论文部分内容阅读
植物病害是指植物在生物或非生物因素的影响下,发生的形态、生理和生化上的病理变化,会阻碍植物正常生长、发育和结果的进程。精细化管理是全球农业发展的必然趋势,其技术基础是农田信息的获取。其中如何快速实时获取植物病害信息,是实现农业精细化管理,提高农业产量的关键问题。本文以果蔬植物(番茄、草莓)为研究对象,利用高光谱成像技术和荧光成像技术,选择容易在南方湿热地区传播的叶部病害(黄化曲叶病、晚疫病、轮纹病、疮痂病和炭疽病),通过连续4年(2012～2015年)的试验研究,实现了植物叶部病害的实验室和田间检测,包括4类侵染性叶部病害叶片的早期检测和病害不同程度的分类。重点研究了基于叶片的光谱、纹理和叶脉特征的检测理论,实现了以此三类特征为依据的无病症黄化曲叶病叶片的早期检测。基于实验室内的理论研究,提出了田间环境下基于光谱特征的叶部病害检测方法,搭建了田间光谱数据采集装置并实现了田间炭疽病叶片的早期检测和不同病害程度炭疽病叶片的分类。植物病害的精细化管理,对提高南方果蔬的产量和品质具有重要意义。本文得出的研究方法及结论为其他同类植物及其叶部病害的快速实时诊断奠定了较为扎实的理论基础。主要内容和结论为：(1)基于光谱特征的植物叶部病害的检测。应用高光谱技术,在实验室环境下采集了黄化曲叶病番茄叶片的反射光谱(400～1000nm),对叶片层面运用植被指数(vegetation indices, Ⅵ),提出了两类光谱特征的计算方法,结合二元线性回归(binary logestic regression, BLR),对比了两类光谱特征病害叶片的检测效果。结果表明：结合近红外波段的波长的光谱特征(720/840nm和NBNDVI),可以将健康和病害叶片的检测准确率均提高到85%以上。以番茄黄化曲叶病为例,提出了一种光谱特征的提取计算方法,并实现了基于光谱特征的植物叶部病害的检测。(2)基于光谱特征的植物叶部不同病害程度的分类。应用高光谱技术,在实验室环境下采集了感染不同种类病害(晚疫病、轮纹病和疮痂病)的番茄叶片的反射光谱,以光谱数据预处理-光谱特征计算-分类算法分类的光谱分析技术路径,利用主成分分析法(principal component analysis, PCA)对光谱特征进行筛选、组合,并比较了不同组合下K最邻近法(K nearnest neighbor, KNN)对病害不同病害程度的叶片进行分类。结果表明：采用光谱特征和PCA-KNN算法的分类方法,基于不同的光谱特征组合的最优结果中,健康叶片、病害早期叶片和病害晚期叶片的分类准确率均可以达到100%,对4类叶片的分类准确率和总分类准确率最高均高于90%。在实现病害检测的基础上,进一步以番茄晚疫病、轮纹病和疮痴病三种不同病害程度的叶片为对象,实现了基于光谱特征的植物不同病害程度的分类。(3)基于图像纹理特征的植物叶部病害的检测。在前期基于光谱特征的植物病害检测的基础上,进一步重点研究了基于图像纹理特征的植物病害检测方法。提取了特征波长和波长比值的图像,采用掩膜法分割背景提取叶片部位,分析了叶片部位图像的灰度直方图和全部样本的平均灰度值分布情况,运用了灰度共生矩阵(grey level co-occurrence matrix, GLCM)提取叶片图像的纹理特征,将Lenven检验选出的具有显著性差异的纹理特征作为分类算法的输入值,比较了ROC-约登指数法、K最邻近法(K nearnest neighbor, KNN)和逐步判别分析法(stepwise discriminant analysis, SDA)3种算法的检测效果。结果表明：受黄化曲叶病毒感染的叶片的灰度直方图中存在两个峰值,病害叶片灰度图像平均灰度值的分布比健康叶片灰度图像的更分散；3类分类算法中,ROC-约登指数法取决于单一的特征参数而缺乏唯一性,且该方法对于特征参数的评价标准较高,其结果受特征参数的影响较大；KNN算法的准确率较高(91.2%-100%),且该算法受特征参数的影响较其他两者更低；在SDA算法的计算过程中需要不断筛选、添加特征参数,从而综合各个特征参数的优缺点,得到最优结果,因而其分类准确率最高(100%),但是同时存在计算过程复杂、耗时等缺陷。以番茄黄化曲叶病为例,实现了基于图像纹理特征的植物叶部病害的检测,其中SDA算法的准确率最商,KNN算法受特征参数的影响较低,且该方法弥补了基于光谱特征方法中的感兴趣区域的限制性。(4)基于叶脉特征的植物叶部病害的早期检测。在光谱分析中发现了病害叶片的“红边移动”现象,创新性地提出了基于叶绿素荧光成像的黄化曲叶病早期检测分析方法。用430nm的光源激发叶片叶绿素荧光,采集690nm波段的叶绿素荧光图像。运用自动迭代阈值法分割背景,提出了击中/击不中交换(hit ormiss transiformation,HMT)和灰度共生矩阵(grey level co-occurrence matrix, GLCM)结合的叶脉特征的提取方法,通过受试者工作特征曲线(receiver operating characteristic,ROC)及曲线下的面积(area under the curves,AUC)筛选纹理和叶脉特征,并比较了筛选前后K最邻近法(K nearnest neighbor, KNN)、Fisher判别分析法(Fisher discriminant analysis, FDA)和二元线性回归法(binary logestic regression,BLR)3种算法的检测效果。结果表明：基于叶脉特征的KNN算法解决了基于纹理特征的健康叶片的分类问题,其分类准确率为90.9%。以番茄黄化曲叶病为例,提出了一种计算叶脉特征的方法,可以实现植物叶部病害的早期检测,同时引入KNN算法的叶脉特征的检测方法克服了基于纹理特征对健康叶片分类存在的问题。(5)田间环境下植物叶部病害的早期检测和不同病害程度的分类。基于实验室研究的基础,搭建了基于高光谱技术的田间试验设备,运用同一设备分别在田间和实验室环境下采集了草莓炭疽病叶片的反射光谱,计算叶片的光谱特征,采用判别分析法评价了田间和室内光谱数据的分布情况,比较了田间数据集中K最邻近法(Knearnest neighbor, KNN)、逐步判别分析法(stepwise discriminant analysis, SDA)和Fisher判别分析法(Fisher discriminant analysis, FDA)3种算法对田间采集叶片的分类效果,并与实验室环境下该方法的检测效果进行了对比。结果表明：在田间数据集中,3种分类算法对健康叶片的检测准确率均一般,但是对两类病害叶片进行分类时,基于平衡样本数量的KNN表现出明显的优势,尤其是对有病症叶片的分类准确率可以达到93.3%,即实验室数据集的分类效果。以草毒炭疽病为例,实现了田间环境下叶部病害的早期检测和病害不同程度的分类。