1 中国农业大学信息与电气工程学院, 北京 100083
2 北京市植物保护站, 北京 100029
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。
可见光光谱 黄瓜 目标检测 病害识别 Visible spectrum Cucumber Target detection YOLOv5 YOLOv5 Disease identification 光谱学与光谱分析
2023, 43(8): 2596
1 上海建桥学院珠宝学院, 上海 201306
2 上海建桥学院珠宝学院, 上海 201306 中国地质大学（武汉）珠宝学院, 湖北 武汉 430074
3 中国地质大学（武汉）地球科学学院, 湖北 武汉 430074
4 中国地质大学（武汉）珠宝学院, 湖北 武汉 430074
我国四川绵阳平武县虎牙乡雪宝顶矿区产出一种晶形完整、 颗粒大, 颜色稀少的橘黄色调白钨矿, 受到宝石及矿物晶体收藏者们的青睐。 以5颗雪宝顶白钨矿样品为研究对象, 采用常规宝石学仪器、 傅里叶变换红外光谱仪、 紫外-可见分光光度计、 激光显微共聚焦拉曼光谱仪、 荧光光谱仪等进行测试, 旨在厘清该产地白钨矿的主要宝石学特性。 测试结果表明, 白钨矿的指纹区红外吸收处于440 cm-1处和800~900 cm-1范围内（806、 817、 856、 867 cm-1）——分别归属于［WO4］2-四面体基团的面外弯曲振动和反对称伸缩振动, 此外在2 000~3 000 cm-1的官能团区可见和水相关的明显吸收峰。 拉曼光谱测试表明, 位于911 cm-1的主峰归属于［WO4］2-的ν1对称伸缩振动; 位于797 cm-1处的峰归属于［WO4］2-的ν3非对称伸缩振动; 位于332 cm-1的峰和400 cm-1附近的弱峰归属于［WO4］2-的ν2面外弯曲振动; 位于211 cm-1附近的弱峰是由（Ca—O）的平移模式导致。 紫外-可见分光光度计测试结果表明, 该产地白钨矿深橘黄色调与584、 588、 682、 743、 750、 803和874 nm处的吸收有关, 可能与稀土元素Pr和Nd的混合物“didymium”的存在有关。 三维荧光光谱表明无色与深橘黄色调白钨矿样品的荧光主峰数量相同, 峰位相近, 均位于λex235 nm/λem455 nm, λex250 nm/λem490 nm和λex265 nm/λem523 nm附近。 浅橘黄色调样品除了上述荧光主峰以外还出现λex250 nm/λem425 nm附近荧光峰。
白钨矿 红外吸收光谱 紫外-可见吸收光谱 拉曼光谱 荧光光谱 Scheelite Infrared Spectrum Raman spectrum Ultraviolet-visible spectrum Fluorescence spectrum 光谱学与光谱分析
2023, 43(8): 2550
1 中国农业大学信息与电气工程学院, 北京 100083
2 河南农业大学信息与管理科学学院, 河南 郑州 450018
3 中国农业科学院农业环境与可持续发展研究所, 北京 100081
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。
可见光光谱 作物 病斑分割 语义分割 全卷积神经网络 Visible spectrum Crops Spot segmentation Semantic segmentation Full convolutional network 光谱学与光谱分析
2023, 43(4): 1248
1 南京信息工程大学气象灾害教育部重点实验室，气候与环境变化国际合作联合实验室，气象灾害预报预警与评估协同创新中心，中国气象局气溶胶与云降水重点开放实验室，江苏 南京 210044
2 中国气象科学研究院灾害天气国家重点实验室，北京 100081
3 中国气象局广州热带海洋气象研究所，广东 广州 510641
4 中国科学院大气物理研究所，中层大气和全球环境探测重点实验室，北京 100029
利用广州高建筑物雷电观测站获得的600 m高广州塔上一次闪电3个回击放电过程的光谱资料，详细分析了广州塔上闪电光谱随时间的演化和随高度的变化特性，并通过对比实测的一组氮原子（NI）［856.8 nm，859.4 nm，862.9 nm］多重态的谱线强度比和理论计算值之比，验证了闪电近红外光辐射满足光学薄条件。结果表明：3个回击放电通道约在200 m以下发光较强；在回击放电初期，当向上传输的电流波还未到达通道顶部时，底部通道径向辐射光谱由较强的离子线和较弱的中性原子线组成，而通道顶部径向辐射光谱主要取决于下行先导，由较弱的离子线和较强的中性原子线组成；当回击电流波向上传输到通道顶部后，整个通道径向辐射出很强的离子线和很强的中性原子线，且离子线总强度和原子线总强度均随通道高度的增加而减小；在回击放电70 μs以后，200 m以上通道离子线总强度和原子线总强度随通道高度的增加基本保持不变。此观测结果也直接证实了闪电放电通道由一个辐射离子线的高温核心和一个辐射中性原子线温度相对较低的外围电晕组成。
光谱学 可见光谱 近红外光谱 广州塔闪电 放电通道 光学薄 光学学报
2023, 43(12): 1230001
1 武汉大学印刷与包装系，湖北 武汉 430079
2 深圳劲嘉集团股份有限公司，广东 深圳 518105
针对传统Kubelka-Munk（K-M）理论的光谱预测模型在进行胶印专色油墨光谱预测时精度不够理想的问题，提出一种基于分段线性插值法构建基墨数据库，结合Stearns-Noechel（S-N）传递函数修正K-M模型的胶印专色油墨混合颜色光谱预测方法。研究以盛威科品牌某一系列专色油墨混合得到的64个专色作为目标色样进行训练，分别进行两色、三色、四色混合光谱预测研究，得到了3种数量基墨混合时最佳纸基权重分别为-0.5、-0.1、0.2。将最佳纸基权重代入预测模型，以CIE1976色差、CIEDE2000色差和均方根误差为评价指标，随机选取了两色、三色、四色已知配方的专色各3个进行精度检测实验。结果表明，提出的方法与传统K-M方法相比，CIE1976色差、CIEDE2000色差和均方根误差平均值分别从5.748、3.471和0.048降低到2.077、1.441和0.011。该方法相比传统K-M方法预测精度大幅提高，能够较好地实现更高精度的胶印油墨混合颜色的光谱预测。
可见光谱 计算机配色 Kubelka-Munk理论 线性插值法 胶印油墨 激光与光电子学进展
2022, 59(7): 0733002
1 广州城市理工学院珠宝学院, 广东 广州 510800
3 周大福珠宝金行(深圳)有限公司珠宝检验中心, 广东 深圳 518081
电气石属三方晶系的硼铝硅酸盐, 主要有铁电气石、 锂电气石、 镁电气石、 钠-锰电气石等品种, 因含不同的过渡元素或色心而呈绿、 蓝、 黄、 红、 粉、 棕和黑色。 选取棕褐色电气石样品在还原和中性气氛加热3 h, 结果显示, 600 ℃晶体出现大量裂隙; 500和450 ℃棕褐色调减弱, 透明度大大提升, 500 ℃裂隙稍多; 350 ℃加热, 样品变绿黄棕色; 250 ℃加热样品略微变浅, 仍为棕褐色调; 加热后//c轴切面见明显绿色与棕色二色性, 垂直c轴切面, 即{0001}面, 为棕色; 综合显示, 最佳变色温度在450~500 ℃。 利用X射线荧光光谱(XRF)、 红外吸收光谱(IR)和紫外-可见光吸收光谱(UV-Vis)对热处理前后样品进行分析, 样品属于富Mn和Fe的锂电气石。 样品中红外特征吸收峰在3 800~3 400, 1 350~1 250, 1 200~800与800 cm-1, 近红外光谱有4 720, 4 597, 4 537, 4 441, 4 343, 4 203和4 170 cm-1特征峰。 热处理后, 由M—OH(M为Al, Mg, Fe和Mn等)伸缩和弯曲振动所致的3 800~3 400 cm-1吸收峰减弱, 600 ℃消失, 与加热失水行为导致的结构水弯曲/伸缩振动减弱有关; 近红外光谱4 170和4 720 cm-1吸收消失。 棕褐色电气石在//c轴切面的可见光范围内具有715, 540和417 nm吸收带, 依次为Fe2+d—d(5T2g→5Eg)跃迁、 Fe2+→Fe3+(IVCT)、 Fe2+→Ti4+(IVCT)所致。 样品具有高的Mn含量, 417 nm附近的吸收可能存在Mn2+d—d (6A1g→4A1g, 4TEg)自旋禁阻跃迁产生的413/414 nm叠加。 热处理使Mn3+还原成Mn2+, Mn2+增加导致414 nm吸收峰增强, 因此417 nm附近吸收带变化不大。 同时, 热处理后与Mn3+有关的520 nm吸收也同时消失, 520 nm吸收带的存在也可能是540 nm吸收带呈非对称吸收峰的原因。 450 ℃以上热处理后, 715和417 nm吸收带变化不大, 位于绿光区的540 nm吸收带消失, 分析认为加热使得部分Fe3+还原为Fe2+, 导致Fe2+→Fe3+(IVCT)减少, 在//c轴切面上540 nm吸收显著减弱。 540 nm吸收带在绿色光区域, 其消失导致绿色光透过, 样品呈绿色。
棕褐色电气石 热处理 X射线荧光光谱 红外光谱 紫外-可见光谱 Brown tourmaline Heating Treatment X-ray fluorescence spectrum Infrared spectrum Ultraviolet-visible spectrum 光谱学与光谱分析
2021, 41(8): 2524
长春理工大学光电工程学院, 吉林 长春 130022
对感染黑斑病的刺五加叶片进行光谱特性研究, 能为药用植物病害的早期筛选与精准治疗提供重要研究资料。 实验目的, 运用高光谱成像技术实现植物病害的自动监督分类与识别。 实验过程, 首先使用高光谱成像系统在可见光波段（380～960 nm）内采集刺五加黑斑病的叶片样本, 光谱数据经过去除亮暗噪声和平滑预处理后, 再经过主成分分析实现数据降维, 继而运用基于不同核函数的支持向量机法建立分类模型, 最后利用总体分类精度、 Kappa系数等因子评价不同核函数对分类器性能的影响。 根据叶片表面的特征将其分为四类样本: 健康亮部、 健康暗部、 轻度病害和重度病害等。 对比各类样本的光谱可知, 刺五加的健康样本在540 nm波长存在一个明显峰值, 在620～680 nm光谱曲线急剧上升; 而病害样本的光谱反射率呈现缓慢且平稳的上升趋势, 上述特征能够将图像空间上反射强度接近的健康亮部和严重病害完全区分开。 经对比发现前四个主成分（PC1, PC2, PC3, PC4）在分类表达上存在差异, 主要表现为PC1含有的信息多, 能够较好地区分各类样本; PC2则出现健康亮部和严重病害的交叉混淆; PC3是对于PC2的补充, 能基本完整地表达轻微病害; PC4的贡献率仅有0.19%, 依然能够准确地识别严重病害。 不同主成分分量在表达各类样本特征中存在的差异能够作为复杂样本分类的参考依据。 对比四种核函数对支持向量机分类器性能的影响, 结果显示线性核函数的识别过程受光强反射的影响较大, Sigmoid核函数的训练精度易受数据集大小的影响, 在识别健康亮或暗, 以及轻微病害上均存在一定的误差, 多项式核函数与径向基核函数的效果较好, 其中, 多项式核函数的精度更高, 为92.77%。 研究表明, 利用高光谱成像技术能够准确地识别刺五加的健康叶片和患病叶片, 为实现自动诊断药用植物叶片病害提供新方法。
可见光谱 植物病害 支持向量机 核函数 Visible spectrum Plant diseases Support Vector Machine Kernel function 光谱学与光谱分析
2021, 41(6): 1898
天津大学建筑学院, 天津市建筑物理环境与生态技术重点实验室, 天津 300072
光源中的光谱辐射是造成彩绘文物褪色、 变色等颜色受损的重要原因, 但不同光源的光谱功率分布不同, 不同材料对各个波段光谱能量的吸收反射特性各异, 导致在相同曝光量下对彩绘文物造成的色彩损伤程度有很大差别, 特别是随着光谱构成灵活的LED(light emitting diode)在文物照明中的大量应用, 如何对光源进行照明损伤度评价是目前亟待解决的关键问题。 本研究在恒温恒湿条件下, 以10种不同波段窄带光谱作为实验光源、 以17种典型彩绘文物颜料作为实验样本开展累积1 440 h的照射实验, 以240 h为周期测量样本的CIE L*a*b*色彩参数并转换为色差指标。 绘制在10种窄带光谱照射下17种颜料的色差随曝光量变化曲线, 基于曲线分析明确不同波段光谱对各类颜料的色彩损伤响应规律, 并拟合得到颜料对光谱的响应函数, 建立彩绘文物照明光源的光谱损伤度评价公式。 研究结果表明: 首先, 无论在何种波段的光谱照射下, 颜料平均色差随着曝光量的增加而增加, 但增加幅度越来越小; 其次, 在相同曝光量下, 波长越短的光源对颜料损伤越大, 不同峰值波长对颜料色彩的影响比例为447 nm∶475 nm∶500 nm∶519 nm∶555 nm∶595 nm∶624 nm∶635 nm∶658 nm∶733 nm=1.000∶1.096∶0.816∶0.921∶0.853∶0.777∶0.814∶0.796∶0.706∶0.674; 第三, 基于光谱构成差异的光源损伤度评价公式为D=∫780380S(λ)〈0.468exp｛-［(λ-462.9)/17.75］2｝+0.6279exp｛-［(λ-535.1)/12.13］2｝+0.813 5exp｛-［(λ-527.7)/463］2｝〉dλ, 当使用光谱仪测得任意光源的相对光谱功率分布函数S(λ)后, 将所测数据代入公式便可计算出待测光源的色彩损伤值D, 成果可为彩绘文物照明中的光源选择和准入判定提供依据。
文物照明 可见光谱 无机颜料 色差 光谱损伤度 Cultural relics lighting Visible spectrum Inorganic pigments Color difference Spectrum damage 光谱学与光谱分析
2021, 41(6): 1886
强激光与粒子束
2021, 33(2): 021002
1 长治学院电子信息与物理系, 山西 长治 046011
2 承德石油高等专科学校工业技术中心, 河北 承德 067000
褐斑病是黄瓜主要真菌性病害之一, 适宜条件下, 特别是在昼夜温差大及饱和湿度条件下发病迅速, 病情加重, 导致黄瓜减产, 造成经济损失。 对黄瓜褐斑病进行病斑分割与提取, 可以为后续的病害识别与诊断提供有效依据, 具有重要意义。 结合黄瓜褐斑病可见光谱图像, 利用U-net深度学习网络构建黄瓜褐斑病语义分割模型, 实现了病斑分割。 首先在采集到的黄瓜褐斑病可见光谱图像中截取病斑较为突出的区域作为样本, 共在40幅图像中截取到135个像素区域, 区域的像素分辨率为200×200, 利用Matlab的Image Labeler工具对样本进行像素标记, 分别标记出感病区域和健康区域。 然后构建U-net网络, 该网络包含46层和48个连接, 通过卷积层和线性整流层以及最大池化法来完成病斑特征提取, 通过深度连接层以及上卷积层和上线性整流层完成上采样, 通过跳层连接来完成复制和剪裁操作, 并进行病斑特征融合。 利用所构建的U-net网络进行学习训练得到语义分割模型, 在135个样本中, 随机选取其中96个作为训练样本, 剩余的39个作为测试样本, 设置迭代次数为240次, L2正则化系数为0.000 1, 初始学习率为0.05, 动量参数为0.9, 梯度阈值为0.05, 进行样本训练和测试。 经过10次重复训练和测试, 结果表明, 基于U-net和可见光谱图像的黄瓜褐斑病语义分割模型执行时间平均为46.4 s, 内存占用平均为6 665.8 MB, 执行效率较高; 模型准确率PA为96.23%~97.98%, MPA为97.28%~97.87%, MIoU为86.10%~91.59%, FWIoU为93.33%~96.19%, 模型的稳定性较好、 泛化能力较强。 该研究方法利用较少的训练样本, 获得了准确率较高的分割模型, 为小样本机器学习提供了参考, 同时为其他蔬菜的病斑分割、 病害识别与诊断提供了方法依据。
U-net网络 可见光谱 黄瓜褐斑病 深度学习 语义分割 U-net work Visible spectrum Cucumber target leaf spot Deep learning Semantic segmentation 光谱学与光谱分析
2021, 41(5): 1499
