宋英 陳雨欣 楊俊 劉濤 李冬雙 孫成明

摘要：小麥赤霉病是對(duì)小麥生長過程有較大影響的病害。為了實(shí)現(xiàn)小麥赤霉病的快速識(shí)別，本研究利用數(shù)碼相機(jī)獲取小麥生長過程中赤霉病發(fā)病前期和發(fā)病中期的RGB圖像，并對(duì)RGB圖像的三基色分別進(jìn)行歸一化，然后計(jì)算得到與赤霉病相關(guān)性最好的顏色特征指數(shù)（共計(jì)12個(gè)）。通過對(duì)小麥赤霉病前期和中期各20張發(fā)病麥穗顏色特征指數(shù)值與健康麥穗比較分析。結(jié)果表明，12個(gè)顏色特征指數(shù)值在不同麥穗類型之間均有差異，其中ExG、ExGR、GLI和MGRVI等4個(gè)顏色特征值差異顯著，可用于受到赤霉病感染的麥穗提取。利用人工標(biāo)記的發(fā)病麥穗對(duì)顏色特征指數(shù)識(shí)別提取發(fā)病麥穗進(jìn)行驗(yàn)證，在小麥赤霉病發(fā)病前期的平均檢測率為90.5%，在小麥赤霉病發(fā)病中期的平均檢測率為88.4%，上述結(jié)果表明基于顏色特征指數(shù)識(shí)別小麥赤霉病發(fā)病麥穗是可行的。

關(guān)鍵詞：小麥;赤霉病;RGB圖像;顏色特征指數(shù);圖像識(shí)別

中圖分類號(hào)： TP391.41;S435.121.4+5? 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2022）02-0186-06

收稿日期：2021-04-13

基金項(xiàng)目：國家自然科學(xué)基金（編號(hào)：31671615、31701355、31872852）;國家重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2018YFD0300805）;江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項(xiàng)目（PAPD）;江蘇現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)項(xiàng)目[編號(hào)：JATS（2020）100];蘇州市科技計(jì)劃（編號(hào)：SNG2020040）。

作者簡介：宋 英（1982—），女，江蘇蘇州人，碩士，助理研究員，主要從事農(nóng)作物病蟲害綜合防治工作。E-mail：465078148@qq.com。

通信作者：孫成明，博士，教授，博士生導(dǎo)師，主要從事作物表型信息智能監(jiān)測與圖像識(shí)別等方面的研究工作。E-mail：cmsun@yzu.edu.cn。

小麥作為我國的主要糧食作物之一，種植面積的穩(wěn)定及產(chǎn)量品質(zhì)的提升對(duì)我國的糧食安全意義重大。病害是影響小麥生產(chǎn)的主要因素，及時(shí)有效的病害防治是實(shí)現(xiàn)高產(chǎn)穩(wěn)產(chǎn)的重要保證[1]。在小麥常見病害中，赤霉病是多發(fā)病害，也是影響小麥最大的病害之一。赤霉病發(fā)病初期會(huì)產(chǎn)生水浸狀斑痕，顏色為淺褐色，位置主要在小穗和穎片上。隨后整個(gè)小穗均會(huì)染病，嚴(yán)重時(shí)全部變?yōu)榭蔹S色。如果田間濕度比較大，還會(huì)有膠狀霉層（粉紅色）出現(xiàn)在病斑位置。到了發(fā)病后期，小穗上就會(huì)產(chǎn)生密集的由病菌子囊殼形成的小顆粒（藍(lán)黑色）[2]。赤霉病引起小穗發(fā)病后，會(huì)逐漸擴(kuò)展至整個(gè)穗部，甚至連穗軸也枯褐，形成枯白穗，導(dǎo)致小麥產(chǎn)量嚴(yán)重下降，品質(zhì)也變劣[3-5]。因此，及時(shí)對(duì)小麥赤霉病進(jìn)行監(jiān)測并開展有效防治在小麥生產(chǎn)管理中顯得尤為重要。

利用圖像對(duì)作物病害進(jìn)行識(shí)別的研究已開展較多，特別是將顏色特征與模型結(jié)合的方法效果較好[6]。鮑文霞等基于一種多路卷積神經(jīng)網(wǎng)絡(luò)對(duì)灌漿期感染赤霉病的小麥麥穗圖像進(jìn)行處理和識(shí)別，有效區(qū)分了病變區(qū)域與健康區(qū)域[7]。劉爽等利用圖像特征構(gòu)建了一種可視化的識(shí)別算法模型，用于檢測小麥赤霉病籽粒，可以在籽粒無損的前提下實(shí)現(xiàn)可視化、快速化、高效化、準(zhǔn)確化的小麥赤霉病籽粒識(shí)別[8-9]。Zhang等則利用高光譜顯微圖像對(duì)冬小麥赤霉病進(jìn)行分類，識(shí)別效果優(yōu)于以前的光譜植被模型[10]。Huang等利用粒子群優(yōu)化方法，基于圖像和光譜融合的方式構(gòu)建了支持向量機(jī)模型，實(shí)現(xiàn)了對(duì)小麥赤霉病穗的識(shí)別，準(zhǔn)確率達(dá)90%以上[11]。

本研究利用近地面RGB圖像，基于不同類型（發(fā)病的和未發(fā)病的）麥穗之間顏色有較大的差異的特性，通過不同的顏色指數(shù)對(duì)麥穗進(jìn)行識(shí)別，從而提取出發(fā)病麥穗[6]。該方法流程簡便，容易操作，以期用于小麥赤霉病的快速檢測與識(shí)別。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2017—2019年進(jìn)行，試驗(yàn)在江蘇太湖地區(qū)農(nóng)業(yè)科學(xué)研究所試驗(yàn)基地（31°35′N，120°52′E）進(jìn)行。11月上旬播種，20個(gè)小區(qū)，大小為2 m×3 m，小區(qū)隨機(jī)排列，每個(gè)品種在每個(gè)小區(qū)種植2行，行長為 2 m，行距為25 cm，試驗(yàn)小麥品種分為抗病、常規(guī)、易感3種類型[6]。

1.2 小麥赤霉病接種

準(zhǔn)備孢子濃度為104個(gè)/mL的赤霉病菌孢子懸浮液，于小麥揚(yáng)花期接種。接種位置在穗中部小穗的第1朵小花內(nèi)，采用微量進(jìn)樣器注射接種，每個(gè)品種（株系）接種數(shù)量為20個(gè)單穗。接種后整個(gè)麥穗套袋（透明塑料袋），通過彌霧機(jī)人工噴水保濕。接種日期用掛在穗上的紙牌標(biāo)明，保濕時(shí)間為72 h，然后將塑料袋去除[6]。

1.3 圖像獲取方法

1.3.1 圖像獲取設(shè)備 本研究利用數(shù)碼相機(jī)獲取圖像。所用數(shù)碼相機(jī)為SONY A6300，有效像素為2 420萬，存儲(chǔ)卡類型為microSD、microSDHC、microSDXC等。

1.3.2 圖像獲取過程 于接種后7 d開始，每隔 6 d 獲取1次照片，一直到全田大部分麥穗發(fā)病后停止拍照（小麥赤霉病發(fā)病后期）。拍攝時(shí)相機(jī)距離冠層1 m左右，每個(gè)小區(qū)拍攝5張。然后篩選出40張有代表性圖像，發(fā)病前期、發(fā)病中期各20張（圖1、圖2）。

1.4 圖像處理

1.4.1 圖像預(yù)處理 采用Matlab2018b對(duì)選取的40幅圖像中的麥穗進(jìn)行顏色RGB提取，每幅標(biāo)記好的圖像中各選10個(gè)發(fā)病麥穗和10個(gè)未發(fā)病麥穗，統(tǒng)計(jì)其RGB值，然后歸一化處理，歸一化公式如下：

r=RR+G+B

g=GR+G+B

b=BR+G+B。（1）

式中：R、G、B分別表示圖像中紅、綠、藍(lán)3個(gè)波段的反射值;r、g、b分別表示歸一化的紅、綠、藍(lán)3個(gè)波段的值。

1.4.2 顏色特征指數(shù)選取 本研究除了使用上述歸一化的r、g、b外，還選擇了8種常用的圖像顏色指數(shù)，計(jì)算公式及出處見表1。利用這些顏色指數(shù)對(duì)不同類型麥穗進(jìn)行識(shí)別，通過發(fā)病麥穗和健康麥穗之間的顏色特征差異對(duì)不同類型麥穗進(jìn)行識(shí)別和提取[6]。

2 結(jié)果與分析

2.1 不同類型麥穗顏色特征指數(shù)分析

基于式（1）、表1中的顏色特征指數(shù)計(jì)算方法，得到不同類型麥穗的顏色特征指數(shù)值。在小麥赤霉病前期（圖3），不同類型麥穗的12個(gè)顏色特征指數(shù)值之間均有差異。其中基于圖像三基色R、G、B的歸一化指數(shù)r、g、b之間的差異較小，說明直接利用r、g、b來識(shí)別赤霉病不太可行。差異達(dá)到極顯著水平的顏色特征指數(shù)有ExG、ExGR、GLI和MGRVI，其中ExGR和MGRVI在發(fā)病麥穗中呈負(fù)值，在健康麥穗中呈正值，區(qū)分度最高。

在小麥赤霉病中期（圖4），不同類型麥穗的12個(gè)顏色特征指數(shù)值之間也有差異，但變化趨勢與前期略有不同。其中g(shù)、b、Dgb、ExR在2個(gè)時(shí)期2種類型麥穗之間的差值是相反的，其他顏色指數(shù)之間

的差值在2個(gè)時(shí)期之間是一致的。另外從差異性大小來看，發(fā)病中期和發(fā)病前期的趨勢基本一致，其中r、g、b之間的差異較小，Dgr間的差異也不大。差異達(dá)到極顯著水平的顏色特征指數(shù)有Dgb、ExG、ExGR、GLI、MGRVI，其中ExGR、MGRVI在發(fā)病麥穗中呈負(fù)值，在健康麥穗中呈正值，區(qū)分度最高。

通過分析可知，小麥赤霉病前期和中期同一類型麥穗各顏色指數(shù)值之間無差異性，所以選取的數(shù)據(jù)具有可靠性。另外比較發(fā)現(xiàn)，無論是小麥赤霉病的哪一個(gè)時(shí)期，ExG、ExGR、GLI、MGRVI這4個(gè)顏色特征值差異極顯著，因此選擇這4個(gè)顏色特征指數(shù)來進(jìn)行赤霉病穗識(shí)別。

2.2 小麥赤霉病前期發(fā)病麥穗的識(shí)別

選取赤霉病發(fā)病前期的田間小麥數(shù)碼圖像，通過ExG、ExGR、GLI、MGRVI等4個(gè)特征指數(shù)來提取發(fā)病麥穗，結(jié)果見表2。不同圖像之間由于發(fā)病麥穗的數(shù)量、復(fù)雜程度等因素不同，通過顏色指數(shù)識(shí)別出的麥穗比例也不同。20幅圖像的檢測率范圍為76.9%～100%，平均檢測率為90.5%。

小麥赤霉病前期發(fā)病病穗提取效果見圖5（圖像編號(hào)為14），由于圖像中發(fā)病麥穗較少，檢測率為100%。

2.3 小麥赤霉病中期發(fā)病麥穗識(shí)別

由表3可知，此時(shí)小麥圖像中被病菌感染的麥穗數(shù)量均要多于前期，檢測的效果和前期也不同。在20幅圖像中，對(duì)每一幅圖像進(jìn)行人工標(biāo)記，最終獲得發(fā)病麥穗總數(shù)為674個(gè)，平均每幅圖像33.7個(gè);然后通過顏色指數(shù)進(jìn)行提取，最后獲得發(fā)病麥穗總數(shù)為596個(gè)，平均每幅圖像為29.8個(gè)，平均檢測率為88.4%。

小麥赤霉病中期發(fā)病麥穗提取效果見圖6（圖像編號(hào)為7），由于圖像中發(fā)病麥穗較多，檢測率為93.9%，低于前期單幅圖像的提取效果。但由于麥穗分布比較均勻，檢測率要優(yōu)于多幅圖像的平均值。

3 結(jié)論與討論

本研究利用數(shù)碼相機(jī)在小麥赤霉病前期和中期，分別獲取其田間的RGB圖像，通過圖像處理技術(shù)標(biāo)記不同類別麥穗，提取相應(yīng)的RGB值，歸一化后得到r、g、b并選擇了其他8個(gè)顏色指數(shù)，然后對(duì)小麥赤霉病2個(gè)時(shí)期不同類型麥穗顏色特征指數(shù)值進(jìn)行比較分析，結(jié)果表明12個(gè)顏色特征指數(shù)值在不同麥穗類型之間均有差異，其中ExG、ExGR、GLI、MGRVI等4個(gè)顏色特征值差異顯著。通過顏色特征指數(shù)ExG、ExGR、GLI和MGRVI能夠進(jìn)行小麥赤霉病發(fā)病麥穗的識(shí)別與提取。通過利用人工標(biāo)記的發(fā)病麥穗作為對(duì)比，計(jì)算出顏色指數(shù)識(shí)別的檢測率[6]。在本研究區(qū)小麥赤霉病不同時(shí)期利用顏色特征指數(shù)獲得的平均檢測率也不相同，其中發(fā)病前期為90.5%，到了發(fā)病中期，平均檢測率有所下降，為88.4%。之所以出現(xiàn)檢測率下降的情況，是因?yàn)樵谛←湷嗝共“l(fā)病前期，田間發(fā)病情況較輕，圖像中的病穗稀疏，相對(duì)容易識(shí)別。而到了中期，田間病情加重，病穗數(shù)量增加，圖像顏色及紋理更加復(fù)雜。因此RGB圖像識(shí)別赤霉病麥穗的時(shí)期應(yīng)優(yōu)先考慮前期。

利用圖像顏色特征指數(shù)對(duì)研究對(duì)象進(jìn)行分類和提取，是目前圖像識(shí)別比較常用的方法。本研究表明，圖像顏色特征可以用來區(qū)分不同類型的麥穗。但由于麥穗圖像較為復(fù)雜，特別是不同時(shí)間點(diǎn)的圖像會(huì)有明顯的色差干擾，導(dǎo)致目標(biāo)對(duì)象提取的精度不高。頓紹坤等提出了一種基于RGB顏色空間新的色差公式，使用該公式后可以將圖像的時(shí)間復(fù)雜度和空間復(fù)雜度都明顯降低，但是否適用在作物上需要后續(xù)的驗(yàn)證[18]。

本研究中發(fā)現(xiàn)，不同的圖像處理方式對(duì)顏色特征指數(shù)的提取都會(huì)有影響，其中圖像分割方法的影響較大。在圖像采集過程中，直接獲取的圖像一般較大，圖像中的信息類型也較多。因此可以通過圖像分割去除一部分干擾因素，從而提高圖像的處理和指數(shù)提取速度。Matlab是一種常用的圖像處理軟件，在圖像分割和提取上功能較強(qiáng)，可以用在不同的研究對(duì)象上[19-20]。當(dāng)然，利用單一的顏色特征指數(shù)對(duì)研究目標(biāo)進(jìn)行提取還有一定的局限性。相關(guān)研究表明，如果將圖像的紋理特征結(jié)合進(jìn)來，效果可能會(huì)更好[21]。后續(xù)的研究擬將二者結(jié)合，同時(shí)也會(huì)考慮用深度學(xué)習(xí)等方法來解決更復(fù)雜對(duì)象的提取問題。

參考文獻(xiàn)：

[1]Goswami R S，Kistler H C.Heading for disaster：Fusarium graminearum on cereal crops[J]. Molecular Plant Pathology，2004，5（6）：515-525.

[2]李 奮. 小麥赤霉病頻繁爆發(fā)危害及防治措施[J]. 科學(xué)與財(cái)富，2019（9）：298.

[3]程順和，張 勇，別同德，等. 中國小麥赤霉病的危害及抗性遺傳改良[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2012，28（5）：938-942.

[4]丁文娟. 基于不同尺度的冬小麥赤霉病高光譜遙感監(jiān)測[D]. 合肥：安徽大學(xué)，2019.

[5]Gilbert J，Tekauz A. Recent developments in research on Fusarium head blight of wheat in Canada[J]. Canadian Journal of Plant Pathology，2000，22（1）：1-8.

[6]楊 俊. 基于圖像處理的小麥赤霉病檢測研究[D]. 揚(yáng)州：揚(yáng)州大學(xué)，2020.

[7]鮑文霞，孫 慶，胡根生，等. 基于多路卷積神經(jīng)網(wǎng)絡(luò)的大田小麥赤霉病圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（11）：174-181.

[8]劉 爽，譚 鑫，劉成玉，等. 高光譜數(shù)據(jù)處理算法的小麥赤霉病籽粒識(shí)別[J]. 光譜學(xué)與光譜分析，2019，39（11）：3540-3546.

[9]梁 琨，杜瑩瑩，盧 偉，等. 基于高光譜成像技術(shù)的小麥籽粒赤霉病識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（2）：309-315.

[10]Zhang N，Pan Y C，F(xiàn)eng H K，et al. Development of Fusarium head blight classification index using hyperspectral microscopy images of winter wheat spikelets[J]. Biosystems Engineering，2019，186：83-99.

[11]Huang L S，Li T K，Ding C L，et al. Diagnosis of the severity of Fusarium head blight of wheat ears on the basis of image and spectral feature fusion[J]. Sensors，2020，20（10）：2887.

[12]Woebbecke D M，Meyer G E，von Bargen K，et al. Plant species identification，size，and enumeration using machine vision techniques on near-binary images[EB/OL]. （1993-05-12）[2021-02-10]. https：//www.spiedigitallibrary.org/conference-proceedings-of-spie/1836/1/Plant-species-identification-size-and-enumeration-using-machine-vision-techniques/10.1117/12.144030.short.

[13]Tucker P W，Jr Hazen E E，Cotton F A.Staphylococcal nuclease reviewed：a prototypic study in contemporary enzymology[J]. Molecular and Cellular Biochemistry，1979，23（3）：131-141.

[14]Mao D L，Wu X B，Deppong C，et al. Negligible role of antibodies and C5 in pregnancy loss associated exclusively with C3-dependent mechanisms through complement alternative pathway[J]. Immunity，2003，19（6）：813-822.

[15]Gitelson A A，Stark R，Grits U，et al. Vegetation and soil lines in visible spectral space：a concept and technique for remote estimation of vegetation fraction[J]. International Journal of Remote Sensing，2002，23（13）：2537-2562.

[16]Booth D T，Cox S E，Johnson D E. Detection-threshold calibration and other factors influencing digital measurements of ground cover[J]. Rangeland Ecology and Management，2005，58（6）：598-604.

[17]Bendig J，Yu K，Aasen H，et al. Combining UAV-based plant height from crop surface models，visible，and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation，2015，39：79-87.

[18]頓紹坤，魏海平，孫明柱. RGB顏色空間新的色差公式[J]. 科學(xué)技術(shù)與工程，2011，11（8）：1833-1836.

[19]李瑩瑩，姬長英，王海清，等. 基于matlab的蘋果樹枝圖像分割方法研究[J]. 科學(xué)技術(shù)與工程，2012，12（13）：3084-3087，3093.

[20]戴建民，曹 鑄，孔令華，等. 基于多特征模糊識(shí)別的煙葉品質(zhì)分級(jí)算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（20）：241-247.

[21]傾 明. 基于顏色和紋理特征圖像檢索技術(shù)的研究[J]. 科學(xué)技術(shù)與工程，2009，9（5）：1301-1304.