徐敏雅 朱路生 劉永華 王苗林 王慧

摘要：針對精準農業(yè)中靶變量施藥時對植物靶標探測的實際需求，研究紅色LED、藍色LED和鹵鎢燈照射下基于光譜信息和支持向量機的綠色植物檢測方法。分別在室外陽光直射、室外陰影和室內黑暗環(huán)境下采集三種光源照射下綠色植物樣本和非綠色植物樣本的反射光譜。研究常數1和標準差倒數1/SDev兩種變量權重對支持向量機SVM模型精確度的影響，結果表明兩種變量權重對線性核SVM模型的影響不大，但徑向基函數RBF核模型在變量權重為1時效果較差，最低精確度只有51.85%，變量權重為1/SDev時所有RBF核SVM模型精確度較為正常，最低精確度為95.06%。之后建立變量權重為1/SDev的綠色植物檢測SVM模型。結果表明，三種光源對于線性核SVM模型的性能影響較小，所有線性核SVM模型的F1-score均超過99.00%，其中鹵鎢燈照射下建立的SVM模型精確度達到100.00%，藍色LED照射下建立的SVM模型F1-score最高，達到99.79%；RBF核SVM模型中效果最好的為藍色LED照射下建立的模型，訓練集和測試集F1-score分別為99.59%和99.17%。本研究結果可為開發(fā)基于主動光源的綠色植物探測傳感器提供理論依據。

關鍵詞：支持向量機；綠色植物；靶標探測；精準農業(yè)；光譜信息

中圖分類號：S24

文獻標識碼：A

文章編號：20955553 （2023） 12013706

Research on green plant detection methods based on spectral information and

support vector machine

Xu Minya1， Zhu Lusheng1， Liu Yonghua1， Wang Miaolin2， Wang Hui1

（1. Jiangsu Vocational College of Agriculture and Forestry， Zhenjiang， 212400， China；

2. School of Agricultural Engineering， Jiangsu University， Zhenjiang， 212013， China）

Abstract：

Aiming at the actual demand for plant target detection during target variable pesticide application in precision agriculture， a green plant detection method based on spectral information and support vector machines was studied under the illumination of red LED， blue LED， and halogen tungsten lamp. The reflectance spectra of green and non green plant samples irradiated by three light sources were collected under outdoor direct sunlight， outdoor shadow， and indoor dark environments. The effects of constant 1 and 1/SDev variable weights on the accuracy of support vector machine SVM models were studied. The results showed that the two variable weights had little impact on the linear kernel SVM model， but the RBF kernel model had a poor effect when the variable weight was 1， with a minimum accuracy of only 51.85%. When the variable weight was 1/SDev， all RBF kernel SVM models had a relatively normal accuracy， with a minimum accuracy of 95.06%. After that， a SVM model for green plant detection with variable weight of 1/SDev was established. The results showed that the three light sources had a small impact on the performance of linear kernel SVM models， and the F1-score of all linear kernel SVM models exceeded 99.00%. The accuracy of the SVM model established under halogen lamp irradiation reached 100.00%， while the F1-score of the SVM model established under blue LED irradiation reached the highest， by 99.79%. The RBF core SVM model with the best effect was the model established under blue LED illumination， and the training set and test set F1-score were 99.59% and 99.17%， respectively. The results of this study can provide a theoretical basis for the development of green plant detection sensors based on active light sources.

Keywords：

support vector machine; green plants; target detection; precision agriculture; spectral information

0 引言

農作物生長過程中易受病、蟲、草害影響，嚴重影響產量和品質。如防治不力，易造成大量減產甚至絕收，進而影響國家糧食安全［12］。我國針對病、蟲、草害防治的植保作業(yè)仍普遍采用大面積均勻噴施化學藥劑的方法，這一方面會導致農藥的大量浪費，也會造成食品農藥殘留增加和環(huán)境污染問題。為控制農藥用量，國內外都出臺了相關政策和法規(guī)［34］。我國在2018年2月4日中央發(fā)布的一號文件《中共中央國務院關于實施鄉(xiāng)村振興戰(zhàn)略的意見》中強調了化肥農藥的減量增效。農藥減量增效的有效措施之一為精準對靶施藥，即根據傳感器探測的植物靶標信息進行精準施藥，無靶標處則不施藥。通過這種間歇式的精準對靶施藥，可有效提高農藥利用率、減少農藥使用量［5］。

精準對靶施藥的關鍵在于靶標的探測，目前獲取田間靶標信息的途徑主要有光譜、圖像和光譜成像等方法［6］?；趫D像的靶標識別技術通過顏色、紋理、形狀等特征結合機器學習方法不僅可區(qū)分植物和背景，還能區(qū)分作物和雜草，但算法往往較為復雜，處理速度一般，且易受環(huán)境光影響［7］?；诠庾V信息的田間綠色植物識別技術通過作物、雜草和背景在可見/近紅外波段的光譜差異區(qū)分植物和背景，該方法的處理速度較快、成本較低，在實際應用中具有較大潛力［8］。光譜成像技術通過融合光譜信息和圖像信息能夠精確檢測出綠色植物且能將作物與雜草區(qū)分開來，但其設備成本較高、檢測速度較慢，難以在田間進行實際應用［9］。光譜檢測方法已被研究用于植物的檢測和分類。在國外能檢測綠色植物的光譜傳感器已經商業(yè)化，如美國的WeedSeeker、荷蘭的Weed-IT等，但國外產品對國內進行技術封鎖且售價較高。國內相關產品還在研究階段，鄧巍等［10］利用植物和背景在可見/近紅外光譜“紅邊”兩側反射率的差異，確定了探測綠色植物靶標的指數，并將判別閾值確定為5.54，實現了綠色植物靶標的快速探測。李林等［11］選取了595nm、710nm、755nm和950nm四個波長，并設計了一種能自動識別雜草的光譜傳感器。王愛臣等［5］建立了基于熒光光譜信息的簇類獨立軟模式法（SIMCA）和線性判別分析（LDA）模型，綠色植物識別率達到92%以上。Wang等［1］優(yōu)選了用于綠色植物檢測的單波段光譜（中心波長為725nm，半峰全寬為50nm），實現了基于單波段光譜的綠色植物快速探測。

在植物靶標實際檢測中，田間可能會存在一些綠色非植物的干擾，造成誤檢。另外，不同環(huán)境光照條件也會對檢測結果造成較大影響。因此，本文擬研究不同環(huán)境光照下植物靶標的探測方法，同時對比研究不同光源照射的效果，以優(yōu)選出合適的光源，為開發(fā)基于主動光源的綠色植物探測傳感器提供理論依據。

1 材料與方法

1.1 樣本準備

試驗選取了27種樣本，每種樣本數量為5，共計135個樣本。如圖1所示，樣本中包含8種常見蔬菜（菠菜、南苜蓿、苦菊、塔菜、豌豆苗、小白菜、油菜和油麥菜）、5種雜草（泥胡菜、救荒野豌豆、薺菜、小蓬草和白車軸草）、4種土壤、3種假葉、6種綠色非植物樣本和1種枯葉樣本。土壤樣本A大部分是土壤，含有少量石子，是田間的常見土壤；土壤樣本B的情況與土壤A基本相同，但土壤顆粒更大，含水率更高；土壤樣本C只有一層浮土，大多數是大小不一的石子，這種土質在田間較少出現；土壤樣本D是最具干擾性的，表面覆蓋有青苔，其中的少量葉綠素可能會成為一個干擾項。假葉和6種非綠色植物樣本是為了增加更多的綠色干擾樣本，以使訓練的模型可以區(qū)分綠色植物和綠色非植物，提高模型的適應性。為了區(qū)分綠色鮮活植物和枯敗植物，還設置了枯葉樣本。

1.2 光譜采集

本文所用光譜信息采集系統(tǒng)示意圖如圖2所示。該系統(tǒng)由便攜式光譜儀（USB2000+）、接收光纖（QP400-1-VIS-NIR）、主動光源、USB數據線和個人電腦組成。USB2000+光譜儀的光譜覆蓋范圍為340～1050nm，光譜分辨率為0.35nm，積分時間可在0.001～65s內設置。接收光纖直徑為400μm，數值孔徑為0.22。為優(yōu)選主動光源，本文使用了三種主動光源，分別為紅色LED、藍色LED和鹵鎢燈。紅色LED和藍色LED光源為單波段光源，可以激發(fā)植物的葉綠素熒光。因此，在LED光源照射下采集的光譜信息主要為樣本的熒光光譜信息，而鹵鎢燈照射下采集的光譜信息為可見/近紅外波段的反射光譜信息。為研究環(huán)境光對綠色植物檢測的影響，分別在室外陽光直射、室外陰影和室內黑暗環(huán)境下采集光譜信息。由于不同環(huán)境光、主動光源的強度不同，光譜儀所設置的積分時間也不同，具體積分時間設置如表1所示。

1.3 光譜預處理

考慮到光譜儀檢測范圍及信噪比，選取650～850nm波段進行進一步光譜數據分析。針對紅色和藍色LED照射下的光譜采集，因LED光源為單波段光源，無法采集參考光譜，因此將反射強度光譜作為數據進行分析；針對鹵鎢燈照射下的光譜采集，在采集樣本光譜前分別采集了暗光譜和參考光譜，分別將反射強度和反射率光譜作為數據進行分析。反射率通過式（1）進行計算。

式中：

Reflectance——反射率光譜；

Intensity——反射強度光譜；

Reference——參考光譜；

Dark——暗光譜。

試驗還對比了輸入變量權重對分類模型準確度的影響，分別將權重值設置為常數1和變量標準差的倒數（1/SDev）。

1.4 分類模型建立與評價

在建立分類模型時，本文選用適于解決小樣本、非線性、高維度數據分析的支持向量機（Support Vector Machine，SVM）。支持向量機是一種經典的監(jiān)督學習方法，其根據訓練樣本集的數據分布特點，在訓練樣本空間中找到一個“超平面”可以區(qū)分不同類別的樣本，并且該超平面對訓練樣本局部擾動具有最佳的“容忍度”，也就是使超平面距支持向量的距離最遠，以達到較好的分類效果和模型魯棒性［12］。核函數方面對比了線性核函數和徑向基核函數（Radial Basis Function，RBF）。使用線性核函數時，經交叉驗證試驗將懲罰因子C確定為1。使用RBF核函數時有C和γ兩個參數需要確定，經建立多個模型網格搜索后確定紅色LED照射時C為2.001244，γ為0.03981072；藍色LED照射時C為2.154435，γ為0.04；鹵素燈照射時選擇C為2.001244，γ為0.04。在建立分類模型時，將樣本集按照3∶2的比例劃分為訓練集和測試集，驗證方法選擇“五折”交叉驗證，即將訓練集樣本均分為5部分，在模型訓練過程中每一部分輪流作為測試集評估模型精度，其他樣本則作為訓練集進行模型訓練［13］。

本文通過精確度（Precision，P）、召回率（Recall，R）和F1-score評價模型的分類效果，其計算公式如式（2）～式（4）所示［14］。精確度P表示查準率，即預測為真的樣本里確實為真的樣本數量；召回率R表示查全率，即所有真樣本中有多少被預測出來；F1-score為精確度和召回率的加權調和平均，綜合考慮了查準率和查全率，是衡量分類模型綜合性能的常用指標。

式中：

TP——真正例；

FP——假正例；

FN——假反例。

2 結果與討論

2.1 光譜特征分析

不同環(huán)境下樣本在不同光源照射下的反射光譜如圖3所示。

紅色LED和藍色LED照射時，在LED光源的發(fā)射波長629nm和463nm附近因光源較強，存在反射強度飽和現象。考慮到這兩個波長處光源強度較強，對植物判別意義不大，因此在建模判別模型時將這兩處波長區(qū)域剔除。在三個反射強度光譜中，綠色植物在740nm附近有非常明顯的反射峰，紅色LED和藍色LED照射下綠色植物在680nm附近也有較為明顯的反射峰，而鹵鎢燈照射下綠色植物在680nm附近的反射峰則很微弱。這是因為較強的紅光和藍光激發(fā)出了綠色植物的葉綠素熒光［15］，而鹵鎢燈為全波段光源，激發(fā)的葉綠素熒光較弱，且被部分淹沒在了反射光譜中。在反射率光譜中，綠色植物在690～730nm波段存在著明顯的紅邊［16］。室外場景下，反射光譜在688nm和764nm附近有明顯的波谷，這是由于大氣對太陽光的吸收而造成的夫瑯禾費暗線［17］。在這兩個波段處，可以提取出綠色植物在日光照射下微弱的葉綠素熒光。在三種光源照射下，所有綠色植物與綠色非植物樣本在綠色波段（500～570nm）均有明顯的反射波峰，這是因為這兩類樣本都反射綠色。因此，在此波段內難以區(qū)分綠色植物與綠色非植物樣本。相比于綠色植物和綠色非植物，土壤和枯葉樣本非常容易反射全波段的太陽光譜和鹵鎢燈光譜，而在黑暗環(huán)境下對LED照射沒有明顯的響應。

通過分析不同光源照射下不同樣本的反射光譜特征可知，綠色植物樣本與其他樣本在光譜上最大的區(qū)別在于600～800nm之間的反射，這些不同主要是由于綠色植物的葉綠素導致。因此，本文后續(xù)將以600～850nm波段內的光譜為輸入建立判別模型。另外，由于外界環(huán)境光的影響，其他類別的樣本如土壤和枯葉，在600～850nm波段范圍內和綠色植物仍然有光譜重疊區(qū)域，可能會對綠色植物檢測帶來一定的誤差。

2.2 變量權重對模型精確度的影響

將輸入變量權重分別設置為常數1和1/SDev時不同SVM分類模型的精確度，如表2和表3所示?？梢钥闯觯瑑煞N變量權重對線性核SVM模型的影響不大，所有線性核SVM模型的分類精確度都達到98%以上，但RBF核SVM模型在變量權重為1時出現了明顯的過擬合現象，針對訓練集的精確度高于99%，而測試集的精確度最低只有51.85%。變量權重為1時，鹵鎢燈反射率組的RBF核SVM模型的測試集精確度為97.53%，處于較高水平，這說明基于光譜強度的RBF核SVM模型受環(huán)境光影響較大，而鹵鎢燈反射率組通過參比光譜對反射強度進行了歸一化，一定程度上解決了因外界光照不同導致的反射強度不同，達到了較好的分類效果。同樣，將變量權重設置為1/SDev后，所有RBF核SVM模型精確度較為正常，這是因為設置變量權重為1/SDev也相當于對自變量值進行了歸一化，減輕了因度量范圍不同導致的誤判別情況。因此，在后續(xù)建立分類模型時都將變量權重設置為1/SDev。

2.3 SVM模型分類結果

表4和表5分別為判別綠色植物與非綠色植物的線性核和RBF核SVM模型的分類結果。從表4可以看出，對于線性核SVM模型，所有模型的F1-score均超過99.00%，其中鹵鎢燈照射下兩個樣本組的精確度均達到了100.00%，說明所有識別為綠色植物的樣本均為綠色植物；召回率為98.72%則說明該模型沒有把所有綠色植物樣本全部識別到，出現了少量遺漏情況?？偟膩碚f，不同主動光源對于線性核SVM模型的性能影響較小。如從對靶施藥角度考慮，則召回率越高越好，即所有綠色植物樣本都能被檢測到，那么藍色LED照射下的效果略好，F1-score也最高。

從表5可以看出，對于RBF核SVM模型，不同樣本組下模型性能出現了一定差異。其中總體表現最好的仍為藍色LED照射下的，其測試集召回率達到100.00%，即所有綠色植物樣本都能被檢測到，訓練集和測試集F1-score分別為99.59%和99.17%，和線性核SVM模型性能相當。其他三個樣本組模型都出現了輕微的過擬合現象，即測試集結果略低于訓練集結果，這可能是由于光譜噪聲較大、輸入變量數較多而樣本數相對較少導致。因此，從主動光源的角度來看，藍色LED光源的綜合效果最好；從SVM模型核函數角度，藍色LED樣本組模型使用線性核和RBF核基本無差別，而其他樣本組則線性核效果較好。

3 結論

本文針對精準農業(yè)中靶變量施藥時對植物靶標探測的實際需求，研究了紅色LED、藍色LED和鹵鎢燈照射下基于光譜信息和支持向量機的綠色植物檢測方法。

1） 在室外陽光直射、室外陰影和室內黑暗環(huán)境下采集了三種光源照射下綠色植物和非綠色植物共27種樣本的反射光譜，并對光譜進行了預處理用于后續(xù)建模分析。

2） 研究了常數1和標準差倒數1/SDev兩種變量權重對支持向量機SVM模型精確度的影響，結果表明兩種變量權重對線性核SVM模型的影響不大，但徑向基函數RBF核模型在變量權重為1時效果較差，最低精確度只有51.85%，變量權重為1/SDev時所有RBF核SVM模型精確度較為正常，最低精確度為95.06%。

3） 對比了紅色LED、藍色LED和鹵素燈照射下變量權重為1/SDev的綠色植物檢測SVM模型。結果表明，三種光源對于線性核SVM模型的性能影響較小，所有線性核SVM模型的F1-score均超過99.00%，其中鹵鎢燈照射下建立的SVM模型精確度達到了100.00%，藍色LED照射下建立的SVM模型F1-score最高，達到99.79%；RBF核SVM模型中效果最好的為藍色LED照射下建立的模型，訓練集和測試集F1-score分別為99.59%和99.17%。本研究結果可為開發(fā)基于主動光源的綠色植物探測傳感器提供理論依據。

參 考 文 獻

［1］ Wang A， Li W， Men X， et al. Vegetation detection based on spectral information and development of a low-cost vegetation sensor for selective spraying ［J］. Pest Management Science， 2022， 78（6）： 2467-2476.

［2］ 馮雷， 高吉興， 何勇， 等. 波譜成像技術在作物病害信息早期檢測中的研究進展［J］. 農業(yè)機械學報， 2013， 44（9）： 169-176.

Feng Lei， Gao Jixing， He Yong， et al.Research development of spectral imaging technology in early detection of botanical diseases ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2013， 44（9）： 169-176.

［3］ Hamuda E， Glavin M， Jones E. A survey of image processing techniques for plant extraction and segmentation in the field ［J］. Computers and Electronics in Agriculture， 2016， 125： 184-199.

［4］ Lee W S， Alchanatis V， Yang C， et al. Sensing technologies for precision specialty crop production ［J］. Computers and Electronics in Agriculture， 2010， 74（1）： 2-33.

［5］ 王愛臣， 高斌潔， 趙春江， 等. 基于熒光光譜信息的綠色植物探測研究［J］. 光譜學與光譜分析， 2022， 42（3）： 788-794.

Wang Aicheng， Gao Binjie， Zhao Chunjiang， et al. Detecting green plants based on fluorescence spectroscopy ［J］. Spectroscopy and Spectral Analysis， 2022， 42（3）： 788-794.

［6］ Sun H， Li M， Qin Z. Detection system of smart sprayers： status， challenges， and perspectives ［J］. International Journal of Agricultural & Biological Engineering， 2012， 5（3）： 10-23.

［7］ Wang W. A review on weed detection using ground-based machine vision and image processing techniques ［J］. Computers and Electronics in Agriculture， 2019， 158： 226-240.

［8］ 毛文華， 張銀橋， 王輝， 等. 雜草信息實時獲取技術與設備研究進展［J］. 農業(yè)機械學報， 2013， 44（1）： 190-195.

Mao Wenhua， Zhang Yinqiao， Wang Hui， et al. Advance techniques and equipments for real-time weed detection ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2013， 44（1）： 190-195.

［9］ Saric R， Nguyen V D， et al. Applications of hyperspectral imaging in plant phenotyping ［J］. Trends in Plant Science， 2022， 27（3）： 301-315.

［10］ 鄧巍， 趙春江， 何雄奎， 等. 綠色植物靶標的光譜探測研究［J］. 光譜學與光譜分析， 2010， 30（8）： 2179-2183.

Deng Wei， Zhao Chunjiang， He Xiongkui， et al. Study on spectral detection of green plant target ［J］. Spectroscopy and Spectral Analysis， 2010， 30（8）： 2179-2183.

［11］ 李林， 魏新華， 毛罕平， 等. 冬油菜田雜草探測光譜傳感器設計與應用［J］. 農業(yè)工程學報， 2017， 33（18）： 127-133.

Li Lin， Wei Xinhua， Mao Hanping， et al. Design and application of spectrum sensor for weed detection used in winter rape field ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（18）： 127-133.

［12］ Li J， Sun L， Li R. Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM （RBF）［J］. Journal for Light and Electronoptic， 2020， 206： 164248.

［13］ Swami A， Jain R. Scikit-learn： Machine learning in Python ［J］. Journal of Machine Learning Research， 2013， 12（10）： 2825-2830.

［14］ Goutte C， Gaussier E. A probabilistic interpretation of precision， recall and F-score， with implication for evaluation ［M］. World Publishing Corporation， 2005.

［15］ Murchie E H， Lawson T. Chlorophyll fluorescence analysis： A guide to good practice and understanding some new applications ［J］. Journal of Experimental Botany， 2013， 64（13）： 3983-3998.

［16］ 馮海寬， 陶惠林， 趙鈺， 等. 利用無人機高光譜估算冬小麥葉綠素含量［J］. 光譜學與光譜分析， 2022， 42（11）： 3575-3580.

Feng Haikuan， Tao Huilin， Zhao Yu， et al. Estimation of chlorophyll content in winter wheat based on UAV hyperspectral ［J］. Spectroscopy and Spectral Analysis， 2022， 42（11）： 3575-3580.

［17］ Cogliati S， Verhoef W， Kraft S， et al. Retrieval of sun-induced fluorescence using advanced spectral fitting methods ［J］. Remote Sensing of Environment， 2015， 169： 344-357.