朱文靜 陳 華 李 林 魏新華 毛罕平 SPANER D

(1.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， 鎮(zhèn)江 212013； 2.江蘇大學(xué)農(nóng)業(yè)裝備工程學(xué)院， 鎮(zhèn)江 212013；3.阿爾伯塔大學(xué)農(nóng)業(yè)生命與環(huán)境科學(xué)學(xué)院， 埃德蒙頓 T6G 2P5)

0 引言

小麥葉銹病是由小麥隱匿柄銹菌(Pucciniatriticina)引起的一種世界性重要病害，嚴(yán)重時(shí)可造成40%以上的產(chǎn)量損失。近年來(lái)全球氣候變暖以及耕作制度改變更促使小麥葉銹病的發(fā)生和蔓延[1]。病害高發(fā)、過(guò)量施藥，從而導(dǎo)致作物產(chǎn)量和質(zhì)量嚴(yán)重下降、農(nóng)田污染嚴(yán)重。因此，實(shí)時(shí)、靈敏、可靠的小麥病害監(jiān)測(cè)和預(yù)警對(duì)小麥科學(xué)生產(chǎn)管理具有重要意義。

紅外熱成像技術(shù)以其對(duì)溫度的高敏感性和可在線檢測(cè)特點(diǎn)，目前在電氣[2]、航空[3]、植保[4]、育種[5]和醫(yī)學(xué)[6]等領(lǐng)域均有比較成熟的研究成果[7]，在農(nóng)業(yè)生產(chǎn)的諸多領(lǐng)域也有相關(guān)的應(yīng)用[8-9]。在植物病害的檢測(cè)方面有較多研究[10-21]。目前基于紅外熱成像技術(shù)的圖像處理研究基本圍繞溫度的測(cè)量和分析展開(kāi)，無(wú)論是生物或非生物脅迫，主要評(píng)價(jià)指標(biāo)為葉片和植株平均溫度(Average temperature, AT)、葉片的最大溫差(Maximum temperature difference, MTD)等[22]。

邊緣檢測(cè)是數(shù)字圖像處理的重要內(nèi)容，是解析作物圖像的前提。其基本原理是利用圖像在邊緣處的階躍性，按照某種方法檢測(cè)出邊緣點(diǎn)并將其連接構(gòu)成分割區(qū)域，從而實(shí)現(xiàn)目標(biāo)與背景的分離。已有研究者將邊緣檢測(cè)用于紅外熱像的分析研究。RAZA等[23]采用靜態(tài)小波變換成功提取病害植物的熱像圖和可見(jiàn)光圖輪廓并進(jìn)行配準(zhǔn)。JIAO等[24]研究了桃子表面腐爛的監(jiān)測(cè)方法和腐爛部分邊緣的提取和計(jì)算方法。王棟等[25]提出一種改進(jìn)的蟻群算法，能夠在熱像圖邊緣豐富區(qū)域搜索的同時(shí)抑制算法結(jié)果早熟，縮短運(yùn)行時(shí)間。陳浩等[26]將蟻群算法引入到玉米干旱的熱成像圖處理中，并提出將邊緣檢測(cè)用于紅外熱像分析中。李存兵等[27]提出基于小波變換的水果邊緣檢測(cè)方法，識(shí)別結(jié)果優(yōu)于拉普拉斯等其他算法。周建民等[28]利用高低帽算子結(jié)合基于直方圖的全局閾值分割紅外熱像圖，識(shí)別樹(shù)上板栗的空心果和壞死果。目前利用紅外熱成像的邊緣檢測(cè)處理開(kāi)展作物病害分級(jí)的研究較少。

本文以感染葉銹病的小麥葉片為研究對(duì)象，基于紅外熱成像邊緣檢測(cè)算法提取病斑的具體區(qū)域，根據(jù)病斑面積占比確定染病程度和病害等級(jí)，最后對(duì)病情指數(shù)結(jié)果進(jìn)行相關(guān)分析和葉銹病分級(jí)。

1 材料與方法

1.1 樣本培育與病毒接種

小麥樣本培育在加拿大阿爾伯塔大學(xué)北校區(qū)農(nóng)業(yè)生命與環(huán)境科學(xué)學(xué)院智能人工氣候生長(zhǎng)室進(jìn)行，如圖1a所示。最高溫度15℃，最低溫度11℃；每天光照時(shí)間12 h；光照強(qiáng)度10 000 lx，相對(duì)濕度60%～70%。選用加拿大易感病小麥品種Peace，硬粒，其籽粒外皮為紅色，蛋白質(zhì)含量在14%左右。硬粒小麥品質(zhì)好，籽粒蛋白質(zhì)含量高，同樣也是我國(guó)普遍種植的小麥品種，且我國(guó)小麥蛋白質(zhì)含量平均為15%左右，與Peace非常接近。從葉銹病的病原菌看，我國(guó)與加拿大的葉銹病均由小麥隱匿柄銹菌菌種感染，都是通過(guò)孢子萌發(fā)時(shí)產(chǎn)生若干個(gè)小孢子，侵染轉(zhuǎn)主寄主，產(chǎn)生銹子器和性子器?；谝陨戏治隹芍幽么驪eace小麥品種與我國(guó)易感病小麥品種相似，而小麥葉銹病在我國(guó)是極為多發(fā)的小麥真菌病害，從兩國(guó)葉銹病的菌種、傳播途徑和侵染方式上看都具有一致性，因此選用該品種進(jìn)行試驗(yàn)。因此本文方法在檢測(cè)國(guó)內(nèi)感染葉銹病的小麥時(shí)也可以使用。

待小麥生長(zhǎng)至兩片真葉時(shí)進(jìn)行噴霧接種，如圖1b所示。接種步驟為：①用蒸餾水淋濕生長(zhǎng)室內(nèi)壁，將小麥在濕度較大的空間放置30～45 min。②配置真菌孢子噴霧液，先從超低溫冰箱取出橙紅色粉狀孢子，放置45℃水浴鍋中5 min發(fā)生熱休克反應(yīng)，然后用吐溫20配置成懸浮液，質(zhì)量濃度為3 g/mL。③在通風(fēng)櫥內(nèi)進(jìn)行噴霧接種，通風(fēng)櫥在噴霧前和使用后均用70%乙醇消毒，噴霧器用70%酒精徹底清洗后用蒸餾水洗凈，從上至下進(jìn)行噴霧，直至麥苗有水滴狀液滴落下即可。④每盆小麥在噴霧后使用一個(gè)透明高壓蒸汽袋覆蓋，如圖1c所示。⑤高壓蒸汽袋覆蓋24 h后取下，將小麥放回到生長(zhǎng)室。

圖1 樣本培育和噴霧接種現(xiàn)場(chǎng)Fig.1 Sample cultivation and spray inoculation scene

1.2 試驗(yàn)儀器與圖像采集

試驗(yàn)儀器為美國(guó)菲力爾公司FLIR E6型熱成像儀。該熱成像儀可同時(shí)拍攝可見(jiàn)光圖像和紅外熱成像圖像；溫度熱靈敏測(cè)量精度為0.06℃；測(cè)溫范圍為-20～250℃；拍攝模式為中央點(diǎn)偏重測(cè)光模式；視場(chǎng)角為水平45°×垂直34°；瞬時(shí)視場(chǎng)5.2×10-3rad；紅外圖像分辨率為160像素×120像素。

紅外熱像圖采集期間，室溫保持在20℃，相對(duì)濕度50%，采集背景保持一致。拍攝時(shí)按照樣本編號(hào)順序取出，拍攝后立即放回生長(zhǎng)室，以保障每個(gè)樣本的拍攝一致性。

圖2 小麥紅外熱成像圖及預(yù)處理后的圖像Fig.2 Infrared thermal imaging and processed image of wheat

1.3 病情指數(shù)獲取

接種12 d后葉面開(kāi)始出現(xiàn)孢子堆，接種21 d后病害進(jìn)入盛發(fā)期。根據(jù)我國(guó)小麥葉銹病測(cè)報(bào)調(diào)查規(guī)范(NY/T 617—2002)，嚴(yán)重度指病葉上葉銹菌夏孢子堆所占面積與葉片總面積的百分比，用分級(jí)法表示，分為1%、5%、10%、20%、40%、60%、80%和100%8個(gè)級(jí)別(Grade，G)。每個(gè)級(jí)別選取10個(gè)葉片作為重復(fù)。小麥樣本生長(zhǎng)周期為拔節(jié)期向抽穗期過(guò)渡；每個(gè)樣本拍攝完紅外熱成像圖像后同時(shí)記錄下人工調(diào)查法獲得的病害等級(jí)。具體方法：每株小麥調(diào)査倒三葉、倒二葉、旗葉3片葉片，每盆8株小麥，共計(jì)24片葉片。反映發(fā)病程度的普遍率I、平均嚴(yán)重度S、病情指數(shù)(Disease index，DI)的計(jì)算公式為

(1)

(2)

DI=IS

(3)

式中n——發(fā)病葉片數(shù)

N——每盆小麥葉片總數(shù)

si——i級(jí)嚴(yán)重度，%

ni——i級(jí)嚴(yán)重度的病葉數(shù)

DI——病情指數(shù)，%

1.4 紅外熱成像圖預(yù)處理

整盆小麥植株樣本的紅外熱成像圖如圖2a所示。對(duì)紅外熱成像圖進(jìn)行直方圖均衡化處理。彩色圖像的直方圖均衡化主要是將各個(gè)像素歸一化后的灰度值賦給該像素，對(duì)圖像的色彩、亮度等信息進(jìn)行修正，使修正后的圖像更加生動(dòng)、色彩更加鮮艷，細(xì)節(jié)更加突出，如圖2b所示。中值濾波法是一種非線性平滑技術(shù)，它將每一像素點(diǎn)的灰度設(shè)置為該點(diǎn)某鄰域窗口內(nèi)所有像素點(diǎn)灰度的中值，是在“最小絕對(duì)誤差”準(zhǔn)則下的最優(yōu)濾波，中值濾波處理后的圖像如圖2c所示。

對(duì)小麥葉銹病的紅外熱成像圖的分析和處理是基于FLIR軟件和Matlab R2010a軟件平臺(tái)。

2 結(jié)果與分析

2.1 紅外熱成像圖隨病害發(fā)展的溫度動(dòng)態(tài)分析

平均葉溫的測(cè)定方法：每盆小麥樣本固定一個(gè)葉片為檢測(cè)對(duì)象，從接種第1天到接種后12 d，每天拍攝該葉片的紅外熱成像圖，并用FLIR軟件提取葉片區(qū)域的平均溫度。圖3顯示了健康組、潛伏期組和發(fā)病組樣本的平均溫度變化趨勢(shì)，結(jié)果顯示健康組小麥植株的平均溫度在整個(gè)檢測(cè)期內(nèi)的波動(dòng)范圍為19.5～19.8℃，而發(fā)病組小麥植株平均溫度為18.3～18.7℃。潛伏期組小麥植株平均溫度呈現(xiàn)逐步下降的趨勢(shì)，從第1天的19.9℃降至第12天的18.8℃。通過(guò)連續(xù)的溫度監(jiān)測(cè)，表明接種后第6天染病葉片的溫度較正常葉片下降達(dá)0.4℃，隨后溫差逐漸增大，能夠?qū)⒔臃N病菌的小麥植株和健康小麥植株區(qū)分開(kāi)，比人工調(diào)查法提前了7 d檢測(cè)到病菌感染。一方面表明紅外熱成像能夠在顯癥之前就檢測(cè)到病菌的感染，及早施藥可減少用藥量；另一方面，在后續(xù)的邊緣檢測(cè)算法中，選用潛伏期組的紅外熱成像圖有助于早期診斷。

圖3 小麥葉銹病平均溫度變化趨勢(shì)Fig.3 Changing trend of average leaf temperature in wheat leaf rust

2.2 病斑區(qū)域常規(guī)算法邊緣提取

邊緣檢測(cè)算法是圖像處理和計(jì)算機(jī)視覺(jué)中，尤其是特征提取中的一個(gè)重要研究方法。然而在可見(jiàn)光圖像中，自然界圖像的邊緣并不總是理想的階梯邊緣。相反，可見(jiàn)光圖像通常受到諸多因素的影響，例如有限場(chǎng)景深度帶來(lái)的聚焦模糊，光滑物體邊緣的陰影，以及物體邊緣附近的局部鏡面反射或漫反射等。圖4a為紅外熱像儀采集到的小麥葉片可見(jiàn)光圖像，分別采用較為常用的一階導(dǎo)數(shù)中的最大值和最小值來(lái)檢測(cè)邊界的Prewitt算子(PO)、Sobel算子(SO)和通過(guò)尋找圖像二階導(dǎo)數(shù)過(guò)零點(diǎn)來(lái)檢測(cè)邊界的Canny算子(CO)、Laplacian算子(LO)對(duì)可見(jiàn)光圖像進(jìn)行邊緣提取，提取結(jié)果如圖4b～4e所示。

圖4 4種常規(guī)邊緣檢測(cè)算子的小麥葉銹病單葉識(shí)別結(jié)果Fig.4 Four kinds of commonly used edge detection operators for single leaf identification of wheat leaf rust

從圖4b～4e可以看出，PO和SO對(duì)病斑區(qū)域的邊緣提取結(jié)果存在對(duì)混合復(fù)雜噪聲處理效果不理想的問(wèn)題，邊界灰度區(qū)域重影嚴(yán)重。而LO和CO由于太追求過(guò)細(xì)的邊緣，檢測(cè)精度降低，背景誤測(cè)也較大。這是由于小麥銹病的發(fā)病區(qū)域不集中，而是星星點(diǎn)點(diǎn)，呈現(xiàn)十多處小區(qū)域，這些區(qū)域即發(fā)病嚴(yán)重之后產(chǎn)生孢子堆的位置，要將這十多個(gè)區(qū)域都提取出來(lái)，顯然直接運(yùn)用常規(guī)的邊緣檢測(cè)算子不能實(shí)現(xiàn)病害快速分級(jí)。

2.3 基于紅外熱成像邊緣檢測(cè)算法的病斑面積提取

相對(duì)于直接使用常規(guī)邊緣檢測(cè)算子，本研究通過(guò)提取紅外熱成像圖的溫度信息，對(duì)溫度信息的邊界進(jìn)行劃分，計(jì)算病斑面積與葉片面積百分比來(lái)對(duì)小麥葉銹病進(jìn)行分級(jí)。

圖5為基于紅外熱成像邊緣檢測(cè)算法的病害面積提取步驟。圖5a為紅外熱成像原圖，隨著葉銹病真菌的不斷侵入，病菌經(jīng)微傷口進(jìn)入臨近的活體細(xì)胞繁殖，導(dǎo)致蒸騰作用加劇，從而使感病部位水分大量散失，局部溫度下降。由2.1節(jié)的分析可知，葉片平均溫度在潛伏期內(nèi)會(huì)隨著真菌繁殖的加劇從20℃左右下降至18.5℃左右。因此以18.5℃為臨界值對(duì)溫度實(shí)施閾值劃分，如圖5b所示。通過(guò)溫度閾值劃分，將葉片內(nèi)低于18.5℃的溫度邊緣提取出來(lái)，用藍(lán)色顯示，如圖5c所示。采用最大類(lèi)間方差法尋找最合適的閾值，該方法計(jì)算出的閾值通常比人為設(shè)定的閾值能更好地把灰度圖像轉(zhuǎn)換為二值圖像，如圖5d所示。進(jìn)一步對(duì)圖像進(jìn)行分割，計(jì)算出葉片總面積和病斑區(qū)域面積，分別如圖5e和圖5f所示。病斑區(qū)域面積與葉片總面積的百分比即為病害的占比指數(shù)。

圖5 基于紅外熱成像邊緣檢測(cè)算法的病害面積 提取步驟Fig.5 Extraction procedure of lesion area based on temperature edge

從整體檢測(cè)結(jié)果看，基于紅外熱成像邊緣檢測(cè)算法的病斑面積百分比，可實(shí)現(xiàn)葉銹病的等級(jí)識(shí)別。然而單葉檢測(cè)在實(shí)際生產(chǎn)中意義不大，為實(shí)現(xiàn)整株小麥快速在線檢測(cè)的要求，進(jìn)一步對(duì)整株染病小麥的熱成像圖進(jìn)行分析。整株小麥病害面積提取結(jié)果如圖6所示。

圖6 基于紅外熱成像邊緣檢測(cè)算法的整株小麥病害 面積提取Fig.6 Area extraction of whole plant disease based on temperature edge detection algorithm

去除花盆部分，僅保留小麥植株部分，從整株小麥的提取結(jié)果看，對(duì)紅外熱成像原圖進(jìn)行溫度區(qū)域劃分和低溫區(qū)域提取后，再經(jīng)過(guò)圖像二值化、整株面積提取和病斑面積提取后，基于紅外熱成像邊緣檢測(cè)算法的病斑面積百分比可以成功提取整株小麥的病害區(qū)域，比單葉病斑區(qū)域的提取結(jié)果誤差略大，但提取效果和最終計(jì)算結(jié)果較優(yōu)。本文通過(guò)Photoshop獲取實(shí)際病斑位置，并與基于紅外熱成像邊緣檢測(cè)算法得到的病斑位置進(jìn)行比較，兩者結(jié)果基本一致，說(shuō)明該方法的分割性能良好。

2.4 分級(jí)識(shí)別結(jié)果與分析

利用本文算法對(duì)40株小麥植株樣本進(jìn)行處理，得到病斑面積百分比的預(yù)測(cè)值，并歸入病害嚴(yán)重度相應(yīng)級(jí)別。將40株小麥的病斑面積百分比預(yù)測(cè)值與其病情指數(shù)DI作相關(guān)性分析，結(jié)果如圖7所示，得到相關(guān)系數(shù)R為0.975 5，預(yù)測(cè)均方根誤差為9.79%。

表1為40株小麥葉銹病整株識(shí)別樣本的病情指數(shù)預(yù)測(cè)結(jié)果。從表中可以看出，樣本9、16、33和40的整株識(shí)別的定級(jí)有誤。樣本9和16將4級(jí)誤判為3級(jí)，樣本33將4級(jí)誤判為5級(jí)，樣本40將2級(jí)誤判為3級(jí)，其余36個(gè)樣本均評(píng)級(jí)正確，總識(shí)別正確率達(dá)到90%。

圖7 小麥樣本病情指數(shù)與預(yù)測(cè)值的相關(guān)性分析Fig.7 Correlation analysis of predicted value and disease index of wheat samples

%

3 結(jié)論

(1)紅外熱成像技術(shù)能夠在病原菌侵染的第6天檢測(cè)到病菌感染，比人工調(diào)查法提前7 d檢測(cè)到葉銹病真菌感染。

(2)對(duì)40株小麥葉銹病樣本的病斑面積百分比預(yù)測(cè)值和病情指數(shù)DI作相關(guān)性分析，得到相關(guān)系數(shù)R為0.975 5，預(yù)測(cè)均方根誤差為9.79%。40個(gè)樣本中有4個(gè)樣本定級(jí)錯(cuò)誤，36個(gè)樣本定級(jí)正確，總識(shí)別正確率為90%，說(shuō)明運(yùn)用本文算法對(duì)小麥葉銹病進(jìn)行診斷是可行的。