蘆 兵, 孫 俊, 毛罕平, 楊 寧, 武小紅

(1.江蘇大學(xué)電氣信息工程學(xué)院，江蘇 鎮(zhèn)江 212013；2.江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 鎮(zhèn)江 212013；3.江蘇大學(xué)信息化中心，江蘇 鎮(zhèn)江 212013)

生菜因其營養(yǎng)豐富,便于搭配及烹制便捷的特點(diǎn)，深受消費(fèi)者喜愛，是目前種植比較廣泛的主要經(jīng)濟(jì)類蔬菜之一。由于生菜生長周期較短，若病害的診治不及時(shí)將造成重大的經(jīng)濟(jì)損失。生菜病害的防治方法與其病害所處時(shí)期緊密相關(guān)，如霜霉病早期只需適時(shí)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(zhǔn)識(shí)別生菜的病害類型及其所處病害時(shí)期可以快速制定出最佳治理方案，提高農(nóng)藥噴灑的合理性，減少不必要的浪費(fèi)和環(huán)境污染，對(duì)生菜病害防治具有重要意義，同時(shí)也是實(shí)現(xiàn)農(nóng)業(yè)精細(xì)化管理中病害自動(dòng)防治的關(guān)鍵。

高光譜技術(shù)具有高效、無損的特性，近年來在農(nóng)產(chǎn)品分級(jí)、品種識(shí)別、病害檢測(cè)等領(lǐng)域得到越來越廣泛的應(yīng)用[2-3]。楊賽等[4]利用聯(lián)合偏度算法對(duì)玉米種子的近紅外高光譜信息進(jìn)行分析，實(shí)現(xiàn)對(duì)玉米種子品質(zhì)的分級(jí)，識(shí)別精度達(dá)到了96.28%。岳學(xué)軍等[5]通過采集柑橘葉片4個(gè)重要生長時(shí)期的反射光譜信息對(duì)柑橘葉片的磷含量進(jìn)行預(yù)測(cè)，通過Isomap-SVR建模為柑橘樹營養(yǎng)診斷提供依據(jù)，模型預(yù)測(cè)集的決定系數(shù)為0.894 9。曹文濤等[6]利用光譜測(cè)量技術(shù)，對(duì)土壤氯化鈉含量進(jìn)行了監(jiān)測(cè)，模型決定系數(shù)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(duì)小麥早期黃銹病展開研究，并取得了較好的預(yù)測(cè)效果，模型預(yù)測(cè)集最佳相關(guān)系數(shù)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(jī)(LS-SVM)建立分類模型，利用高光譜信息對(duì)腐爛、病害及正常梨棗進(jìn)行分類，準(zhǔn)確率達(dá)到99.12%。以上研究結(jié)果表明，通過高光譜技術(shù)能夠較準(zhǔn)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(duì)易于提取，因此很多學(xué)者通過植物葉片的紋理和顏色特征進(jìn)行病害的識(shí)別，如譚峰等[9]通過多層BP神經(jīng)網(wǎng)絡(luò)模型對(duì)大豆葉片的色度值進(jìn)行研究，進(jìn)行大豆葉片的病害識(shí)別，識(shí)別率為92.1%。Zhang等[10]利用圖像分割技術(shù)對(duì)玉米葉片病斑進(jìn)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(shí)別效果。孫俊等[11]利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)多種植物葉片的不同病害進(jìn)行識(shí)別，將基于視覺特征的病害識(shí)別向人工智能領(lǐng)域又推進(jìn)了一步。但是由于基于視覺的特征有時(shí)不能完整表征植物葉片的病害信息，植物葉片可能出現(xiàn)細(xì)胞級(jí)病變，病變特征也可能表現(xiàn)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(guān)注于病害特征提取及病害類型的分類，而忽視了對(duì)病害時(shí)期的分析。因此本試驗(yàn)提出了一種基于高光譜和圖像特征相融合的病害識(shí)別方法，分別從近紅外光和圖像特征兩個(gè)域采集生菜葉片的病害信息，并通過SVR分類模型對(duì)病害類型和所處時(shí)期進(jìn)行分析，為生菜葉片的病害診治提供依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

本試驗(yàn)所用病害生菜樣本采摘自句容市白兔鎮(zhèn)果蔬種植基地。在雨停后，空氣較為濕潤的早晨進(jìn)入生菜種植大棚,尋找發(fā)生病害的生菜植株，選擇大小為 8 cm×12 cm左右的葉片進(jìn)行采摘，對(duì)采摘的病變?nèi)~片按病害類別和病害時(shí)期進(jìn)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(shí)驗(yàn)室進(jìn)行試驗(yàn)。通過篩選最終得到炭疽病葉片樣本58個(gè)、菌核病樣本72個(gè)、白粉病樣本64個(gè)及健康葉片樣本60個(gè)(圖1)。

圖1 部分試驗(yàn)樣本Fig.1 Partial experimental samples

1.2 感興趣區(qū)域光譜數(shù)據(jù)采集

高光譜圖像的采集設(shè)備是由芬蘭Spectral Imaging公司生產(chǎn)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(jī)[Xeva-FPA-2.5-320(100 Hz),Xenics Ltd.,比利時(shí)],鏡頭(OLES30 f-2.0/30 mm,Xenics Ltd.,比利時(shí)),光源(150 W鹵鎢燈，Dolan Jenner Industries,美國)，電控平移臺(tái)(SC30021A,Zolix公司，北京)。

為減少環(huán)境噪聲和暗流對(duì)光譜采集的影響，先提前打開光源進(jìn)行預(yù)熱，對(duì)實(shí)驗(yàn)臺(tái)進(jìn)行黑白標(biāo)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(dòng)臺(tái)上進(jìn)行高光譜圖像的采集，設(shè)定相機(jī)曝光時(shí)間為20 ms,移動(dòng)臺(tái)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(shù)據(jù)首尾部各15個(gè)波段信息，最終得到波長范圍為 903～1 750 nm,共226個(gè)波長的高光譜數(shù)據(jù)。將測(cè)得的光譜數(shù)據(jù)按照 3∶2的比例進(jìn)行劃分，共得到校正集樣本120個(gè)，預(yù)測(cè)集樣本80個(gè)。

為提取病害葉片的完整光譜信息，根據(jù)采集樣本病斑特征分布較均勻的特點(diǎn)，以葉片主脈為中心，選取靠葉尖部位的250像素×250像素的區(qū)域作為光譜信息采集的感興趣區(qū)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(xiàn)2個(gè)波谷，在1 100 nm和1 300 nm處出現(xiàn)2個(gè)波峰，在1 400～1 700 nm處反射率趨于平穩(wěn)，1 700 nm后反射率陡峭上升，基本符合綠色葉片“紅谷”、“綠峰”、“藍(lán)邊”和“高臺(tái)階”的光譜分布特點(diǎn)[15]。

生菜病害對(duì)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(gè)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(duì)其他2種病害類型不同病期平均光譜的分析,發(fā)現(xiàn)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(jù)。

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(shù)據(jù)中共含256個(gè)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(xiàng)式平滑(Savitzky-Golay,SG)算法[16]對(duì)原始光譜數(shù)據(jù)進(jìn)行降噪平滑處理,然后運(yùn)行連續(xù)投影算法[17](Successive projections algorithm,SPA)對(duì)特征波長進(jìn)行選擇，設(shè)定預(yù)選擇的波長數(shù)量6≤N≤50，以不同波長數(shù)量下均方根誤差(RMSE)為選取依據(jù)，確定最優(yōu)波長數(shù)，如圖4所示。

圖4 均方根誤差驗(yàn)證最優(yōu)波長個(gè)數(shù)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(gè)數(shù)大于8個(gè)時(shí)，RMSE趨于穩(wěn)定，而炭疽病、頂燒病、白粉病的波長個(gè)數(shù)分別大于9、11、12時(shí)RMSE趨于穩(wěn)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(duì)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(qū)域的準(zhǔn)確分割能夠?yàn)樘卣鲾?shù)據(jù)的提取提供有效依據(jù)，針對(duì)不同的病害特征，應(yīng)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(cè)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(yàn)采用Sobel和Ostu算子對(duì)生菜病害特征進(jìn)行提取，提取效果如圖5所示。

圖5 不同類型病斑區(qū)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(shí)由于葉脈的存在，對(duì)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(duì)中間葉脈部分進(jìn)行進(jìn)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(shù)線性算子[20]，具有旋轉(zhuǎn)不變性，能較好地表征圖像的紋理信息，其表達(dá)式如下：

(1)

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

(2)

其中g(shù)0為中間點(diǎn)灰度值，gc表示以中間點(diǎn)為圓心，R為半徑的像素點(diǎn)的灰度值，P表示圓周上選定的像素點(diǎn)數(shù)量。試驗(yàn)設(shè)定采集像素點(diǎn)的數(shù)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(gè)，減少到56個(gè)[21]，經(jīng)多次試驗(yàn)，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(tǒng)計(jì)圖。

圖6 R通道LBP值統(tǒng)計(jì)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(xiàn)在低階矩中[22]，試驗(yàn)利用一到三階矩來表征病害圖像中的顏色特征，計(jì)算公式如下：

(3)

(4)

(5)

其中N代表像素?cái)?shù)量，Pij表示第i個(gè)像素的第j個(gè)顏色分量。式(3)、(4)、(5)分別表示圖像中的顏色強(qiáng)度、均勻性及對(duì)稱性信息。

2 結(jié)果與分析

支持向量機(jī)(SVM)通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化[23]，在統(tǒng)計(jì)樣本量較少的情況下，也能獲得良好統(tǒng)計(jì)規(guī)律的目的。本試驗(yàn)在Matlab 2014a仿真平臺(tái)中利用LibSVM工具包對(duì)生菜病害樣本進(jìn)行分類，為提高分類模型的線性相關(guān)性選擇支持向量回歸機(jī)(SVR)對(duì)生菜病害進(jìn)行分類預(yù)測(cè)，選用徑向基(RBF)[24]為核函數(shù)。

為了檢驗(yàn)高光譜信息在生菜病害類型及病害時(shí)期的預(yù)測(cè)效果，本試驗(yàn)嘗試通過2種特征向量的組合在SVR模型下進(jìn)行驗(yàn)證。組合1為紋理信息加顏色信息，即56個(gè)維度上LBP統(tǒng)計(jì)值信息和一到三階矩表示的顏色能量、對(duì)比度和相關(guān)度信息，組合2在紋理信息和顏色信息的基礎(chǔ)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(gè)、菌核病樣本48個(gè)、白粉病樣本45個(gè)及健康葉片樣本39個(gè)作為訓(xùn)練集，剩余樣本作為預(yù)測(cè)集。為了能夠精準(zhǔn)地預(yù)測(cè)病害時(shí)期，按病害類型定義輸出標(biāo)簽，健康葉片標(biāo)簽的取值范圍設(shè)為[0,1]，炭疽病設(shè)為[1,2],菌核病設(shè)為[2,3],白粉病設(shè)為[3,4],標(biāo)簽數(shù)值區(qū)間的變化方向和病害時(shí)期之間成正相關(guān)。通過訓(xùn)練和預(yù)測(cè)，最終得到SVR模型下驗(yàn)證數(shù)據(jù)(表2)。

表2不同組合下模型驗(yàn)證結(jié)果

Table2Verificationresultsunderdifferentcombinations

組合病害類型樣本集決定系數(shù)均方根誤差病害時(shí)期識(shí)別率(%)組合1炭疽病訓(xùn)練集0.868 20.038 582.35預(yù)測(cè)集0.846 90.072 5菌核病訓(xùn)練集0.854 20.042 184.56預(yù)測(cè)集0.812 50.063 2白粉病訓(xùn)練集0.805 60.065 372.83預(yù)測(cè)集0.782 50.075 8健康葉片訓(xùn)練集0.882 50.025 888.57預(yù)測(cè)集0.872 60.042 1組合2炭疽病訓(xùn)練集0.928 50.032 591.27預(yù)測(cè)集0.902 10.042 5菌核病訓(xùn)練集0.931 70.047 890.61預(yù)測(cè)集0.891 70.074 5白粉病訓(xùn)練集0.888 50.054 289.23預(yù)測(cè)集0.866 90.062 1健康葉片訓(xùn)練集0.964 80.024 794.86預(yù)測(cè)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(duì)比數(shù)據(jù)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(shí)期預(yù)測(cè)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(duì)炭疽病和菌核病的識(shí)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(guān)鍵作用。組合2的白粉病預(yù)測(cè)集相關(guān)系數(shù)達(dá)到了0.866 9，比組合1的白粉病預(yù)測(cè)集相關(guān)系數(shù)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(yù)測(cè)精度。在病害時(shí)期預(yù)測(cè)上，由于傳統(tǒng)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(duì)病害所處時(shí)期進(jìn)行判斷[25]，準(zhǔn)確率不夠理想，而高光譜反射信息對(duì)植物葉片內(nèi)生物元素變化較為敏感，能較好地體現(xiàn)不同病害及不同病害時(shí)期的葉片變化，通過不同病害時(shí)期的光譜特征值對(duì)病害時(shí)期進(jìn)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(shí)期的判斷準(zhǔn)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(yù)測(cè)集在這些點(diǎn)的干擾下平均決定系數(shù)(R2)只有0.895 6，不是十分理想。因此，通過工具包中svmtrain函數(shù)的P標(biāo)簽引入松弛變量εi降低間隔閾值[27]，再通過meshgrid函數(shù)采用交叉驗(yàn)證法調(diào)整目標(biāo)函數(shù)中懲罰因子c及核函數(shù)方差g對(duì)游離點(diǎn)進(jìn)行過濾。當(dāng)εi=0.36，c=28，g=0.15時(shí)，訓(xùn)練集R2=0.932 5，RMSE=0.021 7，預(yù)測(cè)集R2=0.928 6，RMSE=0.034 2，病害時(shí)期綜合預(yù)測(cè)準(zhǔn)確率92.23%，說明模型此時(shí)達(dá)到最佳性能，沒有出現(xiàn)“欠擬合”和“過擬合”的情況。圖7為調(diào)優(yōu)前后SVR模型預(yù)測(cè)結(jié)果，相較于優(yōu)化前，預(yù)測(cè)結(jié)果的分布更加集中于高決定系數(shù)、低均方根誤差、高病害時(shí)期識(shí)別率區(qū)域,說明松弛變量的引入確實(shí)提高了模型的預(yù)測(cè)精度，達(dá)到了預(yù)期效果。

圖7 模型優(yōu)化前后預(yù)測(cè)效果對(duì)比圖Fig.7 Comparison chart of prediction effect before and after optimization

3 結(jié) 論

本試驗(yàn)通過高光譜信息和圖像特征相融合的技術(shù)對(duì)生菜的病害及所處時(shí)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(jìn)行病害、病害時(shí)期的預(yù)測(cè)。

試驗(yàn)結(jié)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(shí)期預(yù)測(cè)精度上明顯優(yōu)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(yù)測(cè)上，其預(yù)測(cè)集決定系數(shù)達(dá)到0.866 9，相較于顏色和紋理的組合方式預(yù)測(cè)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(shí)期之間的映射是一個(gè)非線性關(guān)系，在SVR模型中轉(zhuǎn)換到高維線性空間后，部分游離在線性空間外的樣本嚴(yán)重干擾了模型的預(yù)測(cè)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(yù)測(cè)能力，模型精度指標(biāo)(R2)及模型穩(wěn)定性指標(biāo)(RMSE)分別達(dá)到0.928 6和0.034 2,病害時(shí)期準(zhǔn)確率為92.23%，基本達(dá)到預(yù)期效果。

試驗(yàn)結(jié)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(shí)現(xiàn)對(duì)生菜病害及其時(shí)期的預(yù)測(cè)，可為生菜病害的自動(dòng)防治提供技術(shù)參考。