1光譜技術(shù)在作物病害檢測中的研究及應用

光譜技術(shù)可以獲得人眼不能感知的光波段信息，因此利用其良好的光學性能，可以大大提高作物樣本信息的采集量。在400-1100nm波長范圍內(nèi)對被灰霉侵染的蠶豆葉片進行研究，結(jié)果顯示其一階導數(shù)反射率可以用來監(jiān)測蠶豆病害感染情況。在可見光-近紅外中的四個不同波段對健康小麥和染病小麥的光譜反射率進行研究，建立二次判別分類模型，使得分類錯誤率從12％降至4％，從而實現(xiàn)小麥黃繡病的早期識別。

基于可見近紅外光譜技術(shù),分別使用二次判別分析法（QDA）和軟獨立建模分類法（SIMCA）對柑橘黃龍病進行了識別，取得了較好的效果。應用可見近紅外波段的光譜信息分別對茄子以及番茄葉片灰霉病進行了早期診斷研究，采用主成分分析對光譜進行降維，并通過將前8個主成分輸入BP神經(jīng)網(wǎng)絡建模實現(xiàn)葉片病害程度的檢測。利用短波紅外成像儀獲取小麥葉片的光譜圖像，研究發(fā)現(xiàn)1350-1600nm光譜范圍內(nèi)數(shù)據(jù)特征差異明顯，可以實現(xiàn)小麥赤霉病的檢測。采用CARS提取感染灰霉病花椰菜的近紅外光譜特征，并基于PLSR算法建立最小判別模型實現(xiàn)花椰菜是否染病的早期檢測。2高光譜技術(shù)在作物病害檢測中的研究及應用

高光譜成像技術(shù)融合了圖像處理技術(shù)和光譜技術(shù)的優(yōu)點，獲取的高光譜圖像具有“圖譜合一”的特點，已經(jīng)廣泛應用于農(nóng)產(chǎn)品品質(zhì)與安全的快速無損檢測中。將高光譜反射圖像、多光譜熒光成像進行數(shù)據(jù)融合，實現(xiàn)了冬小麥條銹病的診斷，識別率達到94.5%。

采集侵染不同病害的甜菜高光譜數(shù)據(jù)，并基于支持向量機模型，實現(xiàn)不同病害的早期檢測與分類。對受晚疫病脅迫下的馬鈴薯葉片進行高光譜分級研究，結(jié)果顯示經(jīng)光譜變換預處理后，建立的LS-SVM模型效果較好，預測識別均達到94.87%。高光譜成像技術(shù)是基于非常多窄波段的影像數(shù)據(jù)技術(shù)，獲得的數(shù)據(jù)相比多光譜分辨率更高，波段數(shù)更豐富，這給深度學習在作物病害檢測方面的應用帶來可能。利用高光譜成像儀采集TMV感染后2、4和6d的煙草葉片以及相應時間點的健康葉片圖像，結(jié)合變量選擇方法和機器學習分類方法，采用BP神經(jīng)網(wǎng)絡進行建模，對煙草病癥進行早期檢測，最終選擇識別精度高達95%。

采用便攜式戶外高光譜成像儀在田間采集穗株高光譜圖像，利用GoogleLeNet卷積神經(jīng)網(wǎng)絡進行建模，采用隨機梯度下降法和隨機平移平均光譜圖像亮度增加訓練精度，使得水稻穗瘟病害預測準確率可以達到92.0%。以柑橘正常葉片、潰瘍病葉片、紅蜘蛛葉片、煤煙病葉片、除草劑（草甘磷）葉片為研究對象，利用高光譜成像技術(shù)提取450-900nm下的81個波段作為模型輸入數(shù)據(jù)，建立基于CNN的柑橘病葉分類模型，在訓練1000次以上，模型的準確率為98.75%。

建立基于高光譜的卷積神經(jīng)網(wǎng)絡模型實現(xiàn)了對大豆花葉病害初期的快速檢測，可以實現(xiàn)健康葉片、接種SC3病毒的花葉病葉片、接種SC7病毒的花葉病葉片有效識別。

3總結(jié)

綜上所述，目前應用光譜成像技術(shù)和機器學習技術(shù)實現(xiàn)作物病害檢測的研究已經(jīng)很多，主要集中于水稻、小麥等糧食作物以及大豆、黃瓜、馬鈴薯、煙草、柑橘等經(jīng)濟作物。但還存在如下問題：①大部分研究基于實驗室數(shù)據(jù)階段，而針對大田或?qū)嶋H生長環(huán)境的作物病害檢測比較少；②國內(nèi)外學者對病害檢測識別模型或算法研究的較深，但對病害早期檢測預防研究較少；③國內(nèi)基于光譜和圖像處理的便攜式病害檢測裝置研究還很少，有待進一步研究開發(fā)。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯 黃昊宇