黄瓜白粉病是一种传播速度快、 发生频率高的蔬菜病害, 一旦爆发将对产量产生严重的打击, 因此对黄瓜白粉病的识别与尽早防治具有重要的意义。 采用便携式光谱仪采集了黄瓜叶片的近红外光谱反射率曲线与荧光光谱强度曲线, 采用LI-6400光合作用测量仪测量叶片的光合速率, 并采集了叶片的图像信息。 首先, 采用图像分割技术对白粉病进行等级划分; 其次, 对净光合速率与光谱之间进行相关性分析; 最后, 利用定性分析以及定量预测两种方法, 结合黄瓜患白粉病叶片及健康叶片的光合速率指标建立白粉病检测模型。 从分析结果可知, 利用二值化将黄瓜叶片区域作为感兴趣区域(ROI)分割出, 根据R-G-B与L*a*b*色彩空间中颜色的差异可以有效提取白粉病斑面积; 通过皮尔逊相关性分析光合速率与光谱之间的相关性强度, 得到光合速率与光谱具有较强的负相关, 并且随着反射率及光谱强度的增高, 相关性减弱, 表明采用光谱及相关性较大的波段对光合速率进行预测具有可行性; 经过准确率比较, 选择集成学习(ensemble learner)中的子空间判别(subspace discriminant)算法对定性模型进行最终分析, 得到近红外光谱模型更加稳定, 识别准确率更高; 采用偏最小二乘回归模型(PLSR)进行定量预测, 通过比较7种不同的预处理方法, 验证得知MSC预处理可以有效去除光谱干扰信息, 其中近红外光谱模型R2更高, 且RMSEP＜RMSEC。 预测值与实际测量值对比可知, 近红外光谱模型得出的预测值与实际测试值更相近, 且健康样本与患白粉病样本区分明显, 表明该模型具有更高的鲁棒性。 结果表明, 利用近红外光谱与光合速率指标相结合建立的模型以及图像识别系统可以实现对黄瓜白粉病的快速识别与病情分级, 为黄瓜病害诊断提供了方法和参考依据。

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。