首页 > 分享 > Classification and identification of late blight disease on potato leaves using multi

Classification and identification of late blight disease on potato leaves using multi

花匠小妙招
2025-01-03 04:44

摘要: 利用Spectrocam多光谱相机获取C-88马铃薯健康叶片和患晚疫病叶片的可见光及近红外通道的多光谱图像。综合考虑多光谱图像各通道间的相关性及其信息量，采用波段指数法选取两种叶片的特征波段，并通过欧氏距离聚类方法对所提取的特征波段进行分类。实验结果表明，用波段指数法提取多光谱图像的特征波段，能快速获得马铃薯叶片的信息，475 nm、558 nm、717 nm、750 nm、850 nm作为马铃薯健康叶片的特征波段，马铃薯患晚疫病叶片的特征波段是509 nm、620 nm、717 nm、750 nm和832 nm。采用欧氏距离法对健康和患病叶片进行识别，其识别率分别可达92.6%和92.8%。因此利用多光谱成像技术可以进行马铃薯病害的快速、准确识别，为实现马铃薯病害的田间实时在线监测提供了参考。

Classification and identification of late blight disease on potato leaves using multi-spectral imaging technique

Abstract: This experiment using Spectrocam multispectral camera captured the healthy C-88 potato leaves' and late bright leaves' multispectral image within visible and near infrared bands.Multispectral image correlation between different channels and the amount of information is considered comprehensively.Band index method was used to select the characteristics of the two kinds of leaves, and the Euclidean distance clustering method was used to classify the extracted feature band.The experimental results show that the band index method used to extract the multispectral image bands can quickly obtain the information of potato leaves.We got that 475 nm, 558 nm, 717 nm, 750 nm, 850 nm band as healthy leaves of potato characteristics, and the characteristics of the potato late blight cancer leaf wavelength were 509 nm, 620 nm, 717 nm, 750 nm and 832 nm.The recognition rate of healthy and diseased leaves was 92.6% and 92.8% by using the Euclidean distance method.Thus, using multi-spectral imaging technique can rapidly and accurately identify the defect of potato to achieve the real-time online monitoring field of the potato diseases.

Key words:multispectral the potato leaf characteristics of band late blight disease band index method

引言

马铃薯是全世界重要的粮食作物, 但是马铃薯晚疫病作为田间一种常见的作物病害, 日渐阻碍着我国马铃薯产业的发展[1-2]。目前针对马铃薯晚疫病的诊断大都是采用传统的经验定性诊断方法, 通过人工感官判断和理化检测进行作物病害监测, 该方法能从患病的植株颜色、形状纹理上获得大量直观信息, 但要进行精确分析却存在一定的困难[3-5], 而近年来随着多光谱成像技术的发展, 该技术已越来越多地应用于农作物质量的检测中。

多光谱成像技术和普通成像技术的最大不同之处在于多光谱成像技术能获得每张图像每个像素点的高分辨率的光谱, 不是肉眼所见的红、蓝、绿三色图像[6-7]。此技术可以同时从光谱维和空间维获取被测目标的信息, 能够解决传统科学领域“成像无光谱”和“光谱不成像”的问题, 其特点是实现简单、图谱合一[8-10]。但仍然存在很多问题, 如光谱成像仪的定标, 大量的数据冗余, 多光谱数据各波段相关性大等。因此, 对农作物的光谱特征信息进行快速识别和分类时, 有必要从众多的波段中提取特征波段。

鉴于以上所述, 本文采用Spectrocam多光谱成像系统提取马铃薯叶片的特征波段, 通过对特征波段图像信息的采集及整理, 提取出物体特征光谱, 并从特征波段角度对马铃薯健康和患病叶片的分类精度予以评价。

1 实验原理1.1 波段指数法

波段指数[11-12]的定义为

(1)

式中:σi为第i通道图像的标准差; Ri为波段i与波段j之间的相关系数。将光谱数据分为k组, 每组的波段数分别为n1、n2、…、nk, 则

(2)

式中:Rw为第i波段与所在组内其他波段相关系数的绝对值之和的平均值; Ra为第i波段与所在组以外的其他波段之间的相关系数的绝对值之和。其中Rw又可表示为

(3)

式中ρij为波段i和j之间的相关系数。

波段指数Pi要求按照波段均方差越大且波段间的相关系数的绝对值越小的特点进行最佳波段选择。波段指数综合考虑了各波段的信息量及其相关性, 因此, 波段指数对特征波段的选取具有重要意义。

1.2 判别分类方法

根据近邻法决策和监督分类中距离法的原理, 对于Xi和Xj两个容量为n的样本, 每个样本点为p维的空间向量, 可表示为:

(4) (5)

式中:Xi表示标准多光谱数据所对应的类别; Xj表示未知类别的数据。采用监督分类中应用最广泛的欧氏距离[13]

(6)

式中dij表示两者之间的距离, 其值越小, 说明 Xi和Xj越相似。

2 材料与方法2.1 多光谱成像系统概述

实验采用多光谱成像系统进行实时无损的马铃薯叶片的多光谱图像采集。本实验使用的仪器设备主要由海洋薄膜全新Spectrocam多光谱相机和计算机控制软件组成。Spectrocam多光谱成像系统自带可互换式滤光片, 选用滤光片中心波长分别是425(1)、475(2)、509(3)、515(4)、558(5)、578(6)、620(7)、650(8)、680(9)、717(10)、750(11)、800(12)、832(13)和850(14) nm共14个通道, 其对应的半带宽分别是100、100、20、10、5、10、10、10、10、10、10、10、10和5 nm。

2.2 材料制备及数据采集

实验选取的马铃薯品种为C-88, 生长时间为80 d, 生长状况良好。实验选取无病的健康马铃薯叶片和患有晚疫病的马铃薯叶片及参考白板进行分析。晚疫病病菌接种采用喷雾接种方法, 将孢子悬浮液接种于健康的马铃薯叶部, 保湿24 h后正常管理直至显示出明显的典型症状, 然后将具有典型病症的马铃薯叶片快速放置在多光谱系统下并对其进行多光谱图像采集。

光谱图像在暗室中采集, 多光谱相机和光源分别在表面法向位置距离样本160 cm和120 cm处, 光源为Zolix光谱测量专用A光源, 保证在近红外探测有足够的光能量。如图 1所示为14个通道下马铃薯晚疫病叶片的多光谱图像, 图 2为A光源的相对功率分布。

图 1 多光谱图像Figure 1 Multispectral images

图 2 A光源相对光谱功率Figure 2 Light source related to the spectral power

3 实验结果及分析3.1 多光谱反射曲线图

在所采集的多光谱图像中选择5个不同区域进行灰度值提取, 并同时提取参考白板的灰度值。然后根据光谱反射率的定义分别得到马铃薯健康叶片和患病叶片的光谱反射比, 通过MATLAB平台拟合得到光谱反射率曲线, 如图 3所示。

图 3 光谱反射比曲线Figure 3 Spectral reflectance curve

从图 3中可以看出, 健康和患病叶片的光谱反射值的变化走势比较相似, 两者在550 nm附近都存在一个反射高峰, 在680 nm附近出现一个反射低谷, 而在680~750 nm光谱反射值上升很快, 从而使得近红外区域内的光谱反射率高于可见光区域。但马铃薯健康和患病叶片在某些波段范围内存在一定差别, 如在600~680 nm范围内患病叶片的光谱反射值略高于健康叶片, 而在750~850 nm波段范围内患病叶片的光谱反射值远低于健康的叶片, 区别比较明显。这可能是由于叶片患病早期叶片自我保护机能使其内部一些元素活性增强, 导致患病叶片的反射率随之增大, 在可见光区域表现突出, 而随着病菌的入侵, 叶片内部组织遭到破坏, 使得光谱反射率明显低于健康叶片, 在近红外短波区域表现突出。

3.2 健康马铃薯叶片的特征波段

根据波段指数法求出实验中不同健康马铃薯叶片的灰度值的标准差和不同通道之间的相关系数, 表 1是不同通道之间的部分相关系数, 图 4是马铃薯健康叶片成像光谱数据的标准差。

表 1 健康叶片各通道间的相关系数Table 1 Correlation coefficient between the healthy leaves of each channel

图 4 健康叶片的标准差Figure 4 The standard deviation of healthy leaves

通过分析图 4可知:通道750 nm (11) 标准差最大, 由波段指数法原理知波段均方差越大, 所含波段信息量越多。分析表 1的数据可知, 通道425 nm (1) 与其他通道均为负相关, 通道578 nm (6) 与通道717 nm (10) 的相关系数为0.01, 两通道的相关系数最小。

通过不同波段的标准差及相关系数, 利用式 (1) 计算出马铃薯健康叶片各通道的波段指数值, 得到如图 5所示波段指数曲线图。

图 5 健康叶片的波段指数曲线Figure 5 The band index curve of healthy leaves

从图 5中得知:可见光通道下的马铃薯叶片在475 nm、558 nm、717 nm、750 nm处波段指数值较大; 近红外通道下的马铃薯叶片在850 nm处波段指数值最大。根据波段指数的特征波段选取原理, 指数越大的通道所含的光谱信息量越大, 故选择475 nm、558 nm、717 nm、750 nm、850 nm作为马铃薯健康叶片的特征波段。

3.3 患病马铃薯叶片的特征波段

同马铃薯健康叶片一样, 根据波段指数法求出实验中不同患病叶片的灰度值的标准差和不同通道之间的相关系数, 表 2是不同通道之间的部分相关系数, 图 6是马铃薯患病叶片成像光谱数据的标准差。

表 2 患病叶片不同通道间的相关系数Table 2 Correlation coefficient between different channels of diseased leaves

图 6 患病叶片的标准差Figure 6 The standard deviation of diseased leaves

然后利用式 (1) 计算出马铃薯患病叶片各通道的波段指数值, 得到如图 7所示波段指数曲线图。

图 7 患病叶片的波段指数曲线Figure 7 The band index curve of diseased leaves

从图 7中看出:可见光通道下的马铃薯叶片在509 nm、620 nm、717 nm、750 nm处波段指数值较大; 近红外通道下的马铃薯叶片在832 nm处波段指数值最大, 故可以获得马铃薯患病叶片的特征波段是509 nm、620 nm、717 nm、750 nm和832 nm。

3.4 讨论

为了验证该多光谱采集系统对实际马铃薯病害识别的有效性, 实验以距离为判别依据, 采用欧氏距离法进行分类验证。在分类的过程中, 将14通道下马铃薯健康叶片和患病叶片的多光谱图像灰度值作为测试样本集, 提取出的特征波段的数据作为训练样本集, 根据式 (6) 计算测试样本集与训练样本集的欧氏距离, 根据最短距离对测试样本予以分类, 其分类精度如表 3所示。

表 3 马铃薯健康和患病叶片的分类精度Table 3 Classification accuracy of healthy and diseased potato leaves

从表 3中得知马铃薯健康叶片特征波段的平均分类精度为92.6%, 患病叶片特征波段的平均分类精度为92.8%。由此可见, 欧氏距离法对马铃薯健康和患病叶片的特征波段分类精度较大, 因此, 这些特征波段可以用于马铃薯健康和病害叶片的快速分类和识别。

4 结论

本文提出利用波段指数法提取马铃薯健康和患晚疫病叶片的特征波段, 选取出马铃薯健康叶片的特征波段是475 nm、558 nm、717 nm、750 nm、850 nm, 马铃薯患病叶片的特征波段是509 nm、620 nm、717 nm、750 nm和832 nm。实验证明, 采用欧氏距离对健康和患病叶片的14通道多光谱数据进行分类识别, 识别率分别是健康叶片为92.6%, 患病叶片为92.8%。多光谱分类识别方法为实现农作物快速、准确非破坏性病害诊断提供了有效的方法。