CN105067532B - 一种鉴别油菜菌核病和灰霉病早期病斑的方法 - Google Patents

Abstract

本发明公开了一种鉴别油菜菌核病和灰霉病早期病斑的方法，该方法包括：(1)取待测油菜叶片的高光谱图像，再挑选所述高光谱图像的病斑局部的像素；(2)计算获得所述像素在681.95nm～748.23nm波段的波段比运算值和波段差分运算值；(3)将由所述像素在555.29nm处的光谱值、所述波段比运算值和波段差分运算值构成的特征向量输入经训练的最小二乘支持向量机模型，根据输出结果判断病斑类型。本发明从带有菌核病、灰霉病早期病斑的高光谱图像信息中分析获得特征差异波段，通过特征波长、波段比运算值和波段差分运算值与最小二乘支持向量机的结合，实现了菌核病和灰霉病早期病斑的准确分类，鉴别精度更高。

Description

一种鉴别油菜菌核病和灰霉病早期病斑的方法

技术领域

本发明涉及数字农业技术领域，尤其涉及一种鉴别油菜菌核病和灰霉病早期病斑的方法。

背景技术

油菜是我国重要的油料作物，在种植过程中经常受到各种病害的胁迫，导致减产。油菜的主要病害有菌核病和灰霉病等。菌核病由核盘菌侵染所致，灰霉病由灰葡萄孢菌侵染所致。两种病害侵染油菜叶片初期时，油菜叶片上都显示出水渍状病斑，难以区分两种病害，容易造成误判而错过最佳防治时间。如果用一种快速无损的方法准确识别这两种病害，则可以指导农户施用针对特定病害的农药，提高效率并且最大限度的保护环境。

高光谱图像技术将图像处理技术与光谱分析技术相结合，成为近年来数字农业领域研究的热点。它秉承了光谱和高光谱技术的无损检测的特点，同时利用图像处理技术能够更准确的识别植株的早期病害。高光谱图像技术已被用于水果品质鉴别、植株营养成分鉴别、植株病害程度鉴别以及染病植株与健康植株的鉴别等。

Moshou利用可见和近红外波段高光谱信息鉴别小麦健康叶片、感染黄锈病叶片和缺氮叶片，用二次判别分析(quadratic discriminant analysis，QDA)和自组织映射神经网络(self-organizing map neural net)两种分类方法来鉴别这三类叶片，其不足在于受病害感染的冠层反射光谱存在不稳定性(Moshou D.，Bravo C.，Wahlen S.，etal.Simultaneous identification of plant stresses and diseases in arable cropsbased on a proximal sensing system and Self-Organising Neural Networks：Proceedings of 4th European Conference on Precision Agriculture，2003[C].Berlin：Stafford J.，Werner A.，2003：425-432.Moshou D.，Bravo C.，Wahlen S.，etal.Simultaneous identification of plant stresses and diseases in arable cropsusing proximal optical sensing[J].Precision Agriculture，2006，7(3)：149-164.)。Qin利用高光谱信息将葡萄柚果实的溃疡病从健康果中分离出来(Qin Jianwei，BurksT.F.，Kim M.S.，et al.Citrus canker detection using hyperspectral reflectanceimaging and PCA based image classification method[J].Sensing Instrument forFood Quality and Safety，2008，2(3)：168-177.)，Qin进一步将葡萄柚果实的溃疡病从其他种类的病果中分离出来，该研究的分类方法用了99个波段参与分析，分类精度较高，但是运算较费时(Qin Jianwei，Burks T.F.，Ritenour M.A.，et al.Detection of citruscanker using hyperspectral reflectance imaging with spectral informationdivergence[J].Journal of Food Engineering，2009，93(2)：183-191.)。李江波用主成分分析与波段比算法相结合将脐橙溃疡果从脐橙其他种类的病果中分离出来，相对于Qin的研究降低了运算量(李江波，饶秀勤，应义斌等.基于高光谱成像技术检测脐橙溃疡[J].农业工程学报，2010，26(8)：222-228.)。

但是，采用高光谱图像技术来鉴别同一种植株的症状异常相似的不同病害的研究较少。T.Rumpf用高光谱信息结合植被指数(Vegetation Indices)和支持向量机(SupportVector Machines)将甜菜健康叶片与感染锈病、尾孢菌叶斑病和白粉病等三类甜菜病害的叶片区分，总鉴别精度超过86％，但是当三种病害两两进行鉴别时精度不理想(Rumpf T.，Mahlein A.K.，Steiner U.，et al.Early detection and classification of plantdiseases with Support Vector Machines based on hyperspectral reflectance[J].Computers and Electronics in Agriculture，2010，74(1)：91-99.)。这是高光谱图像技术用于鉴别植物病害研究中的一个尚未很好解决的问题。

发明内容

本发明提供了一种鉴别油菜菌核病和灰霉病早期病斑的方法，该方法能够精确鉴别油菜叶片上菌核病和灰霉病的早期病斑，鉴别精度高。

一种鉴别油菜菌核病和灰霉病早期病斑的方法，包括：

(1)取待测油菜叶片的高光谱图像，再挑选所述高光谱图像的病斑局部的像素；

(2)计算获得所述像素在681.95nm～748.23nm波段的波段比运算值和波段差分运算值；

(3)将由所述像素在555.29nm处的光谱值、所述波段比运算值和波段差分运算值构成的特征向量输入经训练的最小二乘支持向量机模型，根据输出结果判断病斑类型。

具体地，所述最小二乘支持向量机模型的训练方法，包括以下步骤：

(1)取感染菌核病、灰霉病的油菜叶高光谱图像病斑局部的像素，构成训练集；

(2)计算训练集中像素在681.95nm～748.23nm波段的波段比运算值和波段差分运算值；

(3)以由训练集中像素在555.29nm处的光谱值、在681.95nm～748.23nm波段的波段比运算值和波段差分运算值构成的特征向量作为输入，以像素所在病斑的类型为输出，训练最小二乘支持向量机模型。

所述取感染菌核病、灰霉病的油菜叶高光谱图像病斑局部的像素的方法，包括以下步骤：

(1)在健康的油菜叶片上接种菌丝块；

(2)获取被感染的油菜叶片的高光谱图像；

(3)去除高光谱图像中菌丝块所在的区域；

(4)去除高光谱图像中健康叶肉所在的区域，剩余部分即为高光谱图像的病斑局部。

作为优选，所述去除高光谱图像中菌丝块所在的区域的方法为：将高光谱图像的每个像素在549.10nm处的光谱值和679.42nm光谱值作差，根据差值区分高光谱图像中菌丝块所在的区域。

作为优选，根据512.05nm处的光谱值区分高光谱图像中的健康叶肉像素和病斑局部像素。

作为优选，所述最小二乘支持向量机模型的超参数γ为0.79214，核函数参数δ²为4.4687。

本发明还提供了一种鉴别油菜菌核病和灰霉病早期病斑的方法，包括：

(1)取待测油菜叶片的高光谱图像，再挑选所述高光谱图像的病斑局部的像素；

(2)计算获得所述像素在681.95nm～748.23nm波段的波段比运算值或波段差分运算值；

(3)确定分类的阈值，根据所述的波段比运算值或波段差分运算值确定病斑类型。

具体地，所述阈值的确定方法为：计算已知样本像素的波段比运算值或波段差分运算值，绘制接收机操作特征曲线，选择最佳的阈值。

作为优选，根据波段比运算值进行分类时，阈值为4.5；根据波段差分运算值进行分类时，阈值为0.6。

与现有技术相比，本发明具有以下有益效果：

本发明从带有菌核病或灰霉病早期病斑的高光谱图像信息中分析获得特征差异波段，通过特征波长、波段比运算值和波段差分运算值与最小二乘支持向量机的结合，实现了菌核病和灰霉病早期病斑的准确分类，与常规的主成分分析方法相比，鉴别精度更高。

附图说明

图1为本发明高光谱图像***的结构示意图；

其中，1.高光谱成像仪；2.线光源；3.高光谱图像采集与分析软件；4.载物板；5.电控位移台。

图2为油菜菌核病斑与灰霉病斑的高光谱图像；

I为接种菌核病斑的油菜叶片；II为接种灰霉病斑的油菜叶片；III为I的局部放大图；IV为II的局部放大图。

图3为油菜菌核病与灰霉病发病后第1天(A)、第2天(B)和第3天(C)病斑的平均光谱图。

图4为菌丝块与叶肉组织的平均光谱曲线；

A为菌丝块与叶肉的光谱曲线；B为健康叶肉与被感染叶肉(两种病斑)的光谱曲线。

图5为油菜菌核病斑、灰霉病斑和两者差值以及健康叶肉的平均光谱曲线。

图6为本发明方法中油菜菌核病和灰霉病的波段运算结果；

其中，上排图片为菌核病斑，下排图片为灰霉病斑；

A1、A2为真彩色图片；B1、B2为掩模图片；C1、C2为波段比运算图片；D1、D2和E1、E2为波段差分运算图片。

图7为波段比运算图像的分类结果；

其中，左侧为发病后第1天、第2天和第3天的波段比运算图像的ROC曲线；右侧为发病后第1天、第2天和第3天的波段比运算图像的分类精度曲线。

图8为波段差分运算图像的分类结果；

其中，左侧为发病后第1天、第2天和第3天D的波段差分运算图像的ROC曲线；右侧为发病后第1天、第2天和第3天的波段差分运算图像的分类精度曲线。

图9为油菜菌核病和灰霉病病斑高光谱图像的前3个主成分的散点图。

具体实施方式

下面结合具体实施方式和附图对本发明做进一步的阐述。

实验前的准备工作

1、实验材料的准备

为了模拟自然发病状态，本实验用尽量小的菌丝块为叶片接种病菌。用培养基(Potato dextrose agar medium，PDA)培养菌核病菌丝和灰霉病菌丝，制成直径5毫米的圆形菌丝块。用菌丝块将两种病害接种到同一生长时期的油菜叶片上，选取每一个叶片上的相似位置为菌丝块贴敷点。

本实验准备了60个叶片样本，其中30个用于接种菌核病，30个用于接种灰霉病，均采用非离体接种方式。用人工培养箱保持油菜植株恒温25℃、恒湿85％，经过24小时后菌丝块的周围开始显现病征，在发病后3天内病斑的面积都非常小且两种病斑非常相似，即：发病初期都显示为水渍状病斑，难以区别。

2、高光谱图像***的组成

本实验所用的高光谱成像***主要由光谱仪(Imspector V10E，SPECIM，Finland，抽样间隔1nm，光谱分辨率6nm)，一帧像素为1392×1040的CCD摄像机(Hamamatsu，Japan)，滤光片(OBF570，SPECIM，Finland)，镜头(SCHNEIDER，Germany)，一套150W全光谱二分支光纤线光源(Illumination，USA)，一组电控位移台及配套图像采集软件构成，如图1所示。采集的高光谱图像是一个大小为672×409(空间维)×512(光谱维)的三维数据结构，光谱范围为380～1030nm，共512个波段。

3、高光谱图像校准方法

在获取样本图像之前，先采集一组白标准图像和黑标准图像，白标准图像通过扫描反射率为99％的标准白矫正板获得，黑标准图像通过盖上图像采集器镜头盖扫描获得。采集到的所有原始高光谱图像通过公式(1)计算得到校准图像。

R＝(I-I_dark)/(I_white-I_dark) (1)

其中，R是样本的校准图像，I是样本的原始图像，I_dark是黑标准图像，I_white是白标准图像。

4、光谱特征分析

通过上述高光谱图像采集***获得油菜高光谱图像，如图2所示，图2是取图像数据中640nm、550nm和460nm组成的病斑部位真彩色高光谱图像，其中，图2(I)为接种菌核病斑的油菜叶片，图2(II)为接种灰霉病斑的油菜叶片。

为了能使本发明方法能够更好地在生产实践中推广，每一幅高光谱图像中俯视采集一个完整的油菜植株，再针对叶片上的病斑部位进行分析。

染病初期叶片上的病斑很小，需要将图像放大以便清晰显示病斑，图2(III)和图2(IV)分别为图2(I)和图2(II)的局部放大图，图2(III)和图2(IV)中的A点为病斑区域内的一个点，B点为菌丝块区域内的一个点，图2(III)中的C点为菌丝块边缘生长出来的菌丝区域的一个点。

由于温湿度条件合适，图2中的菌丝生长较快。图2中，菌核病与灰霉病的菌丝块形状大小完全相同，在培养皿中培养的时间相同，菌丝量相似，形成的病斑形状不同可能是因为叶面微小的凹凸和叶片的自然形态使菌丝块与叶面贴合的紧密程度有细微差别，致使菌丝在叶片上的蔓延方向有差别，并不影响实验的进行。

油菜菌核病与灰霉病病斑在发病后3天内都不会有明显区别，研究这段时间内的病斑分类技术都是有意义的。所以，本实验分别分析了高光谱图像技术对这两种病发病后第1天、第2天和第3天的鉴别能力。油菜菌核病与灰霉病1～3天内病斑像素的平均光谱如图3所示。

5、感兴趣区域的提取

本发明***采集到的样本高光谱信息在波长380～1030nm的范围内，由于靠近两端波长范围内的数据有较大噪声，影响后期数据处理，所以只抽取波长400～850nm的359个波段的高光谱信息加以分析。

感兴趣区(Regions of interest，ROI)用于将感兴趣的研究对象像素与其他对象像素区分开来，使下一步工作只对感兴趣的区域展开。

本实验的感兴趣区域是叶肉的受感染部位，所以需要将感兴趣区从健康叶肉和菌丝块区域中分离出来。

由于菌丝块像素的光谱曲线与健康或受感染的叶肉像素的光谱曲线在形状上都存在明显差异，叶肉像素光谱曲线在549.10nm至679.42nm范围内呈单调递减，而菌丝块像素光谱曲线在该范围内呈单调递增，如图4A所示。所以，本实验先用549.10nm波段数据减去679.42nm波段数据，使得叶肉和菌丝块像素呈现明显差异，以便将菌丝块区分出来。

接下来区分健康叶肉和受两种病害感染的叶肉像素。从受感染的叶肉和健康叶肉像素的光谱曲线中观察得知，在450nm至525nm以及580nm至700nm两个波段范围内，健康和受感染叶肉光谱数据没有重叠(如图4B)，所以可以用于区分健康叶肉和受两种病害感染的叶肉像素，为了使两类像素的光谱值区别尽量大，本实验选用512.05nm波段来区分两类叶肉像素(阈值＝0.16)。

实施例1波段运算和特征波段-最小二乘支持向量机(LS-SVM)

通过观察菌核病和灰霉病光谱差值(如图5)，发现在675-750nm区域内菌核病和灰霉病光谱曲线的斜率存在较大区别，可以利用这个区别来区分它们。同时菌核病与灰霉病光谱差值的最大值出现在748.23nm处，最小值出现在681.95nm处，因此，对这两个波段做波段比运算和波段差分运算可以有效的区分两种病斑。

选取这两个波段进行运算，公式如下：

band ratio＝R748.23/R681.95 (2)

difference＝R748.23-R681.95 (3)

式中，band ratio是图像波段比运算的结果，difference是图像差分运算的结果，R748.23是748.23nm单波段图像像素的光谱反射值，R681.95是681.95nm单波段图像像素的光谱反射值。

在植物光谱中，绿光波长550nm左右的光谱区域可以有效描述植物叶片的特征。如图5所示，油菜叶片两种病斑的光谱曲线在555.29nm处形成一个反射峰，且两种病斑光谱差值曲线的波峰也出现在该波段处，所以这个波段可以作为特征波段鉴别两种病斑。

为进一步提高鉴别的精度，本文用两种病斑的波段比运算值、波段差分运算值和555.29nm处的光谱反射值作为特征向量输入模块中进行分类建模，期望能够得到更高的分类精度。

为了使本实施例中的鉴别方法具有可比性，建模算法采用最小二乘支持向量机(LS-SVM)，核函数采用径向基函数(RBF Kernal)，通过交互验证法得到γ和δ²的最佳组合：γ＝0.79214，δ²＝4.4687。油菜叶片菌核病和灰霉病发病第1、2、3天病斑的鉴别精度，如表1所示。

表1基于波段比值、波段差分值和555.29nm反射值的油菜病斑鉴别精度

实施例2波段运算-接收机操作特征曲线(Band Math-ROC)

为了便于后序图像分析，将感兴趣区域提取的结果做成掩模数据，设置感兴趣区域为1，其它区域为0。

本实施例提出波段运算-接收机操作特征曲线(Band Math-ROC)算法来鉴别两种病斑，该波段运算分为波段比算法和波段差分算法，只需要2个波段参与运算，可以大大降低计算量。

对波段比和波段差分运算结果套用掩模后进行分析，如图6所示。本实施例尝试对波段比和波段差分运算的结果进行阈值分割来区分两种病斑。阈值的选择是一个重要的步骤，选择的阈值接近第一类，那么第二类能被正确识别的几率就高，同时第一类能被正确识别的几率会低；若阈值接近第二类，则结果相反。所以应该在尽量保证两类都能被正确分类的情况下选取一个折衷的值。

接收机操作特征曲线(Receiver operating characteristic curve，ROC)可以有效描述整个选择范围内的任意判断标准的类区分能力。曲线上各点反映着相同的感受性，它们都是在几种不同的判断标准下对同一信号刺激的反应；以假阳性率(虚报概率P(y/N))为横坐标，以真阳性率(击中概率P(y/SN))为纵坐标，根据样本在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。如果两类样本分布完全重合，则ROC曲线与y＝x直线重合；若两类样本分布完全分离，则ROC曲线与y＝1直线重合；因此在整个判定标准范围内，ROC曲线都在上述两条直线与y轴围成的三角形内移动。

接收机操作特征曲线以下的区域(area under curve，AUC)可作为分类性能的有效指标，AUC值越大则分类器性能越好。通常ROC曲线上到(0，1)点距离最短的点对应的判断标准的分类性能最佳。

所以，本实施例选用接收机操作特征(receiver operating characteristic，ROC)曲线来优选分类阈值。公式(4)和公式(5)分别是真阳性率和假阳性率的计算公式，式中TP表示真阳性，FN表示假阴性，FP表示假阳性，TN表示真阴性。

TPR＝TP/(TP+FN) (4)

FPR＝FP/(FP+TN) (5)

本实施例中，设菌核病斑样本为阳性，灰霉病斑样本为阴性，则真阳性率为菌核病斑的正确识别率，假阳性率为菌核病斑的错误识别率。

实验过程中，用一系列的阈值分别分割菌核病和灰霉病斑发病第1、2、3天的样本图像，每取一个阈值就形成一个ROC曲线上的数据点。阈值选取的标准是能够使真阳性率越接近1，同时假阳性率越接近0的阈值越优秀。

所以，在ROC曲线上最靠近坐标(0，1)点的数据点对应最佳阈值。波段比运算图像的ROC曲线和分类精度曲线如图7所示，波段差分运算图像的ROC曲线和分类精度曲线图如图8所示，图中用虚线标记的数据点对应最佳阈值。

从图7和图8中可以明显看到，波段比运算的最佳阈值为4.5，波段差分运算的最佳阈值为0.6。在设定好最佳阈值的情况下，油菜菌核病斑与灰霉病斑的鉴别精度如表2所示。

表2基于波段比运算值和波段差分运算值的油菜病斑鉴别精度

对比例1

主成分分析(Principal component analysis，PCA)是在高光谱图像校准的基础上对图像降维的有效方法。它可以通过各个光谱波段数据的再组合构成维数更低、特征更明显的光谱图像。再组合后的前n(n＜＜全波段数)个成分数据几乎能够表达原始高光谱图像中超过90％的信息，减少了后序分析的计算量和时间。但是，用前n个成分数据直接区分出两种病斑还存在困难，可能是因为主成分分析关注的图像特征并非实验关注的特征。为了进一步分离病斑，本实验寻找了前n个成分数据中最能表达实验中关注的对象特征的一个成分数据。

具体分析方法如下：

本实验对菌核病和灰霉病病斑像素做主成分分析，前3个主成分(分别为PC1、PC2和PC3)包含了高光谱图像的超过90％的信息。将病斑像素分别放在前3个主成分两两构成的坐标系中，如图9所示。很显然，沿着PC1轴的方向根本无法分离两种病斑，PC2分离病斑的能力高于PC3，所以选取PC2数据做进一步分析。

在主成分分析中，每一个主成分都是由参与运算的所有原始单波段图像经过线性组合而成的，在这个线性组合中权重系数w越大，相应的单波段图像对该主成分的贡献就越大，即：每一个波段的权重系数w的大小代表了该波段对成分数据贡献的大小，所以对于被选的成分数据，权重系数较大的若干个原始波段能够有效表达实验关注的特征。

为了找出对PC2贡献最大的单波段图像，本实验将PC2在原始单波段图像上的权重系数按大小进行排序。

权重系数如公式(6)所示：

其中，PC表示再组合后的成分数据，B表示参与运算的原始波段，m是原始波段的数量，w表示权重系数。

按照权重系数排序，取权重系数最大的5个波段作为分离两种病斑的特征波长，它们分别是556.54nm、670.55nm、673.08nm、485.03nm、487.48nm。这些特征波长可以作为分类模型的输入变量。

将优选的5个特征波段作为LS-SVM的输入变量来建立病斑分类模型。对建模集样本在发病后第1天、第2天、第3天获取的高光谱数据建立LS-SVM分类模型，核函数为径向基函数(RBF Kernal)，通过交互验证法得到γ和δ²的最佳组合：γ＝0.79214，δ²＝4.4687。

用该模型对验证集样本进行分类，其精度如表3所示。

表3基于特征波长和LS-SVM的油菜病斑鉴别精度

实施例1、2和对比例1的结果表明，实施例1、实施例2的油菜病斑鉴别精度均高于对比例1，原因可能在于采用主成分分析寻找特征波长的方法是针对整张叶片，包括病斑和健康像素，不能有效提取病斑的特征。

另外，波段差分运算的鉴别精度又高于波段比运算，主要原因是波段比运算缩小了各类样本的距离，而差分运算保留了各类间的距离空间；555.29nm波段是区分油菜叶片两种病害的有效特征，将该波段反射值与波段比值、波段差分值相结合可以更有效地将两种病害样本分类，结果表明基于这三个值的油菜病斑鉴别模型精度确实高于波段比运算和波段差分运算的病斑分类精度。

研究结果说明，利用高光谱图像信息结合波段运算和最小二乘支持向量机模型可以有效的鉴别油菜菌核病与灰霉病早期病斑。

Claims (1)

1.一种鉴别油菜菌核病和灰霉病早期病斑的方法，包括：

(1)取待测油菜叶片的高光谱图像，再挑选所述高光谱图像的病斑局部的像素；

(2)计算获得所述像素在681.95nm～748.23nm波段的波段比运算值和波段差分运算值；

(3)将由所述像素在555.29nm处的光谱值、所述波段比运算值和波段差分运算值构成的特征向量输入经训练的最小二乘支持向量机模型，根据输出结果判断病斑类型；

所述最小二乘支持向量机模型的训练方法，包括以下步骤：

(A)取感染菌核病、灰霉病的油菜叶高光谱图像病斑局部的像素，构成训练集；

所述取感染菌核病、灰霉病的油菜叶高光谱图像病斑局部的像素的方法，包括以下步骤：

(a)在健康的油菜叶片上接种菌丝块；

(b)获取被感染的油菜叶片的高光谱图像；

(c)去除高光谱图像中菌丝块所在的区域；具体方法为：将高光谱图像的每个像素在549.10nm处的光谱值和679.42nm光谱值作差，根据差值区分高光谱图像中菌丝块所在的区域；

(d)根据512.05nm处的光谱值区分高光谱图像中的健康叶肉像素和病斑局部像素；去除高光谱图像中健康叶肉所在的区域，剩余部分即为高光谱图像的病斑局部；

(B)计算训练集中像素在681.95nm～748.23nm波段的波段比运算值和波段差分运算值；

(C)以由训练集中像素在555.29nm处的光谱值、在681.95nm～748.23nm波段的波段比运算值和波段差分运算值构成的特征向量作为输入，以像素所在病斑的类型为输出，训练最小二乘支持向量机模型；所述最小二乘支持向量机模型的超参数γ为0.79214，核函数参数δ²为4.4687。