葡萄霜霉病对葡萄生产构成严重威胁, 尽早防治是治理霜霉病的关键。 为了对该病进行早期检测, 以PCR检测获取的霜霉病相对生物量作为霜霉病侵染的依据, 从暗适应-光适应-暗弛豫3个光合生理状态连续变化过程中, 采集80个人工接种霜霉菌叶片和80个健康对照叶片连续6 d的叶绿素荧光图像。 对比健康和接种叶片叶绿素荧光动力学曲线、 参数图像和参数值的差异, 使用单因素方差分析评估叶绿素荧光参数对霜霉病侵染的敏感性, 筛选叶绿素荧光参数最优特征子集, 使用机器学习分类器构建霜霉病早期检测模型。 结果表明, 随着接种后天数(day post inoculation, DPI)的增加, 霜霉病侵染程度不断加深, 健康和接种叶片叶绿素荧光动力学曲线、 参数图像和参数值从2DPI开始有显著差异(p<0.05), 霜霉病侵染导致叶片光化学猝灭速率减小(Rfd变小), 光合效率降低(Fv/Fm变小), 叶片活力和光保护能力衰退(NPQ和qN变小), 叶片吸收的光能更多以荧光的形式释放出来(Ft和Fm变大)。 基于序列前向浮动算法优选的叶绿素荧光参数特征子集(qN-L3, Rfd-L2, NPQ-L1和Fv/Fm-D1)和BP神经网络分类器的SFFS-BP模型对3DPI健康和接种叶片识别准确率为83.75%, 全实验周期连续6 d平均准确率达到85.94%。 可为葡萄霜霉病光合表型分析和早期检测提供一种快速、 准确的手段。
叶绿素荧光成像 葡萄霜霉病 病害检测 特征选择 Chlorophyll fluorescence imaging Plasmopara Viticola infection Disease detection Feature selection 光谱学与光谱分析
2022, 42(4): 1028
1 北京市农林科学院信息技术研究中心, 北京 100097
3 北京交通大学计算机与信息技术学院, 北京 100044
植物病害的自动早期检测对于作物精确保护至关重要。 提出了一种基于多维光谱序列(multi-dimensional spectral series, MDSS)和加权随机森林(weighted random forest, WRF)的番茄灰霉病早期诊断与鉴别方法。 目的是利用叶片多个观测维度的光谱曲线整体变化趋势建立作物病害检测模型, 以期在肉眼明显可见叶面病斑前对作物病害实现诊断。 将健康叶片接种灰霉病菌第3天作为叶片成功染病第1天。 试验首先采集番茄健康叶片和染病叶片7天内每天的高光谱图像, 提取感兴趣区域并计算平均光谱作为初始光谱数据, 经筛选共得到(156×7)组有效样本。 将样本数据按时间顺序拆分成分别包含1~7个维度的光谱数据形成多维原始光谱序列, 为增加维度间差异性, 相邻原始光谱序列相减构成多维关联光谱序列。 分别采用符号聚合近似估计(symbolic aggregate approximation, SAX)和符号傅里叶近似估计(symbolic Fourier approximation, SFA)两种符号化方法将光谱序列离散成局部辨别性特征。 基于多维光谱序列的局部辨别性特征建立加权随机森林(MDSS-SAX-SFA-WRF)分类模型, 实现病害早期检测。 相应地, 基于单维光谱序列(single-dimensional spectral series, SDSS)的番茄灰霉病识别模型被作为基准模型与MDSS-SAX-SFA-WRF模型比较。 试验结果显示, MDSS-SAX-SFA-WRF检测模型在包含2至7个光谱序列维度的56个测试样本数据中均获得90%以上识别准确率, 在包含5个光谱序列维度测试集中得到最高99%的识别准确率, 较SDSS-SAX-SFA-MRF检测模型在染病第5天的识别率高8.2个百分点。 另外受随机干扰的影响, SDSS-SAX-SFA-MRF模型准确率在染病5~7 d出现大幅度回落至最低84%, MDSS-SAX-SFA-WRF模型识别率在肉眼可见病斑阶段依然保持超过98%的较高检测水准, 未过度回落。 因此, 提出的基于多维光谱曲线整体变化趋势和加权随机森林(MDSS-SAX-SFA-WRF)的分类模型能够有效实现番茄灰霉病早期检测, 并具有较强的鲁棒性, 为染病初期的番茄灰霉病鉴别提供新思路。
早期病害识别 高光谱成像技术 番茄灰霉病 随机森林 多维时间序列 Early disease detection Hyperspectral imaging Tomato gray mold Random forest Multi-dimensional times series 光谱学与光谱分析
2022, 42(10): 3226
沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
纹枯病是水稻的主要病害之一, 其防治对于保证水稻产量、 质量具有重要意义, 以高光谱检测水稻病害得到了广泛应用, 并且高光谱降维是光谱分析的重要环节。 该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱, 并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换(得到原始光谱、 一阶微分光谱和倒数之对数光谱), 分窗口对这3种光谱分别进行Gram-Schmidt变换, 找到投影空间并映射出主基底, 实现高光谱数据降维, 绘制具有显著性概率的主基底, 其极大极小值为特征波段。 此外3种光谱还采用了主成分分析和连续投影法降维。 以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模, 其中支持向量机回归进行粒子群优化, 并以径向基为核函数, 对比分析了3种降维方式的降维效果。 结果表明: 水稻地面冠层尺度建模效果高于低空遥感尺度建模; 在光谱处理方面, 低空冠层高光谱进行倒数之对数变换效果较好, 地面冠层所得高光谱数据进行一阶微分变换效果较好; 分窗Gram-Schmidt变换算法优于主成分分析和连续投影法; 粒子群算法可以优化支持向量机中的惩罚系数和核函数参数, 提高其反演精度; 无人机低空遥感尺度中, 高光谱进行倒数之对数处理, 以分窗Gram-Schmidt变换降维, 敏感波段为427.3, 539.6, 749.5和825.4 nm, PSO-SVR建模决定系数R2为0.731, 均方根误差RMSE为0.151; 地面冠层尺度中, 高光谱进行一阶微分处理, 以分窗Gram-Schmidt变换降维, 敏感波段为552, 607, 702和730 nm, PSO-SVR模型决定系数R2为0.778, 均方根误差RMSE为0.147。 因此, 高光谱技术可以有效地检测水稻纹枯病, 并且其病情指数可用冠层高光谱进行反演, 分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果, PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高, 结果可为冠层尺度检测水稻纹枯病与病害发生情况提供一定的理论基础和技术支撑。
水稻纹枯病 病害检测 高光谱降维 Gram-Schmidt变换 粒子群优化 支持向量机回归 Rice sheath blight Disease detection Hyperspectral dimensionality reduction Gram-Schmidt transform Particle swarm optimization Support vector machine regression 光谱学与光谱分析
2021, 41(7): 2181
1 贵州大学大数据与信息工程学院, 贵州 贵阳 550025
2 贵阳学院农产品无损检测工程研究中心, 贵州 贵阳, 550005
通过疾病的早期筛查,制定针对性治疗方案的精准医疗已成为医学发展的重要趋势。医学影像学检测是实现精准医疗的重要基础。疾病初期无明显表征,采用常规检测方法进行诊断具有一定的局限性,但机体会表现出异常的温度分布,红外热成像技术可以灵敏地检测出温度的变化,因此将其应用于早期疾病检测成为国内外的研究热点。本文首先介绍了当前医学影像学检测手段(如X线检查、超声、磁共振成像)的优缺点,重点介绍了红外热成像技术用于疾病检测的原理;然后对红外热成像技术和先进图像识别技术在早期疾病检测识别领域的国内外现状进行阐述,对比分析了红外热成像技术在早期疾病检测中的优缺点,其优点是无损、快速、准确率高,缺点是所需数据量大、图像处理算法性能差。将红外热成像技术与深度学习相结合对早期疾病进行无损检测,将成为今后的主要研究方向。
成像系统 红外热成像技术 早期疾病检测 无损检测 医学图像识别 深度学习 激光与光电子学进展
2021, 58(8): 0800002
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 宝鸡文理学院电子电气工程学院, 陕西 宝鸡 721016
3 农业农村部农业物联网重点实验室, 陕西 杨凌 712100
4 陕西省农业信息感知与智能服务重点实验室, 陕西 杨凌 712100
5 西北农林科技大学园艺学院, 陕西 杨凌 712100
6 旱区作物逆境生物学国家重点实验室, 陕西 杨凌 712100
葡萄霜霉病是全球危害最严重的葡萄病害, 对该病进行早期检测和防治, 可提高葡萄品质和产量, 提出一种基于多光谱荧光成像技术(MFI)和支持向量机模型(SVM)的霜霉病早期检测方法。 对人工接种霜霉病的葡萄叶片(145个)和健康对照叶片(145个)从叶背面连续6天进行多光谱荧光成像, 获得试验叶片16个荧光参数(4个单独波段F440, F520, F690, F740及其相互比值)的图像。 在分析不同荧光波段图像随接种天数(DPI)变化规律基础上, 通过单因素方差分析和相关性分析, 优选出进行霜霉病早期检测的4个波段特征F520, F690, F440/F740, F690/740, 利用这4个特征构建基于SVM的霜霉病检测模型。 试验发现, 16个荧光参数都有早期检测霜霉病的潜力, 四个单独波段中F440和F520比F690和F740对霜霉病的侵染更敏感, 6DPI才显症的病斑能在F440和F520波段2DPI(接种后第二天)的荧光图像中凸显, 接种叶片F440和F520波段荧光强度均随着DPI增加快速升高, 在2DPI显著高于健康叶片(p<0.01), 并随着DPI增加更加显著(p<0.0001); 接种叶片F690和F740波段荧光强度均随着DPI增加逐渐减小, 1DPI—3DPI与健康叶片无显著差异, 从4DPI开始显著低于健康叶片(p<0.05), 并在5DPI—6DPI更加显著(p<0.01); 健康叶片荧光参数变化很小。 F440极易受干扰, 变异系数最大, F520最稳定。 随着DPI增加, 叶片被侵染程度加深, 4个特征融合的SVM模型对健康和接种叶片检测准确率逐渐提高, 1DPI的准确率为65.6%, 3DPI检测准确率为82.2%, 整个试验周期(1DPI—6DPI)的平均检测准确率达84.6%, 高于单一特征中最优波段F520的阈值检测结果(1DPI的准确率为61.1%, 3DPI检测准确率为78.9%, 整个试验周期为80.0%)。 结果表明利用MFI技术和SVM模型能实现霜霉病显症前的早期检测, 为便携式葡萄霜霉病早期诊断设备的开发提供了理论依据。
多光谱荧光成像 葡萄霜霉病 病害检测 支持向量机 特征选择 Multicolor fluorescence imaging Grapevine downy mildew Disease detection Support vector machine Feature selection
