV2构建的估算模型在具有较好R2的同时有较小的体量, 适宜嵌入移动终端设备; 针对120, 270和420 株·m-2三个不同植株密度的可见光图像数据集, 基于MobileNetV2构建的冬小麦分蘖数估算模型的R2分别为0.8, 0.8和0.7, 表现鲁棒; 针对两个生长季的可见光图像, 基于MobileNetV2构建的冬小麦分蘖数估算模型通过迁移学习将R2提升了2倍, NRMSE下降了7.6%, 表现出对数据季节性差异较好的适应性, 体现了模型的泛化能力。 利用可见光图像, 基于MobileNetV2构建的估算模型能够满足冬小麦分蘖数估算需求, 为冬小麦生长观测以及田间农艺措施管理决策提供了一个准确、 鲁棒、 可嵌入移动终端设备的工具。

病害作为影响农作物生长的主要因素之一, 平均每年造成农作物产量损失高达12%以上。 病害不仅直接导致农作物产量减少, 而且也严重降低了农产品的品质, 甚至引发食品安全事故。 光谱成像作为一种融合图像处理和光谱学的信息获取技术, 能同时获取目标的图像信息和光谱信息, 从而更直观表达目标的特征。 光谱成像技术可以获得图像上每个点的光谱数据, 从而实现对作物病害的颜色、 形状和纹理特征及光谱特征的分析, 具有快速、 直观和无损等特点, 近些年在作物病害检测领域的应用取得了较大研究进展。 综述了近六年来国内外关于光谱成像技术在作物病害检测领域应用的相关文献, 分析了光谱成像技术的优势和局限性, 重点阐述了光谱成像作物病害检测中关键的第三个技术： (1）光谱图像分割技术, 重点分析了四种常见分割算法的优点和适用范围； (2）光谱特征和空间特征提取技术, 重点对比了空间特征、 光谱特征和二者加权组合对病害信息表达的准确性； (3）检测模型, 重点介绍了光谱植被指数和机器学习模型在作物病害检测中的稳定性和前景。 最后, 根据上述分析展望了光谱成像技术在作物病害检测领域中应用的研究趋势, 为相关研究提供全面且系统的参考。

温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件, 对于减少农药使用量、 提升温室黄瓜品质和农民经济效益具有重要意义。 机器学习在植物病害诊断领域的应用越来越广泛, 已经取得了丰富的研究成果, 病害严重程度的估算萌发了新的思路。 利用霜霉病可见光图像并结合机器学习方法, 开展温室黄瓜霜霉病严重度快速准确定量估算研究。 利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理, 剔除病害图像的背景。 以黄瓜霜霉病叶片图像为输入, 构建基于卷积神经网络（CNN）的估算模型。 利用可见光光谱颜色特征（CVCF）结合支持向量机进行温室黄瓜霜霉病病斑图像分割, 采用SURF（speeded up robust features）特征及形态学操作对分割结果进行优化。 在获取黄瓜霜霉病病斑分割图像后, 提取病斑图像RGB, HSV, L*a*b*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征, 以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、 相关性、 熵和平稳度4个纹理特征, 共计90个特征； 利用Pearson相关性分析进行特征优选, 采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型, 包括支持基于向量机回归（SVR）的估算模型和基于BP神经网络（BPNN）的估算模型。 基于以上3种估算模型开展黄瓜霜霉病严重度定量估算, 采用决定系数（R2）和归一化均方根误差（NRMSE）对估算模型准确率进行定量评价。 结果表明, 模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系, 其中, 基于CNN的估算模型准确率最高, 模型的R2为0.919 0, NRMSE为23.33%, 其次是基于BPNN的估算模型, 其R2为0.890 8, NRMSE为24.64%, 基于SVR的估算模型的准确率最低, 其R2为0.8901, NRMSE为31.08%。 研究结果表明, 利用黄瓜霜霉病可见光图像数据, 结合卷积神经网络估算模型, 实现了温室黄瓜霜霉病严重度的准确估算, 能够为温室黄瓜霜霉病的科学防治提供参考, 提高病害防治效率, 减少农药使用。

黄瓜白粉病是黄瓜病害中爆发频率较高的一种, 传播速度极快, 常常导致产量降低, 无法获得预期的经济效益。 特别是在病害爆发严重的年份, 黄瓜减产量高达20%。 提出了一种基于可见光谱图像联合区间的偏最小二乘回归判别模型(SI-PLSR), 用于黄瓜白粉病无损检测。 采用Canon EOS 800D和Ocean Optics USB2000+光纤光谱仪采集了200个黄瓜白粉病感病叶片的可见光谱图像和反射率曲线。 首先, 采用基于小波降噪和H分割的分水岭分割算法从实时采集的黄瓜白粉病感病叶片可见光谱图像中提取目标叶片; 其次, 通过高斯拟合优化的Otsu算法分割目标叶片的可见光谱图像, 获取白粉病病斑; 然后, 对350~1 100 nm全波段光谱反射率曲线建立偏最小二乘回归模型并计算交叉验证均方根误差RMSECV, 同时将全波段等分为20个子区间, 分别建立偏最小二乘回归模型, 选取RMSECV小于全波段反射率曲线建模RMSECV的子区间组成联合区间; 最后, 将光谱联合区间与白粉病病斑分割结果融合建立SI-PLSR模型。 从实验结果可知, 感病目标叶片的提取成功率高达94.00%, 200幅感病叶片可见光谱图像中成功提取188幅, 其中157幅目标叶片的完整性参数高于95%, 31幅目标叶片完整性参数在90%~95%之间。 188幅目标叶片的病斑分割结果显示, 平均错分率为5.81%, 其中平均False negative为1.55%, 平均False positive为4.26%。 对20个子区间分别建立偏最小二乘回归模型发现, 第5, 6, 7, 11, 12, 13和19子区间的RMSECV值小于全波段光谱反射率曲线建模的RMSECV值, 说明这7个子区间的光谱信息对白粉病的判别有较大的贡献, 这与呈现波峰的470~520, 530~580和700~780 nm波段相对应, 因此选取这7个子区间的光谱反射率曲线建立联合区间。 对联合区间建立SI-PLSR模型, 其主成分数为7, 校正集和验证集的相关系数和标准误差分别是0.975 2, 0.907 3和0.919 5, 1.091。 与全波段PLSR模型相比, SI-PLSR的相关系数更接近于1, 且标准误差更小。 结果表明, 所提出的SI-PLSR模型有效去除了可见光谱数据中冗余信息, 加强了模型的稳定性, 可以实现对黄瓜白粉病的快速无损准确识别, 为黄瓜病害诊断提供了方法和参考依据。

地上生物量是表征冬小麦苗期长势的重要参数之一, 对于监测冬小麦苗期长势, 预测产量具有重要的实际意义。 目前, 通过计算光谱指数进行生物量估算是冬小麦苗期地上生物量无损测量的主要方法, 但该方法需要一定的平台支撑, 在便捷性方面存在一定的不足。 为此, 利用可见光图像数据获取方便、 准确率高的特点, 基于冬小麦苗期冠层可见光图像数据开展冬小麦苗期地上生物量估算研究。 采用数码相机, 采集冬小麦苗期冠层可见光图像并利用Canopeo进行冬小麦冠层与背景的分割。 在获取冠层分割图像后, 提取了CC(canopy cover)、 ExG(excessg reen)、 ExR(excess red)、 ExGR(ExG-ExR)、 NGRDI(normalized green-red difference index)、 GLI(green leaf index)、 RGRI(red-green ratio index)和RGBVI(RGB vegetation index)共8个可见光图像特征。 利用相关性分析进行特征优选, 选择与冬小麦苗期地上生物量实测数据相关性较高的图像特征构建估算模型。 利用优选的图像特征, 分别构建偏最小二乘回归(PLSR)、 BP神经网络(BPNN)、 支持向量机回归(SVR)和随机森林(RF)模型, 开展冬小麦苗期地上生物量估算研究, 并定量分析特征数量和播种密度对估算模型准确率的影响。 结果表明, ExR, GLI和RGBVI与生物量实测数据相关性较低, 因此, 将这3个特征剔除。 CC, ExG, ExGR, NGRDI和RGRI与生物量实测数据的相关性较高, 其中CC, ExG和ExGR与生物量实测数据呈正相关, 而NGRDI和RGRI与生物量实测数据呈负相关。 利用优选的图像特征构建估算模型, 研究结果表明, 基于优选的5个图像特征, PLSR的估算准确率最高, 模型R2为0.801 5, RMSE为0.0788 kg·m-2, 表明PLSR能够实现冬小麦苗期地上生物量的准确估算。 特征数量是影响估算模型准确率的因素之一, 随着特征数量的减少, 模型估算的准确率逐步下降。 利用不同播种密度数据集对估算模型进行测试, 结果表明, PLSR在不同的播种密度数据集上均取得了最高的估算准确率, 模型R2分别为0.897, 0.827 9和0.788 6, RMSE分别为0.062, 0.072和0.079 1 kg·m-2, 表明PLSR估算的冬小麦苗期地上生物量数据与实测生物量数据之间具有良好的相关关系。 随着播种密度的增加, 所有估算模型的准确率均出现下降, 而PLSR的准确率下降程度最小。 由此可见, 基于可见光图像数据, 能够实现冬小麦苗期地上生物量的准确估算, 为冬小麦苗期田间管理提供参考。

以黄瓜叶部病害作为研究对象, 基于可见光谱反射率差异识别黄瓜叶部病害, 研究基于SVM的黄瓜叶部病害识别预测模型。 采用小波变换进行数据预处理; 选取Otsu、 边缘分割法和K均值聚类三类分割方法进行病斑分割, 比较错分率和运行时间, K均值聚类方法更适合黄瓜叶部病斑分割; 提取纹理、 颜色和形状特征参数, 共15个特征参数; 通过交叉验证选择最优参数c和g, 对核函数参数进行优化处理, 并通过比较线性核、 多项式核、 RBF核等不同核函数情况下SVM的正确识别率, 确定RBF核SVM模式识别方法能够更精准地识别黄瓜叶部病害。 并将基于SVM与另外两种常见的黄瓜叶部病害识别方法, BP神经网络和模糊聚类进行比较, 结果表明, 基于SVM的识别模型对霜霉病的正确识别率为95%, 白粉病和褐斑病的正确识别率均为90%, 平均诊断正确率为92%; 该模式识别方法识别效果最佳, 运行时间最短, 为基于可见光谱的黄瓜病害识别模型提供参考。

白粉病是黄瓜常见病害之一, 传播速度极快, 严重时可造成黄瓜大量减产, 对其进行快速准确识别, 对黄瓜白粉病诊断和防治具有重要意义, 应用可见光谱技术, 结合主成分分析和支持向量机算法, 实现对黄瓜白粉病的快速识别。 配制白粉病菌孢子悬浮液, 并人工接种于科研温室内的黄瓜叶片上, 以诱发黄瓜白粉病, 待白粉病有一定面积暴发后, 利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集, 利用五点取样法采集样本, 在5个检查点, 每点选取2株黄瓜进行调查, 每株选取4枚感病叶片, 每枚叶片随机选取5个感病区域进行光谱采集, 共计采集200个感病叶片光谱样本, 同样采集200个健康叶片样本作为对照。 通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正, 调节积分时间、 扫描次数以及平滑度等参数来实现光谱曲线平滑处理, 以有效抑制光谱噪声, 对光谱特征进行分类识别, 去掉首尾噪声较大的波段, 保留光谱的可见光波段进行研究, 最终选取450~780 nm波段范围作为研究对象。 利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理, 根据主成分的累计贡献率, 选取前5个主成分作为分类模型的输入, 以白粉病和健康叶片的判别结果作为输出, 利用支持向量机算法, 通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型, 随机选取120个样本作为训练集用于分类模型构建, 其余80个样本作为测试集用于模型检验, 并通过选取不同的核函数来获得最优模型。 利用混淆矩阵对分类识别模型的准确率进行评价, 当选取径向基核函数时, 分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高, 分别为100%和96.25%, 总准确率为98.125%, 具有较高的准确率。 结果表明, 利用可见光光谱信息并结合主成分分析和支持向量机算法, 可以实现对黄瓜白粉病的快速准确识别, 为黄瓜病害诊断提供了方法和参考依据。

针对温室现场环境下采集的黄瓜霜霉病叶片图像中存在光照不均匀和背景复杂的问题, 提出了一种基于可见光光谱和支持向量机的温室黄瓜霜霉病图像分割方法。 首先, 提出了一种基于可见光谱的颜色特征CVCF(combination of three visible color features)及其检测方法, 该颜色特征将超红特征(excess red, ExR)、 H分量和b*分量三种颜色特征结合, 通过设置ExR参数, 降低光照条件对ExR的影响, 克服了光照不均匀对病斑分割的影响。 在CVCF的基础上, 结合基于径向基核函数的支持向量机分类器, 通过优化分类器参数构建病斑分割模型, 获得了温室黄瓜霜霉病图像初始分割结果。 在初始分割结果基础上, 采用SURF(speeded up robust features)特征及形态学操作, 对分割结果进一步优化, 消除背景噪声对分割结果的影响, 从而获得最终病斑分割结果。 为进一步验证方法的有效性, 选择了OTSU算法、 K均值聚类算法和决策树算法, 作对比研究。 结果表明, OTSU+H*0.2, K-means+H+b*, DT+H+b*和该研究算法的错分率分别为: 19.44%, 40.19%, 16.27%和7.37%, 该算法对温室现场环境下采集的黄瓜霜霉病图像的分割效果明显优于其他对比方法。 该方法能够充分克服光照不均匀和复杂背景的影响准确地提取病斑, 为病害识别提供了良好的数据来源。