高光譜和圖像特征相融合的生菜病害識別

蘆 兵, 孫 俊, 毛罕平, 楊 寧, 武小紅

(1.江蘇大學電氣信息工程學院，江蘇 鎮江 212013；2.江蘇大學現代農業裝備與技術教育部重點實驗室，江蘇 鎮江 212013；3.江蘇大學信息化中心，江蘇 鎮江 212013)

生菜因其營養豐富,便于搭配及烹制便捷的特點，深受消費者喜愛，是目前種植比較廣泛的主要經濟類蔬菜之一。由于生菜生長周期較短，若病害的診治不及時將造成重大的經濟損失。生菜病害的防治方法與其病害所處時期緊密相關，如霜霉病早期只需適時澆水施肥，而到中后期則需噴灑濃度為 45.0%～72.2%的普力克液劑[1]，因此精準識別生菜的病害類型及其所處病害時期可以快速制定出最佳治理方案，提高農藥噴灑的合理性，減少不必要的浪費和環境污染，對生菜病害防治具有重要意義，同時也是實現農業精細化管理中病害自動防治的關鍵。

高光譜技術具有高效、無損的特性，近年來在農產品分級、品種識別、病害檢測等領域得到越來越廣泛的應用[2-3]。楊賽等[4]利用聯合偏度算法對玉米種子的近紅外高光譜信息進行分析，實現對玉米種子品質的分級，識別精度達到了96.28%。岳學軍等[5]通過采集柑橘葉片4個重要生長時期的反射光譜信息對柑橘葉片的磷含量進行預測，通過Isomap-SVR建模為柑橘樹營養診斷提供依據，模型預測集的決定系數為0.894 9。曹文濤等[6]利用光譜測量技術，對土壤氯化鈉含量進行了監測，模型決定系數為0.859。在病害診治方面，Bravo等[7]分別使用可見光和近紅外波段光譜信息對小麥早期黃銹病展開研究，并取得了較好的預測效果，模型預測集最佳相關系數為0.9,王斌等[8]通過線性逐步判別分析法和非線性的偏最小二乘支持向量機(LS-SVM)建立分類模型，利用高光譜信息對腐爛、病害及正常梨棗進行分類，準確率達到99.12%。以上研究結果表明，通過高光譜技術能夠較準確地判斷作物的病害信息。

由于植物葉片的紋理和顏色比較直觀，其病害特征也相對易于提取，因此很多學者通過植物葉片的紋理和顏色特征進行病害的識別，如譚峰等[9]通過多層BP神經網絡模型對大豆葉片的色度值進行研究，進行大豆葉片的病害識別，識別率為92.1%。Zhang等[10]利用圖像分割技術對玉米葉片病斑進行分割，提取病斑的紋理、顏色等特征，利用KNN(K-nearest neighbor)分類算法取得了更好的病害識別效果。孫俊等[11]利用卷積神經網絡對多種植物葉片的不同病害進行識別，將基于視覺特征的病害識別向人工智能領域又推進了一步。但是由于基于視覺的特征有時不能完整表征植物葉片的病害信息，植物葉片可能出現細胞級病變，病變特征也可能表現為粉狀物等，這使得病斑的分割以及圖像紋理、顏色特征的提取變得異常困難[12]，且以上研究均過多關注于病害特征提取及病害類型的分類，而忽視了對病害時期的分析。因此本試驗提出了一種基于高光譜和圖像特征相融合的病害識別方法，分別從近紅外光和圖像特征兩個域采集生菜葉片的病害信息，并通過SVR分類模型對病害類型和所處時期進行分析，為生菜葉片的病害診治提供依據。

1 材料與方法

1.1 試驗材料

本試驗所用病害生菜樣本采摘自句容市白兔鎮果蔬種植基地。在雨停后，空氣較為濕潤的早晨進入生菜種植大棚,尋找發生病害的生菜植株，選擇大小為 8 cm×12 cm左右的葉片進行采摘，對采摘的病變葉片按病害類別和病害時期進行分類后裝入保鮮袋密封，并放入置有冰塊的便攜式保溫箱中保存，然后迅速送往實驗室進行試驗。通過篩選最終得到炭疽病葉片樣本58個、菌核病樣本72個、白粉病樣本64個及健康葉片樣本60個(圖1)。

圖1 部分試驗樣本Fig.1 Partial experimental samples

1.2 感興趣區域光譜數據采集

高光譜圖像的采集設備是由芬蘭Spectral Imaging公司生產的ImSpector N17E型高精度光譜圖像采集套件,分辨率5 nm×1 129 nm，CCD相機[Xeva-FPA-2.5-320(100 Hz),Xenics Ltd.,比利時],鏡頭(OLES30 f-2.0/30 mm,Xenics Ltd.,比利時),光源(150 W鹵鎢燈，Dolan Jenner Industries,美國)，電控平移臺(SC30021A,Zolix公司，北京)。

為減少環境噪聲和暗流對光譜采集的影響，先提前打開光源進行預熱，對實驗臺進行黑白標定[13]。將生菜葉片樣本均勻平鋪在一塊 10 cm×15 cm的黑板上，然后慢慢推送到移動臺上進行高光譜圖像的采集，設定相機曝光時間為20 ms,移動臺速度為1.25 nm/s，光譜范圍為 875～1 700 nm。為近一步降低噪聲干擾，去掉高光譜圖像數據首尾部各15個波段信息，最終得到波長范圍為 903～1 750 nm,共226個波長的高光譜數據。將測得的光譜數據按照 3∶2的比例進行劃分，共得到校正集樣本120個，預測集樣本80個。

為提取病害葉片的完整光譜信息，根據采集樣本病斑特征分布較均勻的特點，以葉片主脈為中心，選取靠葉尖部位的250像素×250像素的區域作為光譜信息采集的感興趣區域[14](Region of interest,ROI)。最終采集的生菜樣本原始光譜信息如圖2所示。

圖2 原始光譜信息Fig.2 Information of the original spectra

從圖2可以看出，在850 nm和1 000 nm附近出現2個波谷，在1 100 nm和1 300 nm處出現2個波峰，在1 400～1 700 nm處反射率趨于平穩，1 700 nm后反射率陡峭上升，基本符合綠色葉片“紅谷”、“綠峰”、“藍邊”和“高臺階”的光譜分布特點[15]。

生菜病害對生菜葉片葉色、可溶性蛋白等成分有顯著的影響，且不同病期的表征不同。為了研究不同病期葉片光譜信息的差異，選取白粉病葉片3個不同病期的葉片樣本，取每組樣本反射率的平均值，得到平均光譜反射率曲線。從圖3可看出，生菜白粉病葉片不同病期的光譜反射率曲線存在差異。通過對其他2種病害類型不同病期平均光譜的分析,發現其光譜反射率曲線同樣存在差異,說明不同病期的光譜反射率信息可以作為生菜病害病期診斷的依據。

圖3 白粉病各病期平均光譜圖Fig.3 Average spectrum of powdery mildew in different disease stages

利用ENVI軟件采集到的病害生菜葉片高光譜數據中共含256個波長的光譜信息，需要從中提取最具有代表性的特征波長信息，從而提高后期建模的效率。在Matlab2012a中利用多項式平滑(Savitzky-Golay,SG)算法[16]對原始光譜數據進行降噪平滑處理,然后運行連續投影算法[17](Successive projections algorithm,SPA)對特征波長進行選擇，設定預選擇的波長數量6≤N≤50，以不同波長數量下均方根誤差(RMSE)為選取依據，確定最優波長數，如圖4所示。

圖4 均方根誤差驗證最優波長個數Fig.4 Optimal wavelength number verified by root mean square error

從圖4可以看出，健康葉片波長個數大于8個時，RMSE趨于穩定，而炭疽病、頂燒病、白粉病的波長個數分別大于9、11、12時RMSE趨于穩定，最終選定的各類型葉片的光譜特征值如表1所示。

表1各病害類型葉片特征波長

Table1Characteristicwavelengthsforeachtypeofdisease

病害類型特征波長 (nm)健康葉片對照890、925、970、1 080、1 135、1 258、1 482、1 650炭疽病900、980、1 130、1 220、1 325、1 389、1 521、1 596、1 685菌核病925、960、1 050、1 125、1 196、1 265、1 328、1 385、1 428、1 521、1 668白粉病930、955、996、1 065、1 108、1 176、1 254、1 305、1 384、1 465、1 558、1 632

1.3 圖像特征提取

1.3.1 紋理特征提取 病斑區域的準確分割能夠為特征數據的提取提供有效依據，針對不同的病害特征，應采取不同的特征分割方法，常用的特征分割方法有基于邊緣檢測的Roberts算子、Sobel算子等[18]，基于灰度的Ostu算子及k-means算子等[19]。本試驗采用Sobel和Ostu算子對生菜病害特征進行提取，提取效果如圖5所示。

圖5 不同類型病斑區域分割圖Fig.5 Different types of lesion segmentation picture

觀察圖5可以看出，炭疽病和菌核病的病害特征提取較完整，而白粉病的特征很難提取。同時由于葉脈的存在，對特征的提取存在一定干擾，因此在特征值的量化過程中需要對中間葉脈部分進行進一步濾波，以提高特征值的精度。

局部二值模式(Local binary pattern,LBP)是一種圖像局部紋理特征提取的非參數線性算子[20]，具有旋轉不變性，能較好地表征圖像的紋理信息，其表達式如下：

(1)

U(LBPP,R)=|s(gp-1-gc)-s(g0-gc)|+

(2)

其中g0為中間點灰度值，gc表示以中間點為圓心，R為半徑的像素點的灰度值，P表示圓周上選定的像素點數量。試驗設定采集像素點的數量為8，由于采用的是LBP混合模式，算子維度由原來的256(2p)個，減少到56個[21]，經多次試驗，確定R通道的LBP值具有最佳分類效果，圖6是R通道LBP值統計圖。

圖6 R通道LBP值統計圖Fig.6 Statistical graphs of LBP values under R channel

1.3.2 顏色特征提取 顏色矩能有效表征圖像中顏色的分布，顏色矩包含表示均值的一階矩，表示方差的二階矩和表示斜度的三階矩等。圖像顏色信息主要體現在低階矩中[22]，試驗利用一到三階矩來表征病害圖像中的顏色特征，計算公式如下：

(3)

(4)

(5)

其中N代表像素數量，Pij表示第i個像素的第j個顏色分量。式(3)、(4)、(5)分別表示圖像中的顏色強度、均勻性及對稱性信息。

2 結果與分析

支持向量機(SVM)通過尋求結構化風險最小來提高學習機泛化能力，實現經驗風險和置信范圍的最小化[23]，在統計樣本量較少的情況下，也能獲得良好統計規律的目的。本試驗在Matlab 2014a仿真平臺中利用LibSVM工具包對生菜病害樣本進行分類，為提高分類模型的線性相關性選擇支持向量回歸機(SVR)對生菜病害進行分類預測，選用徑向基(RBF)[24]為核函數。

為了檢驗高光譜信息在生菜病害類型及病害時期的預測效果，本試驗嘗試通過2種特征向量的組合在SVR模型下進行驗證。組合1為紋理信息加顏色信息，即56個維度上LBP統計值信息和一到三階矩表示的顏色能量、對比度和相關度信息，組合2在紋理信息和顏色信息的基礎上再加入高光譜反射信息。按1∶1∶1的比例分別選取病害早期、病害中期及病害晚期炭疽病樣本36個、菌核病樣本48個、白粉病樣本45個及健康葉片樣本39個作為訓練集，剩余樣本作為預測集。為了能夠精準地預測病害時期，按病害類型定義輸出標簽，健康葉片標簽的取值范圍設為[0,1]，炭疽病設為[1,2],菌核病設為[2,3],白粉病設為[3,4],標簽數值區間的變化方向和病害時期之間成正相關。通過訓練和預測，最終得到SVR模型下驗證數據(表2)。

表2不同組合下模型驗證結果

Table2Verificationresultsunderdifferentcombinations

組合病害類型樣本集決定系數均方根誤差病害時期識別率(%)組合1炭疽病訓練集0.868 20.038 582.35預測集0.846 90.072 5菌核病訓練集0.854 20.042 184.56預測集0.812 50.063 2白粉病訓練集0.805 60.065 372.83預測集0.782 50.075 8健康葉片訓練集0.882 50.025 888.57預測集0.872 60.042 1組合2炭疽病訓練集0.928 50.032 591.27預測集0.902 10.042 5菌核病訓練集0.931 70.047 890.61預測集0.891 70.074 5白粉病訓練集0.888 50.054 289.23預測集0.866 90.062 1健康葉片訓練集0.964 80.024 794.86預測集0.921 30.042 9

組合1：紋理信息+顏色信息；組合2：顏色信息+紋理信息+高光譜反射信息。

從對比數據可以看出，基于顏色、紋理和高光譜反射信息組合的病害類型及病害時期預測效果要明顯好于基于顏色和紋理的組合方式，組合1和組合2對炭疽病和菌核病的識別率均高于白粉病，說明病害特征的分割效果在病害診斷上起到關鍵作用。組合2的白粉病預測集相關系數達到了0.866 9，比組合1的白粉病預測集相關系數提高了10.79%，說明高光譜反射信息的加入可有效改善病害特征不易分割的病害預測精度。在病害時期預測上，由于傳統顏色加紋理的方法只能從病斑形狀、大小變化以及顏色變化上對病害所處時期進行判斷[25]，準確率不夠理想，而高光譜反射信息對植物葉片內生物元素變化較為敏感，能較好地體現不同病害及不同病害時期的葉片變化，通過不同病害時期的光譜特征值對病害時期進行量化，因此在加入高光譜反射信息后，生菜各類型病害所處時期的判斷準確率均得到大幅提升。由于SVR模型通過非線性映射到高維特征空間后仍存在少量樣本游離在線性范圍外[26]，模型的預測集在這些點的干擾下平均決定系數(R2)只有0.895 6，不是十分理想。因此，通過工具包中svmtrain函數的P標簽引入松弛變量εi降低間隔閾值[27]，再通過meshgrid函數采用交叉驗證法調整目標函數中懲罰因子c及核函數方差g對游離點進行過濾。當εi=0.36，c=28，g=0.15時，訓練集R2=0.932 5，RMSE=0.021 7，預測集R2=0.928 6，RMSE=0.034 2，病害時期綜合預測準確率92.23%，說明模型此時達到最佳性能，沒有出現“欠擬合”和“過擬合”的情況。圖7為調優前后SVR模型預測結果，相較于優化前，預測結果的分布更加集中于高決定系數、低均方根誤差、高病害時期識別率區域,說明松弛變量的引入確實提高了模型的預測精度，達到了預期效果。

圖7 模型優化前后預測效果對比圖Fig.7 Comparison chart of prediction effect before and after optimization

3 結 論

本試驗通過高光譜信息和圖像特征相融合的技術對生菜的病害及所處時期展開研究，利用光譜特征值、圖像顏色和紋理信息通過SVR模型進行病害、病害時期的預測。

試驗結果表明，基于高光譜、顏色及紋理特征的組合，在病害類型及時期預測精度上明顯優于基于紋理和顏色的組合，尤其在白粉病這種病害特征難以分割的病害類型預測上，其預測集決定系數達到0.866 9，相較于顏色和紋理的組合方式預測精度提高了10.79%。

由于光譜特征值、LBP值以及基于一到三階矩提取的顏色信息和病害類型及病害時期之間的映射是一個非線性關系，在SVR模型中轉換到高維線性空間后，部分游離在線性空間外的樣本嚴重干擾了模型的預測精度，通過引入松弛變量降低間隔閾值的方式可有效改善SVR模型的預測能力，模型精度指標(R2)及模型穩定性指標(RMSE)分別達到0.928 6和0.034 2,病害時期準確率為92.23%，基本達到預期效果。

試驗結果表明，通過高光譜和圖像特征相融合的方式，能夠較好地實現對生菜病害及其時期的預測，可為生菜病害的自動防治提供技術參考。