高光譜成像技術在農業中的應用概述

桂江生，吳子嫻，顧 敏，遲元峰，包曉安

(浙江理工大學 信息學院，浙江 杭州 310018)

?

高光譜成像技術在農業中的應用概述

桂江生，吳子嫻，顧 敏，遲元峰，包曉安*

(浙江理工大學 信息學院，浙江 杭州 310018)

高光譜成像技術融合了傳統的成像和光譜技術的優點，可以同時獲取被檢測物體的空間信息和光譜信息，作為一種簡便、快捷、光學無損檢測的新技術，已經在農業生產中受到廣泛關注，并得到應用。本研究在梳理相關文獻的基礎上，分析了高光譜成像系統的構成，從高光譜成像技術在農畜產品質量和安全檢測、農作物生長監測和產量估計、植物營養分析與施肥效果評估等多個方面，綜述了高光譜成像技術在農業上的應用現狀，并針對其在農業應用上的發展前景進行展望。

高光譜； 成像技術； 無損檢測； 農業應用

農業作為國民經濟的三大產業之一，是國民經濟中最根本的物質需求基礎。農業是人類生產與生活的衣食之源、生存之本[1]。農業生產的發展直接影響國民經濟全局，保證農作物的安全性、食用性和可靠性，直接關系到消費者的飲食安全和健康[2]。由于生產技術粗糙，為了提高農作物的產量，過量使用農藥和化肥等化學物品的現象在我國農業生產中仍普遍存在，使得農產品質量無法從源頭上得到保證。傳統的檢測方法主要基于化學檢測和物理檢測，需要耗費大量的時間、人力、物力和財力[3]，因此，急需發展建立快捷、無損、高效的檢測或監控技術。

高光譜成像技術能夠同時體現一維表征像元光譜信息和目標二維空間景象的物理屬性，并且具有較高的分辨率和圖譜合一的屬性[4]，目前，已經有許多研究致力于將該技術引入農業生產，服務“三農”發展。為此，本研究綜述了高光譜成像技術在農畜產品質量和安全檢測[5]、農作物生長檢測與產量估計[6]、營養分析與施肥效果等方面的應用現狀、基本原理和最新的研究進展，同時也簡要介紹了高光譜成像系統的基本結構和常用的高光譜圖像處理分析方法，旨在為相關研究、應用提供參考。

1 高光譜成像系統概述

1.1 高光譜成像系統的組成

國際遙感界認為，光譜分辨率在10-1λ數量級范圍內的為多光譜，分辨率在10-2λ數量級范圍內的為高光譜。與多光譜技術相比，高光譜成像技術不僅極大地提高了光譜信息的豐富程度，在處理技術上，也為光譜數據進行更為快速、有效的分析提供了可能[7]。高光譜成像技術作為一種綜合性技術，集微弱信號檢測、探測技術、精密光學機械、計算機技術于一體[8]，能夠獲取連續、窄波段的高光譜分辨率的圖像數據，是一種能夠將成像技術和光譜技術相結合的多維信息獲取技術。高光譜成像技術圖像數據的分辨率高達10-2λ數量級，在可見短紅外波段范圍內光譜分辨率為納米級，光譜波段多達數十個甚至上百個，各光譜波段間是連續的，圖像數據的每一個像元都可以提取一條完整的高光譜分辨率光譜曲線。

高光譜成像系統由硬件平臺和軟件處理2部分組成，其中，硬件平臺如圖1所示，由高光譜機(CCD相機)、樣品臺、漫反射光源、電動平移臺/傳送帶以及轉接板和轉接塊組成。

圖1 高光譜成像系統的硬件平臺

1.2 高光譜圖像的獲取和數據處理

高光譜成像儀對圖像信息的收集包含物理成分和化學成分兩部分。樣品通過漫反射光源將圖像分散并投射到探測器陣列上，圖像的光譜長度范圍包括可見光和近紅外光。通過高光譜成像儀采集的圖像，之后在PC端進行圖像校正、數據降維、建模、判定分析。由于不同的高光譜成像系統對圖像的采集存在一定的差異，為了確保高光譜數據的可比性和精確性，常利用下式對高光譜圖像進行暗電流校正：

R=100(R0-B)/(W-B)。

式中，R0為反射光譜圖像，W為反射率為99%的白板反射圖像，B為暗電流，R為校正后反射圖像。

由于高光譜成像系統采集的光譜具有連續性，所以光譜中包含的數據量較大，在數據處理中會存在一些煩冗的計算問題，因此，選擇合理的數據處理方法就顯得尤為重要[9]。大量文獻顯示，提取最佳波段是減少數據量最有效的方式，并能夠保證在不丟失重要信息的情況下精確地反映樣品信息。在數據處理過程中，數據降維也是有效的方法之一，主要的方法有特征波段選擇[10]、分類算法選擇等。最后，采用偏最小二乘法[11]、支持向量機[12]、人工神經網絡[13]、多元線性回歸等方法建立基于光譜圖像的預測模型，進而實現其在農業上的應用。具體的操作流程如圖2所示。

圖2 高光譜系統軟件處理的具體流程

2 高光譜成像技術在農業上的應用

2.1 農畜產品質量和安全檢測

農畜產品是人們賴以生存的必需品，其質量安全是食品安全的重要基礎，同時也是食品安全的重中之重[14]。目前，高光譜成像技術在農畜產品質量安全方面的應用較為廣泛，在實踐中，應用高光譜成像技術時主要采用非接觸式的檢測方式，在成像的同時避免了交叉污染，并且允許快速和自動操作的輸送系統，促進了多個樣品的分析[15]。趙凡等[16]提取了多個正方形光譜區域以及樣品掩膜圖像的平均光譜，對平均光譜進行平滑去噪、標準正態變量變換預處理，采用偏最小二乘、最小二乘支持向量機、極限學習機和誤差反向傳播網絡模型分析光譜提取區域對獼猴桃糖度檢測精度的影響，發現使用偏最小二乘方法能夠較好地保證獼猴桃糖度檢測的精度。Jiang等[17]利用近紅外高光譜圖像識別霉變的花生，采用標記控制的分水嶺算法將圖像分割成空間尺度的核尺度對象，結果表明，該方法可以更好地識別霉變花生，并且精度達到98.73%。Sugiyama等[18]通過近紅外光譜成像來實現冷凍藍莓中異物(葉和莖)的可視化鑒定，根據吸收光譜的判別分析結果，得出最佳照明波長，獲得包含異物和藍莓區域的吸光度圖像，從而確定藍莓中的異物，證明高光譜成像技術在農產品分類檢測方面有較高的精度。Rivera等[19]利用高光譜成像系統實現了對不同成熟階段杧果機械損傷的無損檢測。

Xu等[20]利用高光譜成像技術(900～1 700 nm)實現了對鮭魚魚片氧化降解的快速無損評估，采用偏最小二乘法(PLS)和多元線性回歸法(MLR)分別建立測定魚片硫代巴比土酸(TBA)含量和pH值的模型，結果表明，采用多元線性回歸(MLR)建立的模型有更好的精度相關系數(Rp為0.921，均方誤差為1.840 μmol·kg-1)。Senz等[21]利用高光譜成像系統實現對羔羊肌肉的判別，采用線性最小均方(LMS)分類器、支持向量機(SVM)、線性回歸(LR)、線性判別分析法通過對比得到最優算法，研究表明，采用線性判別分析法實現羊肉的分類問題結果最為準確。Tao等[22]利用近紅外高光譜成像技術，獲取豬肉表面的高光譜曲線，結合多元線性回歸建立大腸埃希菌污染預測模型，最后得到的相關系數為0.88，表明高光譜成像技術可以較為準確地預測大腸埃希菌對豬肉的污染程度。Kamruzzaman等[23]利用可見-近紅外高光譜成像和機器學習實現對摻假牛肉的快速無損檢測。綜上，高光譜成像技術在檢測肉類質量和安全方面具備快速、無損、高效的優越性，在畜產品品質安全檢測這一領域極具潛力。

2.2 農作物生長監測和產量估計

作物的光譜特征主要由葉片的葉綠素、類胡蘿卜素、水分以及其他化學成分的反射得到，這些是農作物生長監測的依據。索少增等[24]利用高光譜成像技術在波長(835.467 8～1 648.356 8 nm)范圍內采集梨的高光譜圖像，得到多組樣本數據，結合人工神經網絡檢測梨表面的農藥殘留。張永賀等[25]建立了以(SDr-SDb)/(SDr+SDb)為變量的指數模型，從而得到了桉樹葉片光合作用色素含量分布的高光譜預測模型，并建立葉綠素、類胡蘿卜素含量與光譜特征參數間的預測模型。以上研究表明，高光譜成像技術在對植物生長過程中存在的表面污染和內部化學成分的檢測上具有較高的精度。

Senthilkumar等[26]使用近紅外高光譜成像系統檢測小麥青霉菌感染和赭曲霉毒素的污染，利用高光譜成像系統將青霉菌感染和赭曲霉毒素污染的樣本三維圖像數據轉換為二維數據，確定不同濃度水平的赭曲霉毒素污染的小麥籽粒之間的分類精度和不同時期青霉菌感染的小麥顆粒。謝傳奇等[27]提出了基于格拉姆斯密特(MGS)和貝葉斯羅蒂斯克回歸(Blog Reg)的方法，利用高光譜圖像采集系統獲取染病和健康番茄葉片的高光譜圖像，采用最小二乘-支持向量機(LS-SVM)的方法建立了早期番茄葉片早疫病的預測模型，再通過MGS和Blog Reg提取特征波長，建立EW-LS-SVM和EW-LDA模型，從而實現對番茄葉片早疫病的檢測。趙蕓[28]利用光譜數據采集、高光譜成像、數字圖像處理等技術，建立了一套能夠準確識別油菜病蟲害信息的模型，實現了對油菜病蟲害的實時監測與診斷。Siripatrawan等[29]利用高光譜成像系統采集水稻籽粒反射圖像，采用偏最小二乘回歸方法來預測水稻籽粒真菌生長情況，結果顯示，水稻籽粒含真菌預測量和實際值之間的決定系數為0.97，誤差平均值為0.39。上述研究表明，高光譜成像技術在農作物病害脅迫診斷方面的研究已經取得初步進展，為農作物病蟲害檢測帶來了新的途徑和方法。

農作物的產量受人為、水分、土壤、氣候等因素的影響，使用傳統方法對農作物的產量進行估計具有很大的煩瑣性和局限性。使用高光譜成像技術進行農作物的產量估計具有客觀、精確的優點，通過裝置在衛星上的高光譜地物掃描儀，獲取植物的光譜數據，即可得到植被指數、葉面積指數、葉綠素含量等，結合農作物自身的生理特性，即可預測出農作物的產量。劉煥軍等[30]利用遙感高光譜成像系統分析不同長勢棉花的反射光譜特征，構建光譜指數，綜合光譜、時相、空間維度信息，利用面向對象方法進行精準管理分區，建立棉花的產量遙感預測模型。WU等[31]利用ASD高光譜地物儀收集大豆冠層反射光譜信息，選出對ADM、LAI(品種)產量預測精度較好的回歸模型，結果表明，高光譜成像技術在大豆的產量估測上有相對可行性，為大規模育種計劃中的早期產量估測提供了重要的理論基礎。葉旭君等[32]以柑橘為研究對象，運用機載高光譜成像儀獲取柑橘果樹的高光譜圖像，建立了人工神經網絡(ANN)和多元線性回歸(MLR)柑橘產量的預測模型，結果表明，基于高光譜圖像的PLS-MLR模型具有最優的產量預測效果。Barbedo等[33]利用高光譜成像技術檢測小麥籽粒中的鐮刀頭枯萎病粒，分類精度達到91%以上。上述研究表明，高光譜成像技術在農作物的產量預測方面具有相對可行性，可望在大規模育種計劃中用于早期產量估測。

2.3 農作物營養分析與施肥效果評估

劉燕德等[34]利用高光譜技術建立主成分回歸法(PCR)、多元線性回歸法(MLR)，以及偏最小二乘法(PLS)的預測模型，發現GA-MLR法的結果最優，借此可以實現對贛南臍橙葉片含氮量的評估和分析。孫俊等[35]利用高光譜圖像系統采集生菜葉片高光譜圖像，同時利用凱氏定氮法獲取對應贛南臍橙葉片的氮素值，采用主成分分析(PCA)對臍橙葉片的高光譜圖像進行降維處理，利用特征波長圖像、光譜紋理融合特征及光譜特征與對應氮素值之間的關系，實現對生菜葉片氮素含量的預測。朱西存等[36]利用高光譜的地物光譜儀測定蘋果花期冠層，采集高光譜數據，并與實驗室內測定的鉀素含量進行比對分析，采用模糊識別算法，建立鉀素含量估測模型。Zhang等[37]在光譜范圍(380～1 030 nm)獲得油菜葉片的高光譜圖像并提取光譜數據，建立偏最小二乘回歸(PLSR)最小二乘支持向量機(LS-SVM)校準模型，定量地將譜特征與N、P、K相關聯，最后產生測試圖像內每個像素N、P、K的空間分布圖，利用高光譜成像來檢測大量營養元素在油籽油菜葉中的含量和分布。劉紅玉等[38]為了精確地對番茄N、P、K的營養水平進行判別和分析，采用逐步回歸、偏最小二乘法回歸、主成分回歸的方法分別建立基于高光譜圖像的葉片氮、磷、鉀素模型，結果表明，高光譜成像技術能夠實現對番茄作物氮、磷、鉀素營養水平的高精度快速檢測。這些研究表明，高光譜成像技術作為一種新型快速無損技術，能夠實現對營養元素的檢測，可為農作物營養診斷及合理施肥提供參考。

3 小結與展望

高光譜成像技術是一種將傳統圖像與光譜圖像融合的綜合性技術，既可以獲取研究對象的空間信息，又可以采集到光譜信息，其在農業上的應用充分利用了高光譜圖譜合一的優點，能夠精準監測作物長勢及營養狀況，為精準農業服務。但就目前來說，高光譜相機還比較昂貴，研發成本較高，使得這項技術在農業生產中難以普及。在光譜采集過程中，容易受周圍環境的影響，獲取和分析、處理高光譜圖像數據的時間較長，這些不利于高光譜成像系統在農業實時監測和在線檢測上的應用。當預先建立的模型應用到另一個指數系統時，需要進行數據分析和模型轉化，樣品的特性可能影響其質量分類和預測結果。另外，高光譜在處理圖像方面存在較大的冗余，為了減少獲取和處理高光譜數據的時間消耗，對于不同農作物種類和用途，常常需要針對特定的應用提取特征波長，這些都增加了高光譜成像技術的使用成本。隨著研究的不斷深入，高光譜成像技術強大的功能性和便捷性必將逐漸體現，研究對象也將日益多元化，未來高光譜成像技術必將在農業生產中展現并發揮其巨大作用。

[1] 孫楠. 探析高技術農業發展的可行性及必要性[J]. 福建農業, 2015(1): 31.

[2] SELVARAJ J N, ZHOU L, WANG Y, et al. Mycotoxin detection——Recent trends at global level[J]. Journal of Integrative Agriculture, 2015, 14(11):2265-2281.

[3] 趙國富, 張喜杰. 基于光譜分析的溫室黃瓜營養狀態的研究[J]. 農機化研究, 2013(8):18-21.

[4] ADEBAYO S E, HASHIM N, ABDAN K, et al. Application and potential of backscattering imaging techniques in agricultural and food processing-A review[J]. Japan Journal of Food Engineering, 2015, 169:155-164.

[5] MARTINSEN P, SCHAARE P. Measuring soluble solids distribution in kiwifruit using near-infrared imaging spectroscopy[J]. Postharvest Biology & Technology, 1998, 14(3):271-281.

[6] 姚云軍, 秦其明, 張自力, 等. 高光譜技術在農業遙感中的應用研究進展[J]. 農業工程學報, 2008, 24(7):301-306.

[7] 任廣波, 張杰, 馬毅. 基于HJ-1A高光譜的黃河口堿蓬和檉柳蓋度反演模型研究[J]. 海洋學報, 2015, 37(9):51-58.

[8] TONG Q, XUE Y, ZHANG L. Progress in hyperspectral remote sensing science and technology in China over the past three decades[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(1):70-91.

[9] HE Z, LIU L. Robust multitask learning with three-dimensional empirical mode decomposition-based features for hyperspectral classification[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2016, 121:11-27.

[10] LI W, DU Q. Laplacian regularized collaborative graph for discriminant analysis of hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12):7066-7076.

[11] ZHANG C, LIU F, KONG W, et al. Application of visible and near-infrared hyperspectral imaging to determine soluble protein content in oilseed rape leaves[J]. Sensors, 2015, 15(7):16576-16588.

[12] 李勛蘭, 易時來, 何紹蘭, 等. 高光譜成像技術的柚類品種鑒別研究[J]. 光譜學與光譜分析, 2015(9):2639-2643.

[13] 郭文川, 董金磊. 高光譜成像結合人工神經網絡無損檢測桃的硬度[J]. 光學精密工程, 2015, 23(6):1530-1537.

[14] 彭彥昆, 張雷蕾. 農畜產品品質安全高光譜無損檢測技術進展和趨勢[J]. 農業機械學報, 2013, 44(4):137-145.

[15] NGUYEN-DO-TRONG N, KERESZTES J C, KETELAERE B D, et al. Cross-polarised VNIR hyperspectral reflectance imaging system for agrifood products[J]. Biosystems Engineering, 2016, 151:152-157.

[16] 趙凡, 董金磊, 郭文川. 高光譜圖像光譜提取區域對獼猴桃糖度檢測精度的影響[J]. 現代食品科技, 2016(4):223-228.

[17] JIANG J, QIAO X, HE R. Use of near-infrared hyperspectral images to identify moldy peanuts[J]. Journal of Food Engineering, 2016, 169:284-290.

[18] SUGIYAMA T, SUGIYAMA J, TSUTA M, et al. NIR spectral imaging with discriminant analysis for detecting foreign materials among blueberries[J]. Journal of Food Engineering, 2010, 101(3):244-252.

[19] RIVERA N V, GMEZ-SANCHIS J, CHANONA-PéREZ J, et al. Early detection of mechanical damage in mango using NIR hyperspectral images and machine learning[J]. Biosystems Engineering, 2014, 122(3):91-98.

[20] XU J L, RICCIOLI C, SUN D W. Efficient integration of particle analysis in hyperspectral imaging for rapid assessment of oxidative degradation in salmon fillet[J]. Journal of Food Engineering, 2015, 169(11):259-271.

[21] SANZ J A, FERNANDES A M, BARRENECHEA E, et al. Lamb muscle discrimination using hyperspectral imaging: Comparison of various machine learning algorithms[J]. Journal of Food Engineering, 2016, 174:92-100.

[22] TAO F, PENG Y, LI Y, et al. Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J]. Meat Science, 2012, 90(3):851-857.

[23] KAMRUZZAMAN M, MAKINO Y, OSHITA S. Rapid and non-destructive detection of chicken adulteration in minced beef using visible near-infrared hyperspectral imaging and machine learning[J]. Journal of Food Engineering, 2016, 170(7):8-15.

[24] 索少增, 劉翠玲, 吳靜珠, 等. 高光譜圖像技術檢測梨表面農藥殘留試驗研究[J]. 食品科學技術學報, 2011, 29(6):73-77.

[25] 張永賀, 陳文惠, 郭喬影, 等. 桉樹葉片光合色素含量高光譜估算模型[J]. 生態學報, 2013, 33(3):876-887.

[26] SENTHILKUMAR T, JAYAS D S, WHITE N D G, et al. Detection of fungal infection and Ochratoxin A contamination in stored barley using near-infrared hyperspectral imaging[J]. Journal of Stored Products Research, 2016, 147:162-173.

[27] 謝傳奇, 方孝榮, 邵詠妮, 等. 利用近紅外高光譜成像技術檢測番茄葉片早疫病[J]. 農業機械學報, 2015, 46(3): 315-319.

[28] 趙蕓. 基于高光譜和圖像處理技術的油菜病蟲害早期監測方法和機理研究[D]. 杭州：浙江大學, 2013.

[29] SIRIPATRAWAN U, MAKINO Y. Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J]. International Journal of Food Microbiology, 2015, 199:93-100.

[30] 劉煥軍, 康苒, USTIN S, 等. 基于時間序列高光譜遙感影像的田塊尺度作物產量預測[J]. 光譜學與光譜分析, 2016, 36(8):2585-2589.

[31] WU Q, QI B, ZHAO T J, et al. A tentative study on utilization of canopy hyperspectral reflectance to estimate canopy growth and seed yield in soybean[J]. Acta Agronomica Sinica, 2013, 39(2):309-318.

[32] 葉旭君, KENSHI S, 何勇. 基于機載高光譜成像的柑橘產量預測模型研究[J]. 光譜學與光譜分析, 2010, 30(5):1295-1300.

[33] BARBEDO J G A, TIBOLA C S, FERNANDES J M C. DetectingFusarium, head blight in wheat kernels using hyperspectral imaging[J]. Biosystems Engineering, 2015, 131:65-76.

[34] 劉燕德, 肖懷春, 鄧清, 等. 柑桔黃龍病近紅外光譜無損檢測[J]. 農業工程學報, 2016, 32(14):202-208.

[35] 孫俊, 金夏明, 毛罕平, 等. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J]. 農業工程學報, 2014, 30(10):167-173.

[36] 朱西存，姜遠茂，趙庚星，等. 基于模糊識別的蘋果花期冠層鉀素含量高光譜估測[J]. 光譜學與光譜分析, 2013, 33(4):1023-1027.

[37] ZHANG X, LIU F, HE Y, et al. Detecting macronutrients content and distribution in oilseed rape leaves based on hyperspectral imaging[J]. Biosystems Engineering, 2013, 115(1):56-65.

[38] 劉紅玉, 毛罕平, 朱文靜, 等. 基于高光譜的番茄氮磷鉀營養水平快速診斷[J]. 農業工程學報, 2015, 31(增刊1):212-220.

(責任編輯：高 峻)

2017-03-10

桂江生(1978—)，男，安徽安慶人，副教授，博士，研究方向為生物圖像處理與識別，E-mail：jsgui@zstu.com。

包曉安(1973—)，男，浙江東陽人，教授，碩士，研究方向為人工智能與計算機視覺， E-mail：biaoxiaoan@zstu.com。

10.16178/j.issn.0528-9017.20170702

S127

A

0528-9017(2017)07-1101-05

文獻著錄格式：桂江生，吳子嫻，顧敏，等. 高光譜成像技術在農業中的應用概述[J].浙江農業科學，2017，58(7)：1101-1105.