褐飛虱誘導的水稻冠層熱圖像溫度特征變異評估方法

劉又夫 肖德琴 劉亞蘭 鐘伯平 周志艷

(1.華南農業大學廣東省農業航空應用工程技術研究中心，廣州510642;2.國家精準農業航空施藥技術國際聯合研究中心，廣州510642;3.華南農業大學數學與信息學院，廣州510642;4.華南農業大學資源環境學院，廣州510642)

0 引言

水稻是主要糧食作物之一，約占糧食總產量的30%［1］。稻飛虱是水稻生產中危害最為嚴重的害蟲之一，每年都會造成水稻產量的巨大損失［2］。因此，稻飛虱早期監測研究對精準用藥和早期防治具有重要意義。

目前，對蟲害的檢測方法主要有光譜檢測法、圖像識別法和電子鼻檢測法等。光譜檢測法通過檢測水稻冠層的光譜特征來判斷是否存在病蟲害［3］。圖像識別法通過獲取受害作物的圖像，結合圖像處理、分類識別、深度學習等方法［4］進行病蟲害識別。電子鼻檢測法通過檢測受害水稻的氣體揮發物進行判別［5］。

上述蟲害檢測方法中，冠層溫度特征是作物蟲害識別的重要指標之一［6］。水稻與自身周圍的病蟲害存在著復雜的相互作用［7］，在受到病蟲害侵害時，水稻會出現一系列生理變化［8-10］。其中，氣孔導度變化會引起其冠層蒸騰作用強度的改變，從而改變水稻的冠層表面溫度［11］。

紅外熱成像技術具有非接觸、遠程以及無損［12-14］等優點，因此可用于監測水稻生長過程中的冠層溫度變化情況［15］。目前，基于紅外熱成像技術的農業應用研究主要以旱地作物為主［16-18］，通常僅討論了同時刻下健康組與脅迫組的溫度特征變化，鮮有與氣象因子相結合進行分析。此外，作物冠層的溫度特征會受氣象因子的影響，僅用單一溫度對作物狀態進行評估，需要在同一時刻下設置健康作物作為參照，并進行差異性分析［19-22］，該方式在實際生產中的可操作性不強。

為尋求水稻被褐飛虱侵害后冠層溫度特征的有效評估方法，本文以褐飛虱易感水稻品種“TN1”為研究對象，運用熱紅外成像技術獲取健康水稻與受侵害水稻的冠層溫度特征，使用機器學習分類器，對褐飛虱誘導的水稻冠層熱圖像溫度特征變異評估方法進行研究，以期為稻飛虱蟲害的機器監測技術提供參考。

1 材料和方法

1.1 試驗地點及研究對象

試驗地點為廣東省廣州市華南農業大學岑村校內農場。水稻品種為“TN1”(稻飛虱易感品種)。稻種經過選種催芽后，將露白的種子種在12 個混有有機肥的土壤盆栽中進行培育，待水稻長到苗期進行試驗。選擇長勢接近的8 盆稻苗用作試驗，分成2 個處理，每個處理4 次重復，即:4 盆作為褐飛虱侵害脅迫組，4 盆作為健康對照組。

褐飛虱來自廣東省農業科學院植物保護研究所，蟲源放置在種植好的TN1 水稻上進行培養擴繁，取3 齡左右的褐飛虱用于試驗，脅迫組平均每株水稻接種褐飛虱5 ～6 頭。

脅迫組的水稻與對照組的水稻分開放置，并分別用網罩罩住，以防褐飛虱逃逸及交叉影響。試驗期間，脅迫組與對照組采用相同的水肥管理方式，以保證脅迫組與對照組水稻的含水狀態一致。

1.2 儀器設備

熱圖像采集儀器與溫濕度、水溫采集試驗儀器如圖1 所示。熱像儀和溫濕度傳感器的儀器參數如表1 所示。

圖1 試驗儀器設備Fig.1 Test equipments

T400 型熱像儀為美國FILR 公司生產，擁有可視化界面、自動定時拍攝功能。COGO SMTDOG280型溫濕度傳感器為北京安嵌科貿有限公司生產，擁有GPRS 數據上傳模塊與過熱過冷報警模塊。

表1 儀器參數Tab.1 Instruments parameter values

1.3 數據采集

采用T400 型熱像儀采集水稻冠層的熱紅外正射圖像，同時使用COGO SMTDOG280 型溫濕度傳感器實時進行環境溫度、相對濕度以及水稻灌溉水層水溫的采集。熱像儀中被測對象發射率的設置參照文獻［23］提供的參考值，即水稻冠層的發射率調整為0.98［23］。

數據采集時段為每天09:30—15:00［24］，持續采集10 d。熱紅外圖像的采樣間隔為5 min，溫濕度傳感器的采樣間隔為30 s，每次采集的對象為空氣溫度、相對濕度與水稻灌溉水層水溫。數據采集方案示意圖如圖2 所示。

圖2 數據采集方案示意圖Fig.2 Data acquisition diagram

1.4 數據預處理

數據統計分析處理的軟件主要包括Excel 軟件、ResearchIR 熱紅外圖像處理軟件與Python 3.0。Excel 用于記錄數據;ResearchIR 用于提取熱紅外圖像的CSV 文件;Python 3.0 用于批量處理圖像并自動提取冠層統計學指標。由于種植密度高，基本看不到水稻冠層間隙中的水和土壤，因此采取框取主要區域的方式進行特征提取。水稻冠層熱圖像預處理的具體流程如圖3 所示。

1.5 熱圖像特征提取

1.5.1 統計學特征

圖3 熱圖像預處理流程Fig.3 Thermal image preprocessing

褐飛虱侵害水稻時，主要通過刺吸式口器吸食汁液［25］，造成植株水分部分流失。因此水稻冠層水分脅迫是褐飛虱危害后的特征之一［26］，可通過對水稻熱紅外圖像進行統計學分析，進行水分脅迫情況評估。

熱紅外技術的本質是把目標對象射出的熱輻射場轉變為灰度數字矩陣，并添加偽彩處理。作物冠層的灰度數字矩陣的統計學特征可用于判斷水分脅迫程度［27-28］。本文通過提取水稻冠層溫度極差(Canopy temperature range，CTR)、眾 數 頻 率(Maximum frequency of canopy temperature，CTM)和變異系數(Canopy temperature coefficient of variation，CTCV)來對褐飛虱的侵害作出評估。相應的統計學特征公式為

式中 ECTCV——CTCV 冠層特征數

N——水稻冠層熱紅外圖像像素點總數量

Ti——水稻冠層熱紅外圖像第i 個像素溫度

Tleaf——水稻冠層熱紅外圖像平均溫度

ECTR——CTR 冠層特征數

Tmax——水稻冠層熱紅外圖像最大溫度

Tmin——水稻冠層熱紅外圖像最小溫度

ECTM——CTM 冠層特征數

Tfmax——水稻冠層熱紅外圖像溫度眾數

在提取CTR 指數時，為了防止極偏差數據的產生，在將數組排列完順序后，取排于數組的第2.5%和第97.5%位置的數據作極差。

在提取ECTM時，將像素點對應的溫度保留一位小數進行統計。

由于統計學特征量綱不統一，為了方便相互之間進行比較，對所有提取結果進行歸一化。歸一化表達式為

式中 β0——歸一化后的統計學特征值

C0——原統計學特征值

Cmax——統計學特征值數據集的最大值

C

min——統計學特征值數據集的最小值

1.5.2 脅迫條件下的統計學特征變化特點

在葉片發生水分脅迫后，其冠層脅迫特征會隨之變化［29］。為探究該問題的數學機理，假設一個理想的葉片脅迫模型如圖4 所示，葉子表面溫度場由有限個離散點的溫度代替，其中綠色點代表無脅迫溫度，黃色點代表輕度脅迫溫度，紅色點代表重度脅迫溫度。

圖4 理想的脅迫過程Fig.4 Ideal stress process

在理想的極端條件下，葉片未受到脅迫時，可假設每個離散點的溫度相等，如圖4 最左邊的全綠色葉片。隨著脅迫的加重，黃色點變多，紅色點也開始出現。脅迫再加重后，黃色點與紅色點逐漸變多，綠色點僅剩下幾個。根據上述的變化過程，對應的統計學特征預測變化趨勢如表2 所示。

表2 統計學特征變化趨勢Tab.2 Trend of statistical characteristics

CTCV 隨著溫度場的離散程度增大而變大，溫度場初始值無離散，因此為CTCV 的初始值(0)。CTR 隨著溫度場的極端值之差變大而變大，溫度場初始值無極端值，或極端值之差為0℃，因此CTR 的初始值也為0℃。CTM 隨著溫度場的離散程度變大而變小，溫度場初始值的眾數與溫度場離散點的數量一致，因此初始值為1。

1.6 數據分析

1.6.1 累計差值法

累計差值法是將同一時刻下的兩組數據作差，再取絕對值作累加。本文采用累計差值法篩選出差異性最大的統計學特征。累計差值法表達式為

式中 A——所有數據統計學特征值的累計差值

n——數據統計學特征值的總組數

βi1——第i 組健康水稻的統計學特征值

βi2——第i 組被侵害水稻的統計學特征值

1.6.2 機器學習分類器

機器學習是一種通過數據集的訓練能自動擬合出模型的算法，其本質是一種對真實模型的逼近。在機器學習的監督學習中，數據的分類是重要的任務之一。分類器通過已有的數據集進行訓練，其所得到的參數模型可用于判斷預測所輸入的數據類別，且該類別必須是離散的形式。本文采用邏輯回歸(Logistic regression，LR)算法與支持向量機(Support vector machine，SVM)算法擬合褐飛虱的危害評估分類模型。

LR 算法是基于概率思想的算法，其結果是以概率的形式進行判斷分類。由于普通感知機模型的變量值范圍為正負無窮大，無法給予某種概率的表達，因此LR 算法引入了連續可分的sigmoid 函數，將模型映射成0 到1 的范圍。邏輯回歸的損失函數是由最大似然估計所推導得出，邏輯回歸損失函數J(θ)的表達式為

式中 θ——求解出的一組參數

m——樣本的個數

yi——樣本i 的真實標簽

yθ(xi)——樣本i 基于參數θ 所計算出的邏輯回歸返回值

xi——樣本i 的特征向量

為防止過擬合現象，通過在損失函數后方添加L2 范數來達到優化模型泛化能力的效果。添加了L2 范數的邏輯回歸損失函數JL2(θ)表達式為

式中 J(θ)——邏輯回歸的原始損失函數

C——控制正則化程度的超參數

k——方程中的特征總數

θj——第j 個參數向量

其中，C 為主要的調參對象，j 為大于等于1 的正整數，因為在參數向量中，第一個參數θ0是截距，通常不參與正則化。

SVM 算法的特點主要體現在核函數以及松弛系數或懲罰系數的使用。SVM 算法的核心思想是在樣本空間中尋找出一個可將數據集分離的超平面，同時還要找出滿足離超平面距離最近的若干個樣本點達到最大化的條件。當該超平面找出后，即可根據該超平面對輸入到樣本空間的特征向量進行分類。SVM 的損失函數表達式為

式中 w——超平面方向參數向量

b——超平面截距

?——懲罰系數

δi——樣本i 的松弛系數，用于衡量容納錯誤樣本的程度

Φ(xi)——核函數，用于將樣本集xi映射于更高緯的空間

式(8)為SVM 的損失函數基本型及其SVM 損失函數的約束條件。懲罰系數? 與核函數Φ(xi)為主要的調參對象。

2 結果與分析

2.1 冠層熱圖像統計學特征

2.1.1 健康水稻冠層熱圖像統計學特征趨勢

為驗證由1.5.2 節提出的冠層熱圖像統計學特征與脅迫程度的變化關系，先分析健康水稻冠層溫度統計學特征的日變化量，在晴朗無云的條件下采集數據，時間段為07:30—18:00。3 種統計學特征數的變化趨勢如圖5 所示。

圖5 統計學特征日變化趨勢Fig.5 Statistical eigenvalues trend of daily variation

由圖5 可知，從上午到中午期間，脅迫會隨著高溫高光強而加重，水稻為調節自身的溫度，水分供給足夠的情況下，在中午時氣孔開度會達到最大［30］，蒸騰作用最強，3 種特征數在此期間都發生了變化，其中CTR 與CTCV 都呈上升趨勢，CTM 呈下降趨勢，與前面的假設符合。隨后在中午到傍晚期間，隨著溫度與光強的減弱，環境因素造成的脅迫下降，CTR 與CTCV 都隨之下降，CTM 上升，與1.5.2 節提出的假設符合。同時也可知，由于環境溫濕度等條件的變化，上述特征也相應發生變化。

2.1.2 統計學特征的累計差值對比

試驗過程中共采集了242 組水稻溫度冠層特征值數據，每組數據表示的是脅迫組與對照組3 種冠層特征值均值的組合。將采集的數據集使用累計差值法進行分析。某條冠層特征值數據的差值越大，代表該時刻下，健康水稻熱圖像與受褐飛虱脅迫水稻熱圖像的冠層統計特征值差異性越大。將某個冠層特征值每條數據的差值進行累加，得到的差值累計值越大，表示該冠層特征值更容易判斷出是否有褐飛虱侵害的狀態，從而更有利于評估模型的擬合。

數據集的累計差值，CTR 與CTM 分別為25.44、27.23，均低于30，而CTCV 為30.78，說明CTCV 更能反映健康水稻與受侵害水稻的差異性，因此，在后續研究中，重點針對該統計學特征進行分析討論。

2.2 環境氣象因子與CTCV 之間的相關關系

水稻冠層溫度會因周圍的氣象因子變化而變化，因此冠層的統計學特征數也會隨之變化，在沒有健康水稻作為參照的條件下，很難單純使用冠層統計學特征數判斷褐飛虱的侵害狀態，因此進行褐飛虱侵害的評估時應將氣象因子也作為特征考慮在內。

水的比熱容較大，環境溫度變化時，水溫的變化較緩慢，因此，引入水稻灌溉水層水溫作為參考因子。水溫雖然不會影響水稻冠層溫度，但水溫與氣象因子具有一定的關系，有助于模型的擬合。本文采集水稻冠層熱圖像對應時刻的環境空氣溫度、相對濕度以及水稻灌溉水層水溫，與CTCV 進行相關分析［31］。結果如表3 所示。

由表3 可知，CTCV 與空氣溫度和水稻灌溉水層水溫呈正相關關系，與相對濕度呈負相關關系。三者與CTCV 的皮爾遜系數均高于0.2，其中水溫的皮爾遜系數為0.41，在三者中密切程度最高。從表3 可看出，使用傳統的線性擬合法建立模型較困難。

表3 相關分析結果Tab.3 Correlation analysis between CTCV and meteorological factors

2.3 基于環境因子與冠層溫度特征融合的侵害評估

由上述分析可知，非線性評估模型的擬合應使用CTCV、空氣溫度、相對濕度以及灌溉水層水溫作為特征值進行訓練。CTCV 雖然是累計差值中最高的一個特征，但CTR 與CTM 的信息未必全部無效。因此除了單獨使用CTCV 進行建模時，也嘗試將3種統計學特征一起參與建模進行對比。

采集的數據集正負樣本各242 條，按照7:3 的比例設置訓練集與測試集，其中正負樣本訓練數據條數各為169，測試數據條數各為73，健康水稻標簽為1，受褐飛虱侵害的水稻標簽為0。分別采用LR算法與SVM 算法進行分類，結果如表4 所示。

LR 算法所訓練的參數設定為:L2 正則化，最大迭代次數為1 000。SVM 算法所訓練的參數設定為:L1 懲罰項，最大迭代次數為1 000。

表4 中，LR 與SVM 算法經過5 折交叉驗證法調參后達到了最優值。其中單獨CTCV 加氣象因子的LR 算法最優正則化系數為766，SVM 算法的最優核函數采用線性內核，懲罰系數為51。其中CTCV、CTR、CTM 加氣象因子的LR 算法最優正則化系數為684，SVM 算法的最優核函數采用線性內核，懲罰系數為49。

表4 中，精準率、召回率與F1 綜合指標均為測試集的結果。在單獨使用CTCV 與氣象因子的組合作為輸入特征對模型訓練擬合時，LR 與SVM 算法的精準率分別為86.61%、84.62%，召回率分別為86.54%、84.62%，F1 綜合指標分別為86.37% 與84.62%。而在將所有冠層統計學特征與氣象因子組合作為輸入擬合模型時，LR 與SVM 算法的精準率 為 87.15%、86.74%，召 回 率 為 86.54%、86.90%，F1 綜合指標為86.55%、86.53%。

相比單獨使用CTCV 與氣象因子的組合，將全部冠層統計學特征用作模型擬合時，SVM 算法的效果有所提升。而2 種組合中LR 算法的精準率與F1綜合指標均優于對應的SVM 算法。

表4 蟲害評估模型的擬合結果Tab.4 Fitting results of estimate models

3 結論

(1)通過采集從清晨至傍晚的水稻冠層熱圖像及環境氣象數據，證明了氣象因子對冠層熱圖像統計學特征的影響。采用累計差值法篩選出健康水稻與受侵害水稻間差異性最大的統計學特征。在提取的3 個統計學特征中，CTCV 的累計差值為30.78，是最大的特征值，因此CTCV 更能反映健康水稻與受侵害水稻的差異性。

(2)空氣溫度、水稻灌溉水層水溫與CTCV 呈正相關關系，相對濕度與CTCV 呈負相關關系。

(3)基于環境氣象因子與冠層熱圖像溫度特征融合的方法，包括:CTCV 與氣象因子組合、3 個冠層熱圖像統計學特征與氣象因子組合，采用LR 算法與SVM 算法進行水稻分類及評估，結果表明，LR 算法整體效果優于SVM 算法。在同時使用3 個水稻冠層熱圖像統計學特征時，SVM 算法的效果有所提升，LR 算法的準確率也有提升。總體而言，將所有冠層統計學特征作為輸入向量的LR 算法效果較優，其精準率為87.15%，召回率為86.54%，F1 綜合指標為86.55%。

(4)本研究所述的分類及評估方法仍有較大提升空間。從輸入特征向量的角度，今后可考慮增加光照強度、風速等氣象因子，使輸入參量更全面;此外，分類輸出只考慮了健康和脅迫2 個類別，缺乏對受侵害程度的評估。