基于光谱成像技术的作物叶片红蜘蛛侵染检测研究进展

目录

前言

研究现状

结论

参考文献

---

前言

        红蜘蛛，别名为柑橘全爪螨、瘤皮红蜘蛛、柑橘红叶螨等，是柑橘上为害非常严重的害螨，分布于多个省市，可见于三十科四十多种作物。叶片在被红蜘蛛侵染后会呈现许多灰白色小斑点，严重时全叶灰白色、造成大量落叶和枯梢，影响树势和产量。然而，它最具破坏性的地方是在水果上，虫害猖獗时果实表面布满灰白色失绿斑点，果实苍白，影响产量。一般以4-5月和9-11月为害最重。

        传统的虫害密度评估方法是通过现场手工检测和计数，费时费力。植物组织受到病害胁迫后会发生细胞、形态和生理上的一系列变化，以叶片为例，会发生细胞数目、体积和成分的变化，叶片的变色、畸形和坏死，光合作用效率的降低等。研究表明，植物组织光谱反射率的高低受叶片结构、细胞大小、细胞壁排列方向、细胞质异质性的影响等。植物组织受害后，其光谱某些特征波段的值会发生不同程度的变化，有别于健康的植物组织。因此，可以根据光谱间的不同，利用相应的算法，获取病害的发生情况。

研究现状

1.基于高光谱优选特征波段的识别方法

        利用波段优选方法筛选出数个最能有效区分不同类别样本的特征波段进行建模，在降低计算复杂度的同时充分利用了高光谱的信息，并可以为构建低成本的多光谱成像系统提供依据，是目前最常用的方法。

        吴叶兰等使用高光谱成像仪采集柑橘正常叶、 溃疡病叶、 除草剂危害叶、 红蜘蛛叶和煤烟病叶的478~900 nm光谱范围内的高光谱图像, 分别提取ROI的光谱曲线如图一所示，可以看到部分类别较为相似。

 图1 各类样本反射率曲线（吴叶兰）

        随后对原始数据进行一阶求导(1(st)Der)、 多元散射校正(MSC)和标准正态变换(SNV)三种预处理方法, 对不同预处理方法后的数据采用主成分分析法(PCA)，根据载荷(loadings)大小提取特征波长。具体做法为：通过计算主成分与各个原始波长变量的相关系数的绝对值，绝对值越大反映主成分和此波长变量间密切程度越高，图2为前四个主成分的载荷图。

 图2 前四个主成分的载荷图（吴叶兰）

        三种预处理方法后均得到七个特征波长，对全波段(FS)和提取的特征波长数据进行支持向量机(SVM)和随机森林(RF)建模, 结果表明: 全波段数据在1(st)Der预处理方法下采用SVM的识别效果最佳, 总分类精度(OA)为95.98%, Kappa系数为0.948 2。 对于PCA选择的特征波长，最佳识别模型为1(st)Der-PCA-RF，OA为91.79%, Kappa系数为0.894。

2.基于植被指数的识别方法

        Ittai Herrmann等使用ASD光谱仪采集了350~2500 nm光谱范围内的辣椒和大豆叶片的反射率、吸光度和透射率三组光谱数据，根据叶片的损伤程度将其划分为四种类型，探索了植被指数(VI)用于叶片红蜘蛛侵染的损伤检测的可行性。其中宽频带VI包括归一化植被指数(NDVI)、绿色NDVI (GNDVI)、红边GNDVI (REGNDVI)、红边蓝NDVI (REBNDVI)、近红外rededge NDVI (NRENDVI)和三角绿度指数(TGI)。此外，还利用了利用光谱数据计算的窄带植被指数，包括转化叶绿素吸收反射率(TCARI)和红边拐点(REIP)。

表1 采用的植被指数（Ittai Herrmann）

         作者采用单向方差分析(ANOVA)，以确定植被指数是否可以提供不同程度损伤水平之间的显著分离。结果表明，GNDVI、NRENDVI、REIP和TGI可以实现辣椒叶片损伤的早期识别，而NDVI是唯一能够区分大豆叶片4种损伤程度的VI。根据波段的可用性，可以设计相应的多光谱相机进行检测。

        此外，作者还利用偏最小二乘判别分析(PLS-DA)分别提取多、高光谱数据的潜在变量(LVs)。结果表明，三组不同类型的光谱数据得到的分类精度几乎一致，利用反射率足够识别损伤区域。针对辣椒叶片的多、高光谱数据均提取三个潜在变量(LV)进行分类，分别得到OA为83.5%和73.1%。针对大豆叶片的多、高光谱数据分别提取四和三个潜在变量(LV)进行分类，分别得到OA为94.2%和67.3%，PLS-DA高光谱模型的分类效果明显优于多光谱模型，图三为多、高光谱的潜在变量的分数，

 图3 大豆叶片的PLS-DA交叉验证结果（Ittai Herrmann）。筛选出的潜在变量(lv)的分数：(a)高光谱模型和(b)多光谱模型，(c)多光谱PLS-DA模型投影值的可变重要性。

        需要注意的是，作者的多、高光谱数据均基于点式光谱仪ASD采集的数据重采样得到，保证了数据的稳定性与一致性。在实际采集中，数据往往会受到光源、角度、距离等因素的影响，此外，植被指数也会受到季节、环境以及多种因素结合的影响，从而影响反演模型的鲁棒性。

3.基于光谱位置的识别方法

        马书英等利用 UHD185型高光谱相机获取受红蜘蛛侵染的不同损伤程度的叶片，并提取感兴趣区的光谱曲线，通过微分运算提取光谱曲线的绿峰、红谷、低位、红边、高位、高肩等6种光谱位置特征，发现叶片发生感染后会出现“红移”和“蓝移”的现象。随后进行了无人机遥感获得实验区的冠层光谱数据，结合样株的红蜘蛛感染程度，对光谱位置特征与红蜘蛛病虫害的相关性进行数值分析，建立反演模型，研究表明，基于无人机高光谱技术监测板栗树红蜘蛛病虫害危害程度的最佳光谱特征是红边和低位，其与红蜘蛛病虫害的决定系数均大于0.6，基于光谱位置的识别方法具有早期发现红蜘蛛病虫害的能力。

4.基于RGB与深度学习的识别方法

        Ard Nieuwenhuizen利用高光谱成像技术进行了温室中番茄叶的红蜘蛛侵染研究，确定了健康和患病叶片之间的鉴别波段。选择了700、716和747波段用于多光谱系统。使用Fisher LDA，精度可达0.88。

        然而，经过研究人员调研，选用的几款多光谱相机均不能满足对空间分辨率的需求，即对于温室中多光谱相机的应用，由于空间分辨率的限制，在靠近拍摄时相机的每张图像只能获取非常小的冠层斑块的图像，而且这些小斑块的图像很容易失焦。此外，对于采用滤光轮将不同的滤光片先后放置在相机前的多光谱相机，无法在拍摄过程中完全静止，这两个因素限制了多光谱相机在温室中的应用。

        因此，研究人员在测量车上安装了高分辨率RGB摄像机，实现了对真实温室番茄植株顶部高分辨率图像的半自动采集。在三个月时间里，每两周拍摄一组，并通过统计番茄植株顶叶上的红蜘蛛数量，进行病害程度的人工评价。然后使用迁移学习方法再训练了Resnet18网络。在验证集上，网络的准确率为0.90，检测结果如图四所示， 红色表示检测到的侵染区域，绿色表示健康区域。 

 图4 RGB图像的深度学习检测结果（Ard Nieuwenhuizen）

结论

        在众多的成像技术中，RGB成像结合深度学习的检测方法表现出了较高的精度水平。但是，这种方法需要大量的数据来训练模型，目前受到缺乏公开可用的数据集以及缺乏在自然条件下捕获的图像等原因的限制。此外，这种方法只能对已发生侵染情况的样本进行检测。使用高光谱和多光谱图像可以一定程度上实现病虫害侵染前检测，但同样存在挑战，如高维数据处理的挑战，光谱波段的噪声，特征波段的选择等。

        研究表明，虽然 HSI 成像为植被患病的早期检测提供了依据，但由于每种植物-病原体之间的相互作用具有特异性，HSI 数据的处理和分析高度依赖于疾病症状，这给 HSI 在植物保护中的广泛应用带来了一定障碍，需要具体情况具体分析。

参考文献

https://www.opticsjournal.net/Articles/OJ8deb2ca62d4513e7/FullText

Active optical sensor assessment of spider mite damage on greenhouse beans and cotton | SpringerLink

板栗树红蜘蛛虫害无人机高光谱遥感监测研究 - 中国学术期刊网络出版总库

https://www.researchgate.net/publication/338744497_Automated_spider_mite_damage_detection_on_tomato_leaves_in_greenhouses

https://www.sciencedirect.com/science/article/abs/pii/S1537511016304998?via%3Dihub

A Review on Advances in Automated Plant Disease Detection - ProQuest