歐陽(yáng)愛(ài)國(guó)，萬(wàn)啟明，李 雄, 熊智逸，王 舜，廖琪城

華東交通大學(xué)機(jī)電與車(chē)輛工程學(xué)院，智能機(jī)電裝備創(chuàng)新研究院，江西 南昌 330013

引 言

水稻是我國(guó)主要的糧食作物之一，種植面積和產(chǎn)量都居世界第一。自20世紀(jì)90年代末以來(lái)，害蟲(chóng)抗藥性的形成和全球氣候變化等諸多因素的影響, 水稻螟蟲(chóng)連年暴發(fā), 對(duì)水稻生產(chǎn)構(gòu)成嚴(yán)重威脅[1]。水稻螟蟲(chóng)俗稱(chēng)鉆心蟲(chóng), 通過(guò)水稻螟蟲(chóng)的幼蟲(chóng)鉆蛀水稻莖稈，在水稻生長(zhǎng)階段造成枯心、在生殖生長(zhǎng)階段造成白穗，導(dǎo)致減產(chǎn)。因此對(duì)水稻早期的無(wú)損檢測(cè)，能夠快速、準(zhǔn)確的得到水稻的蟲(chóng)害信息，為水稻蟲(chóng)害預(yù)警和噴灑農(nóng)藥用量提供理論依據(jù)。所以研究快速、準(zhǔn)確地實(shí)現(xiàn)水稻蟲(chóng)害的無(wú)損檢測(cè)對(duì)于蟲(chóng)害及早防控、降低損失具有重要意義。

農(nóng)作物的蟲(chóng)害檢測(cè)主要還是根據(jù)目測(cè)來(lái)判斷，不僅工作量大，而且不能及時(shí)地判斷農(nóng)作物蟲(chóng)害的破壞程度，有時(shí)候甚至為了便于觀察需要用刀割開(kāi)農(nóng)作物，導(dǎo)致水稻損害而無(wú)法生長(zhǎng)。高光譜結(jié)合圖像和光譜對(duì)蟲(chóng)害進(jìn)行無(wú)損檢測(cè)，國(guó)內(nèi)外學(xué)者已經(jīng)在這些方面開(kāi)展了多項(xiàng)研究，也取到了不錯(cuò)的研究成果[2-6]。王小龍等[7]對(duì)高光譜圖像引入主成分分析(principal component analysis，PCA)進(jìn)行特征降維并使用網(wǎng)格搜索進(jìn)行參數(shù)尋優(yōu)后，可以提高蟲(chóng)害識(shí)別率，K-近鄰算法和支持向量機(jī)算法的識(shí)別精度分別達(dá)到88.24%和92.16%。劉德華等[8]利用高光譜成像技術(shù)對(duì)山楂的蟲(chóng)害區(qū)域進(jìn)行PCA和區(qū)域生長(zhǎng)算法，識(shí)別率達(dá)到了100%。馬亞楠等[9]利用高光譜圖像提取毛豆豆莢的平均灰度建立的支持向量分類(lèi)模型檢測(cè)內(nèi)部豆莢螟的總精度為95.6%。Wu等[10]應(yīng)用高光譜成像技術(shù)對(duì)甘菜菜青蟲(chóng)幼蟲(chóng)檢測(cè)精度達(dá)到96%以上。Guishan等[11]采用近紅外高光譜成像技術(shù)基于主成分分析和雙波段比值結(jié)合圖像相減算法開(kāi)發(fā)檢測(cè)算法，能夠區(qū)分蟲(chóng)蛀棗和完整棗。Wang等[12]利用高光譜圖像反射方法對(duì)冬棗的外部蟲(chóng)害進(jìn)行了檢測(cè)，使得兩類(lèi)冬棗的總識(shí)別率達(dá)到了97.0%。Rady等[13]利用漫反射模式下的可見(jiàn)光/近紅外高光譜成像(400～900 nm)技術(shù)檢測(cè)蘋(píng)果蠹蛾，通過(guò)決策樹(shù)算法能有效檢測(cè)蟲(chóng)害。

水稻螟蟲(chóng)一般在莖稈內(nèi)部，我們只能利用水稻螟蟲(chóng)在水稻莖稈表面圖像特征和光譜特征來(lái)表征出正常和蟲(chóng)害水稻莖稈的區(qū)別，且近年來(lái)農(nóng)作物內(nèi)部蟲(chóng)害相關(guān)研究較少。相對(duì)于其他光譜檢測(cè)儀器來(lái)說(shuō)，高光譜成像設(shè)備能夠檢測(cè)到水稻莖稈的外部圖像信息和內(nèi)部蟲(chóng)害光譜信息，且檢測(cè)相對(duì)快速和成本低。以上研究中學(xué)者大多是用高光譜成像技術(shù)結(jié)合算法模型來(lái)檢測(cè)蟲(chóng)害，建立模型比較復(fù)雜，工作量大。本工作運(yùn)用高光譜的最優(yōu)波段和特征波段通過(guò)一系列的圖像處理，通過(guò)機(jī)器視覺(jué)的角度來(lái)達(dá)到快速、精準(zhǔn)區(qū)分出蟲(chóng)害和正常的樣本，為多光譜成像技術(shù)在線(xiàn)檢測(cè)提供理論和方法依據(jù)。

1 實(shí)驗(yàn)部分

1.1 材料

選取水稻莖稈為實(shí)驗(yàn)對(duì)象，從江西農(nóng)業(yè)廳獲得的樣品中挑選水稻螟蟲(chóng)蛀孔的莖稈60個(gè)，蟲(chóng)孔直徑約為3 mm，圖1為有蛀蟲(chóng)孔的水稻莖稈, 再挑選正常的水稻莖稈60個(gè)，為了控制變量，每個(gè)莖稈的長(zhǎng)度均為5 cm。由于莖稈關(guān)節(jié)和非自病的霉菌與蟲(chóng)孔的灰度值相近，在我們挑選樣品的時(shí)候盡量挑選無(wú)霉菌和剪取沒(méi)有關(guān)節(jié)的水稻莖稈。

圖1 水稻螟蛀孔的水稻莖稈Fig.1 Rice borer holes of rice stem

1.2 高光譜圖像采集系統(tǒng)

實(shí)驗(yàn)用的蓋亞(GaiaSOrter)高光譜圖像采集系統(tǒng)如圖2所示。該系統(tǒng)主要包括光源、成像光譜儀、電控位移平臺(tái)和計(jì)算機(jī)等。光源為由穩(wěn)定電壓電源供電的4盞20 W鹵素?zé)?OSRAM, DECOSTAR51, MR16); 成像光譜儀由CCD攝像機(jī)(Hamamatsu C8484-05G)和光譜儀(ImSpector, V10E，F(xiàn)inland)組成; 電控位移平臺(tái)由載物臺(tái)和步進(jìn)電動(dòng)機(jī)組成; CCD攝像機(jī)通過(guò)USB數(shù)據(jù)線(xiàn)連接到圖像采集卡，利用SpectraVIEW軟件控制圖像采集卡來(lái)獲取高光譜數(shù)據(jù)。由于圖像的采集易受到自然光的影響，因此整個(gè)圖像采集系統(tǒng)安裝在一個(gè)暗箱中，以提高采集信息的質(zhì)量。

圖2 高光譜圖像采集系統(tǒng)Fig.2 Hyperspectral image acquisition system

1.3 高光譜圖像采集

采集數(shù)據(jù)前，需要對(duì)采集系統(tǒng)預(yù)熱30 min，以消除基線(xiàn)漂移對(duì)圖像采集質(zhì)量的影響。同時(shí)也要對(duì)成像系統(tǒng)的一些參數(shù)進(jìn)行調(diào)整，以確保圖像清晰并且不失真，經(jīng)過(guò)多次嘗試最終確定光譜分辨率為2.8 nm，攝像機(jī)曝光時(shí)間為6 ms, 分辨率為1 344像素×1 024像素，位移平臺(tái)移動(dòng)速度約為10 mm·s-1。調(diào)整好后，每次在載物臺(tái)上放置一個(gè)水稻莖稈樣品。在圖像采集過(guò)程中，樣本隨著載物平臺(tái)做垂直于攝像機(jī)的縱向平移，最終完成一個(gè)水稻莖稈樣本的采集。所采集的圖像包含特定像素下的光譜信息和特定波長(zhǎng)下的圖像信息，每個(gè)樣品獲取176個(gè)波段的圖像。

1.4 高光譜圖像數(shù)據(jù)處理方法

1.4.1 黑白板校正

為了避免光源強(qiáng)度在各波段的分布不均勻以及CCD相機(jī)中暗電流對(duì)圖像采集的影響，必須對(duì)所獲得的高光譜圖像進(jìn)行黑白板校正[14]。全部的樣品圖像采集完成后在相同的系統(tǒng)條件下，首先將鏡頭蓋上掃描一段全黑的圖像B, 并且掃描之后馬上取下鏡頭蓋掃描一段全白的圖像W, 最后根據(jù)式(1)完成圖像的計(jì)算。使所采集的原始圖像R0轉(zhuǎn)化為校正后的圖像R。式(1)為

(1)

式(1)中，R表示校正后的水稻莖稈高光譜圖像，R0表示原始的水稻莖稈高光譜圖像，W表示黑板標(biāo)定圖像，B表示白板標(biāo)定圖像。

1.4.2 主成分分析

主成分分析是一種去除波段之間多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數(shù)幾個(gè)轉(zhuǎn)換波段的方法。算法原理為： 設(shè)一個(gè)給定的訓(xùn)練數(shù)據(jù)集含有N個(gè)樣本X∈Rn, 其中均值為m。訓(xùn)練集的協(xié)方差矩陣設(shè)為

(2)

式(2)中，Σ的特征值表示樣本在特征矢量上的分布方差。

選擇Σ的s個(gè)特征矢量根據(jù)特征值進(jìn)行排序，降維后的特征子空間表示為Y∈Rs,s遠(yuǎn)小于n。

Yk=QTX

(3)

其中Yk={y1k,y2k, …,ysk}。

1.4.3 最佳波段選擇方法

最佳波段選擇方法主要分為兩大類(lèi)： 基于信息量的最佳波段選擇和基于類(lèi)間可分性的最佳波段選擇[15]。基于信息量的最佳波段選擇方法數(shù)據(jù)處理工作量很大，不適合快速檢測(cè)?；陬?lèi)間可分性的最佳波段選擇主要包括Bhattacharyya距離、Jeffries-Matusita距離、混合距離等，其中混合距離用式(4)表示。

(4)

式(4)中：xni和xmi分別為n和m類(lèi)在i波段上的光譜反射率；P為波段數(shù)。

混合距離越大，兩類(lèi)對(duì)間的可分性越大。且該方法計(jì)算簡(jiǎn)便，但是并沒(méi)有考慮到可見(jiàn)光區(qū)域和近紅外區(qū)域之間的聯(lián)系。因此本研究運(yùn)用分段混合距離方法，即在可見(jiàn)光區(qū)域和近紅外區(qū)域分別提取波段，然后計(jì)算混合距離，從而選擇最佳波段[16]。

1.4.4 閾值分割

閾值分割是最簡(jiǎn)單的圖像分割方法，分別運(yùn)用了全局閾值分割和迭代式閾值分割兩種閾值分割方法。

全局閾值分割將圖像分為目標(biāo)對(duì)象(白色)和背景對(duì)象(黑色)，其原理為

(5)

式(5)中，g(x,y)為坐標(biāo)點(diǎn)(x,y)的像素值，u(x,y)為分割后的圖像，T為全局的閾值。

迭代閾值是通過(guò)迭代的方法求出最佳的分割閾值。其原理為：

(1)設(shè)定初始的閾值T0。

(2)用閾值T來(lái)分割圖像?？梢詫D像分為兩大部分：S1是由灰度值大于T0的像素組成，S2是由灰度值不大于T0的像素組成。

(3)計(jì)算S1和S2中所有像素的平均灰度值m，n和新的閾值T1=(m+n)/2。

(4)如果|T1-T0|=0，則輸出T1為最佳閾值； 否則，將T1賦值給T0，且重復(fù)(2)—(4)過(guò)程，直到得到最佳閾值。

2 結(jié)果與討論

2.1 光譜分析

如果我們對(duì)全部光譜進(jìn)行數(shù)據(jù)分析，會(huì)極大的增加工作量，降低工作效率和準(zhǔn)確性。因此，必須對(duì)全部光譜進(jìn)行光譜區(qū)域范圍的確定。

在水稻莖稈表面選取50個(gè)像素點(diǎn)的感興趣區(qū)域(regions of interest，ROI)平均光譜作為該水稻莖稈的光譜曲線(xiàn)，120個(gè)樣品光譜反射率曲線(xiàn)如圖3所示所示。380～1 020 nm波長(zhǎng)范圍內(nèi)一共有176個(gè)波段，水稻莖稈正常部分和水稻莖稈蟲(chóng)害部分反射率有明顯的差異，水稻莖稈正常部分的反射率明顯高于水稻莖稈蟲(chóng)害部分的反射率，且反射率差異有逐漸減小的趨勢(shì)，水稻莖稈正常部分平均光譜曲線(xiàn)峰值在0.65左右，水稻莖稈蟲(chóng)害部分平均光譜曲線(xiàn)峰值在0.45左右。光譜范圍在380～450 nm之間和1 000～1 020 nm，蟲(chóng)害水稻莖稈和正常的水稻莖稈平均光譜曲線(xiàn)差距很小，很難分辨出來(lái)。在以后的研究中，我們選取450～1 000 nm作為光譜區(qū)域。

圖3 120個(gè)樣品光譜反射率曲線(xiàn)Fig.3 Spectral reflectance curves of 120 samples

2.2 基于主成分分析特征波段的水稻螟蟲(chóng)檢測(cè)方法

2.2.1 特征波段的選取

由于高光譜圖像信息量十分豐富，要從成百上千的圖像信息中找到能反映出蟲(chóng)害水稻莖稈的特征圖像是很繁瑣的[17]。利用主成分分析化學(xué)計(jì)量學(xué)方法對(duì)高光譜數(shù)據(jù)進(jìn)行處理，能篩選出特征波段。挑選前五個(gè)主成分圖像, 如圖4所示。其中PC2和PC5莖稈和背景很難區(qū)分開(kāi)來(lái)，PC4的蟲(chóng)孔區(qū)域比較黑不容易辨認(rèn)，而PC3和PC1相比，PC3更佳。因此PC3更適合作為找到最佳特征圖像的依據(jù)。

圖4 前五個(gè)主成分圖像Fig.4 The first five PC images

為了得到最佳的特征圖像，需要根據(jù)PC3圖像的特征向量進(jìn)行光譜的曲線(xiàn)權(quán)重系數(shù)的圖像的繪制。如圖5所示為PC3圖像下的156個(gè)波長(zhǎng)點(diǎn)所對(duì)應(yīng)的權(quán)重系數(shù)圖。黑色實(shí)線(xiàn)表示正常的水稻莖稈樣品，紅色虛線(xiàn)表示為蟲(chóng)害的水稻莖稈樣品，從兩條權(quán)重系數(shù)曲線(xiàn)中可以看出，正常樣品和蟲(chóng)害樣品在波谷750 nm左右處存在較大的差異，且在波長(zhǎng)668.8 nm處也有個(gè)差異很明顯的波谷，表明這兩個(gè)波長(zhǎng)對(duì)PC3圖像的影響較大，因而確定在波長(zhǎng)668.8和750 nm的圖像就是最佳特征圖像, 如圖6所示。

圖5 PC3光譜權(quán)重系數(shù)Fig.5 PC3 spectral weight coefficient

圖6 668.8和750 nm處的RGB圖像Fig.6 RGB images at 668.8 and 750 nm

2.2.2 基于主成分分析特征波段的水稻螟蟲(chóng)檢測(cè)方法

在ENVI 4.5軟件中對(duì)668.8和750 nm特征波長(zhǎng)獲取其對(duì)應(yīng)的光譜圖像并且保存圖像。在圖8中可以看出在650 nm處正常莖稈、蟲(chóng)害莖稈和背景的反射率區(qū)別最大，所以把650 nm波長(zhǎng)處的圖像建立掩膜圖像。利用Matlab對(duì)獲取的特征圖像進(jìn)行圖像銳化和對(duì)650 nm波長(zhǎng)處的圖像二值化掩膜，然后用650 nm掩膜后的圖像再對(duì)668.8和750 nm兩特征波長(zhǎng)的圖像進(jìn)行掩膜，最后對(duì)兩特征波長(zhǎng)掩膜后的圖像進(jìn)行全局閾值分割(閾值T=17)等其他圖像算法的處理，最后計(jì)算出每一個(gè)待測(cè)水稻莖稈樣品的蟲(chóng)孔率(蟲(chóng)孔區(qū)域面積與全部水稻莖稈面積的比值)。本實(shí)驗(yàn)中利用蟲(chóng)孔率來(lái)判斷待測(cè)樣品是否蟲(chóng)害，其判斷標(biāo)準(zhǔn)為： 計(jì)算每一個(gè)未知待測(cè)樣品蟲(chóng)孔率，若蟲(chóng)孔率大于0，則認(rèn)為水稻莖稈有蟲(chóng)害，因此判定為蟲(chóng)害樣品。同理，當(dāng)蟲(chóng)孔率等于0的時(shí)候，則表明待測(cè)樣品表面沒(méi)有蟲(chóng)害，判定為正常樣品?；谥鞒煞址治鎏卣鞑ǘ嗡久x(chóng)害檢測(cè)流程圖，如圖7所示。

圖7 基于主成分分析特征波段水稻螟蟲(chóng)害檢測(cè)流程圖Fig.7 Flow chart of pest detection of rice borer based on principal component analysis characteristic band

2.3 基于迭代閾值的最優(yōu)波段水稻螟蟲(chóng)檢測(cè)方法

2.3.1 水稻螟蟲(chóng)高光譜圖像最優(yōu)波段選擇

在圖8光譜反射率曲線(xiàn)中可以看出，水稻莖稈的正常部位和蟲(chóng)害部位的反射率有明顯的差異，水稻莖稈在可見(jiàn)光波段550～750 nm范圍內(nèi)蟲(chóng)害區(qū)域與正常區(qū)域反射率差異較大。這是由于蟲(chóng)孔區(qū)域的莖稈的組織已缺失一部分，葉綠素含量的降低導(dǎo)致反射率變低，且550 nm附近有葉綠素的強(qiáng)反射峰值[16]。在近紅外波段750～900 nm范圍內(nèi)，水稻莖稈蟲(chóng)害區(qū)域與正常區(qū)域反射率差異較大。這是由于正常水稻秸稈的細(xì)胞壁和細(xì)胞空隙間折射率有差異，引起多重反射導(dǎo)致高反射率，而蟲(chóng)孔區(qū)域細(xì)胞組織都已壞死導(dǎo)致反射率較低[16]。為了減小光譜間的相關(guān)性的影響，所以在整個(gè)波段范圍內(nèi)劃分為兩個(gè)區(qū)域，550～750 nm區(qū)域?yàn)榭梢?jiàn)光光譜區(qū)域和750～900 nm區(qū)域?yàn)榻t外光譜區(qū)域。在550～750 nm波長(zhǎng)范圍內(nèi)選擇一個(gè)波段，在750～900 nm波長(zhǎng)范圍內(nèi)選擇一個(gè)波段，按照式(4)計(jì)算出混合距離進(jìn)行大小比較。從中選擇兩個(gè)最大的，來(lái)確定最佳波段。通過(guò)比較可知，在波段550～750 nm范圍內(nèi)，689.9 nm混合距離是最大的； 在750～900 nm范圍內(nèi)，753.5 nm的混合距離是最大的。因?yàn)橐紤]減少組合波段之間光譜波段的相關(guān)性，因此選取了三個(gè)波長(zhǎng)來(lái)組合(表1)。

表1 混合距離組合結(jié)果Table 1 Results of hybrid-distance combinations

圖8 單個(gè)樣品高光譜反射率曲線(xiàn)Fig.8 Hyperspectral reflectance curves of a single sample

2.3.2 基于迭代閾值的最優(yōu)波段水稻螟蟲(chóng)檢測(cè)方法

分別對(duì)單波段682.9，689.9和753.5 nm和雙波段689.9與753.5 nm，682.9與753.5 nm的波段比的一種基于迭代閾值進(jìn)行閾值分割的蟲(chóng)孔的提取方法，以此來(lái)檢測(cè)水稻螟蟲(chóng)孔區(qū)域。

其中先用迭代法檢測(cè)分割出來(lái)的效果，比較發(fā)現(xiàn)在753.5 nm處的圖像分割效果最好，如圖9所示。

圖9 最優(yōu)波段的迭代閾值分割圖像Fig.9 Optimal band iteration threshold segmentation image

圖10為在753.5 nm一種基于迭代閾值蟲(chóng)孔提取圖[18]。首先，輸入753.5 nm的高光譜圖像(a), 然后用迭代方法求取最佳閾值分割的圖像(b)。找出最大白色區(qū)域設(shè)為背景, 其他區(qū)域全部設(shè)置為蟲(chóng)孔區(qū)域, 如圖10(c)，為了使圖像效果更好對(duì)原圖像進(jìn)行銳化，找出蟲(chóng)孔的坐標(biāo)范圍，設(shè)置莖稈灰度值基本不變，蟲(chóng)孔區(qū)域灰度值為0，圖10(d)所示。最后對(duì)(d)圖進(jìn)行一次圖像閾值分割，再對(duì)分割的圖像進(jìn)行腐蝕膨脹處理得到蟲(chóng)孔的區(qū)域, 如圖10(e)。圖11為一種基于迭代閾值蟲(chóng)孔提取方法的流程圖。其中以(e)圖是否出現(xiàn)白點(diǎn)為檢測(cè)結(jié)果的判斷依據(jù)。如果最后分割出白點(diǎn)則為水稻螟蟲(chóng)莖稈，如果最后不能分割出白點(diǎn)則為正常水稻莖稈。

圖10 基于迭代閾值蟲(chóng)孔提取的結(jié)果圖Fig.10 The results of wormhole extraction based on iterative threshold

圖11 基于迭代閾值蟲(chóng)孔提取方法的流程圖Fig.11 Flow chart of wormhole extraction method based on iterative threshold

2.4 基于PCA特征波段和迭代閾值最優(yōu)波段檢測(cè)結(jié)果

由表2可知，蟲(chóng)害樣品和正常樣品共計(jì)120個(gè)，其中蟲(chóng)害樣品有60個(gè)，正常樣品有60個(gè)。用668.8 nm處的特征圖像進(jìn)行定性判別，蟲(chóng)害的莖稈誤判數(shù)為0，檢測(cè)正確率為100%； 正常莖稈誤判數(shù)為5個(gè)，檢測(cè)正確率為91.7%。750 nm處特征圖像對(duì)樣品進(jìn)行定性判別，蟲(chóng)害的莖稈誤判數(shù)為0，檢測(cè)正確率為100%； 正常莖稈誤判數(shù)為8個(gè)，檢測(cè)正確率為86.7%。用668.8 nm處圖像的全部檢測(cè)正確率為95.8%，而用750 nm的全部檢測(cè)正確率為93.3%，因此基于PCA特征波段檢測(cè)用668.8 nm的圖像對(duì)莖稈進(jìn)行判別效果更好； 而利用753.5 nm處的圖像用迭代閾值蟲(chóng)孔提取方法，蟲(chóng)害的莖稈數(shù)誤判數(shù)為0，檢測(cè)正確率為100%； 在753.5 nm中正常莖稈誤判數(shù)為4個(gè)，檢測(cè)正確率為93.3%，最終得到的全部檢測(cè)正確率為96.7%。所以在實(shí)際判定的分選過(guò)程中只需要用最優(yōu)波長(zhǎng)753.5 nm處的圖像來(lái)對(duì)未知的水稻莖稈樣品進(jìn)行定性判別。

表2 兩種檢測(cè)方法檢測(cè)結(jié)果Table 2 Results obtained by two detection methods

3 結(jié) 論

利用高光譜成像系統(tǒng)采集的水稻螟蟲(chóng)水稻莖稈和正常水稻莖稈的高光譜圖像，運(yùn)用基于主成分分析特征波長(zhǎng)檢測(cè)方法和基于迭代閾值的最優(yōu)波長(zhǎng)檢測(cè)方法并分別結(jié)合相應(yīng)的圖像處理方法對(duì)高光譜樣品圖像進(jìn)行定性判別。通過(guò)主成分分析預(yù)處理得到兩個(gè)特征波長(zhǎng)(668.8和750 nm)，通過(guò)分段混合距離方法得到最優(yōu)波長(zhǎng)753.5 nm, 并用此特征波長(zhǎng)和最優(yōu)波段對(duì)正常和蟲(chóng)害的水稻莖稈進(jìn)行判別。檢測(cè)結(jié)果顯示，在基于主成分分析特征波段檢測(cè)方法下，668.8 nm處的圖像整體檢測(cè)率為95.8%，750 nm處的圖像整體檢測(cè)率為93.3%； 而在基于迭代閾值的最優(yōu)波段檢測(cè)方法下，753.5 nm處的圖像整體檢測(cè)率高達(dá)96.7%。因此在實(shí)際判定的分選過(guò)程中只需要用最優(yōu)波長(zhǎng)753.5 nm處的圖像來(lái)對(duì)未知的水稻莖稈樣品進(jìn)行定性判別。本研究實(shí)現(xiàn)了在最優(yōu)波段和特征波段的對(duì)比下，通過(guò)機(jī)器視覺(jué)的角度來(lái)達(dá)到快速、精準(zhǔn)區(qū)分出存在水稻螟蟲(chóng)和正常的水稻莖稈，為多光譜成像技術(shù)在線(xiàn)檢測(cè)提供理論和方法依據(jù)。

但是對(duì)于正在成長(zhǎng)的水稻如果水稻螟蟲(chóng)剛蛀入莖稈一段時(shí)間后，隨著水稻的成長(zhǎng)而使蛀孔閉合，這樣運(yùn)用本方法實(shí)現(xiàn)不了檢測(cè)的目的。因此這種情況下需要我們研究出如何能夠憑著水稻螟蟲(chóng)對(duì)水稻莖稈的表面和內(nèi)部迫害反映的信息來(lái)區(qū)分出正常和蟲(chóng)害的區(qū)別，是以后研究的重點(diǎn)。