基于光谱成像的柑橘黄龙病检测

目录

前言

研究现状

室内检测

室外检测

移动地面传感器平台+多光谱

无人机+多光谱

讨论        

参考文献

---

前言

        柑橘黄龙病（又称绿化）是一种由病原菌介导的免疫疾病，因其危害性和快速传播的特点成为影响柑橘生长的最具破坏性的疾病。由于现阶段没有针对黄龙病的有效的治疗方法，对黄龙病的研究主要集中在早期防治阶段。目前，柑橘黄龙病最常见的检测方法是在田间通过肉眼诊断并按照国家标准规定的黄龙病检测方法-聚合酶链式反应（polymerase chain reaction，PCR）对每一片叶片进行分析。PCR诊断是目前最可靠和最客观的检测方法，可以分析出叶片的病害程度，但人工检测费时费力，不易在大面积农田中进行推广。因此，利用非破坏性及可以大面积实施的光谱方法预防和控制柑橘黄龙病的传播以提高柑橘产品的质量和产量具有重要意义。

图1 感染黄龙病的柑橘叶片与果实

研究现状

室内检测

        近年来，针对感染黄龙病的柑橘叶片与果实的室内光谱检测试验层出不穷。研究人员从野外采集感染黄龙病的柑橘叶片，利用PCR技术进行诊断，根据感染程度的不同将其进行分级后利用高光谱成像系统采集样本的光谱曲线。样本的平均光谱曲线普遍表明在550nm和710nm波段处，感染黄龙病的叶片与其它叶片有一定差异。

图2 柑橘黄龙病样本平均光谱曲线（梅慧兰、邓小玲等）

        采集高光谱数据后，研究人员对数据进行一系列预处理、划分数据集操作后建立分类模型，验证不同样本的可分离程度。从分类精度可以看到实验室内的光谱分析可以做到病虫害叶片的准确识别，为黄龙病的预测、指导等提供了理论依据。但从其它病状类型的误分类率中也可以看到，黄龙病叶片呈现的症状非常复杂，在不同生长季节可表现不同的症状类型。除了作为其特异性的典型症状的“黄梢”期，其它时期的症状或与其它原因造成的症状极为类似，这导致了较高的误判率。

 表1 柑橘黄龙病样本分类结果（邓小玲等）

室外检测

移动地面传感器平台+多光谱

        为了将光谱技术应用于室外环境，研究人员使用可移动地面传感器平台进行柑橘黄龙病检测。在平台上安装了两台六通道多光谱相机与一台热红外相机，其中多光谱基于之前的工作所使用的光谱波段为440、480、530、560、610、660、690、710、740、810、850和900nm。数据采集于上午11点至下午3点之间，在自然光条件(阳光充足)良好的情况下在树冠上方3米的距离处进行拍摄。

图3 地面采集平台

        作者对多光谱数据进行了逐波段、植被指数和分类分析。与之前研究结果相同，单波段分析同样表明在560 nm与710 nm处健康与患病叶片间的差异较为突出。在植被指数可分性测试中，NDVI、VOG和mSR的可分性最大，而SIPI和mNDVI的可分性较低。作者将多光谱和热波段的反射率值作为输入特征进行分类研究。分类结果表明，SVM的平均分类准确率约为87%，高于LDA、QDA和BDT。由于在热成像工作中产生热信号的地物较多，容易对检测造成较大的影响，引入热成像的方式需要进一步考虑，这里不再进行赘述。

 图4 健康和感染黄龙病的树木冠层计算的植被指数（Sindhuja Sankaran）

无人机+多光谱

       为进一步减少绿化病检测过程的时间和成本，研究人员利用无人机搭载多光谱对柑橘绿化进行快速健康状态检测。研究采用Micasense RedEdge多光谱相机进行数据采集，采集前要保证天气良好，做好路径规划保证一定的横向与纵向图像重叠率（文中为75%），并在飞行区域内放置数个地面控制点以对各通道光谱图像进行对齐和配准，放置标准反射板以获取反射率信息。从采集到的光谱图像中提取图像需要进行预处理，主要包括辐射标定和几何标定（文中采用sift算法）两个主要步骤。为生成整个区域的无缝正射影像，利用数据采集区域的重叠对获取的图像进行几何校正和合并。

        文章首先对树木与非树木像素进行区分，然后针对树木像素利用5个多光谱通道信息及其计算得到的16个植被指数进行SVM分类，最终分类精度约为82%，分类图如下图所示。

        一般来说，感染黄龙病的树木上会有少量有症状的叶子(褪绿和斑点)，但不会完全被此类叶子覆盖，而且同一冠层的光谱特征分布不均匀，冠层中部和边缘的光谱数据也不一致，导致分类图中噪声像素点较多。

图5 样本采样点与分类图（Farzaneh DadrasJavan）

        深度学习可以一定程度上克服光照的影响，结合植被的生理特征进行图像分类。研究人员利用无人机高光谱遥感技术采集光谱数据（使用ENVI进行数据融合，使用Waypoint-Inertial Explorer进行地理信息解释，使用Agisoft PhotoScan进行图像拼接），并采用遗传算法（GA）选取特征波段468、504、512、516、528、536、632、680、688和852 nm(近红外波段为人为添加)，结合堆叠自动编码器（SAE）深度学习方法进行逐像素的分类（与上文相同，研究人员未提取ROI而是提取整个冠层的光谱数据进行数据处理）。对柑橘冠层无人机高光谱图像的检测结果如下图所示，“圆圈”表示正确检测患病树木，框表示对正常树木的误判。可以看到，正常树木中的一些像素被分类为感染黄龙病的像素，原因同样可能是感染黄龙病的树木冠层并不总是全部都表现出患病的症状，这导致分类模型将受感染的植物冠层的所有像素的光谱（包括健康叶片的光谱数据）纳入模型进行训练。

        此外，与全波段情况相比，选取特征波段对黄龙病检测的准确率有明显提高，损失值也明显降低。神经网络可以自动提取数据特征，但该特征不一定适合实际用途。文章认为如果提取的特征有针对性，可以更好地优化模型效果。

图6 测试区域的测试结果（Deng Xiaoling）

讨论        

       由于叶色素的存在，如叶黄素、叶绿素和类胡萝卜素，它们强烈吸收可见光区域，而在近红外区域几乎没有吸收。因此在可见光区域，受黄龙病感染的树木的平均反射率高于健康树木，而健康树木在电磁光谱红边和近红外区域的平均反射率值高于受黄龙病影响的树木，这为利用光谱信息检测柑橘黄龙病提供了理论依据。以上研究表明，低空多光谱图像具有应用于柑橘园绿化侵染树快速检测的潜力。

参考文献

[1]梅慧兰,邓小玲,洪添胜,罗霞,邓晓玲.柑橘黄龙病高光谱早期鉴别及病情分级[J].农业工程学报,2014,30(09):140-147.

[2]邓小玲,郑建宝,梅慧兰,李震,邓晓玲,洪添胜.基于高光谱成像技术的柑橘黄龙病病情诊断及分类[J].西北农林科技大学学报(自然科学版),2013,41(07):99-105.

[3]Sankaran S, Maja JM, Buchanon S, Ehsani R. Huanglongbing (citrus greening) detection using visible, near infrared and thermal imaging techniques. Sensors (Basel). 2013 Feb 6;13(2):2117-30. 

[4]DadrasJavan, F., Samadzadegan, F., Seyed Pourazar, S.H. et al. UAV-based multispectral imagery for fast Citrus Greening detection. J Plant Dis Prot 126, 307–318 (2019). 

[5]Deng, X.; Zhu, Z.; Yang, J.; Zheng, Z.; Huang, Z.; Yin, X.; Wei, S.; Lan, Y. Detection of Citrus Huanglongbing Based on Multi-Input Neural Network Model of UAV Hyperspectral Remote Sensing. Remote Sens. 2020, 12, 2678.