基于光谱的作物病害识别研究进展-定稿Word文档下载推荐.doc

基于光谱的作物病害识别研究进展-定稿Word文档下载推荐.doc

《基于光谱的作物病害识别研究进展-定稿Word文档下载推荐.doc》由会员分享，可在线阅读，更多相关《基于光谱的作物病害识别研究进展-定稿Word文档下载推荐.doc（9页珍藏版）》请在冰点文库上搜索。

教授

2015年06月28日

南京农业大学教务处制

基于光谱的作物病害识别研究进展

作者：

周红娅指导老师：

姜海燕

摘要：

目前我国的粮食生产每年都因作物病害造成巨大经济损失。

传统的作物病害识别方式耗时耗力，已满足不了当前对作物病害识别的需求。

本文对传统的作物病害识别方法进行了简单的叙述，综述了基于高光谱、多光谱技术的多种作物病害识别的研究进展，病害有番茄灰霉病、黄瓜白粉病、水稻稻瘟病等，以及介绍了每个病害识别研究中对光谱数据进行处理的各种算法。

光谱技术在农作物病害识别方面虽得到广泛应用，但仍存在作物、病害种类不全，以及检测的区域有限等问题，最后对光谱在病害识别发展前景进行了展望。

关键字：

作物病害；

高光谱；

多光谱；

病害识别

ResearchProgressonCropDiseasesRecognition

BasedonSpectrum

ZHOUHong-ya，JIANGHai-yan

（NanjingAgriculturalUniversity,CollegeofInformationScienceandTechnology,JiangsuNanjing210095）

Abstract:

Atpresent,China'

sfoodproductionhashugeeconomiclosseveryyearbecauseofcropdiseases.Thetraditionalmethodsofcropdiseasesrecognitionaretime-consumingandpower-consumptionandcan'

tmeetcurrentdemandsforcropdiseasesrecognition.Thetraditionalmethodsofcropdiseasesrecognitionandtheresearch’sprogressofcropdiseasesrecognitionbasedonhyperspectralandmultispectraltechnologyareintroducedinthispaper.Thesediseasesincludingtomatograymold,cucumberpowderymildewandriceblastofriceareresearched.Variousalgorithmsforprocessingspectraldataaresummarized.Spectraltechnologyhasbeenwidelyusedincropdiseasesrecognition,buttherestillexistssomeproblemsincludingincompletecropvarieties,incompletediseasesandlimiteddetectionareas.Finally,theprospectofthedevelopmentofthecropdiseaserecognitionbasedonSpectrumisdiscussed.

Keywords:

cropdiseases；

hyperspectral；

multispectral；

diseasesrecognition

引言：

作物病害是造成粮食生产损失最大的因素，而且农作物病害的种类繁多，有1400种之多，成为作物生产最大的隐患。

中国是农业大国，只用了7%的土地就养活了全球20%的人口，所以农作物病害对中国农作物生产的影响不容小觑，如果能做到在病害发生或发生之初就识别检测到作物病害，提前做好防护准备，以减少由粮食生产带来的损失。

但是传统的农作物病害识别监测是田间人工调查、取样、测定、识别作物病害，这种方式很费时费力，而且病虫害的发展是非常快的，所以传统的病害识别检测达不到提前防护的要求，使得病害预测准确性不高，会使作物错过喷洒农药的最佳时期，会对农作物的生产造成巨大损失。

现在，信息技术和生物技术发展也越来越迅速，各界科研人士也对作物病害识别不断的提出新的看法和研究，当前研究的热点是，如何快速的分析和处理光谱信息，提高作物病害识别监测的效率。

本文对基于高光谱、多光谱技术的作物病害识别研究进展进行了综述，主要有以下四种技术，即高光谱遥感技术、高光谱成像技术、近红外光谱技术和多光谱成像技术。

1.传统的作物病害识别方法

作物病害识别需要对病害被发生的时间和成长过程有很精确的数据进行分析，一旦预测不及时或者不准确将会带来巨大的经济损失，显然，传统的作物病害识别方法不能达到该要求。

传统的作物病害识别是人工检测[1]，且对检测者的检验以及专业知识有硬性要求，检测者通过积累的实践经验来确定作物是否患病，甚至确定出患有哪种病害。

这要求检测人员具有较丰富的经验，对病害非常熟悉这就表明对检测人员的要求很高，即检测人员必须具有较丰富的经验，对病害的生长过程非常熟悉。

如果检测者经验不足，不但会影响检测速度、增加劳动强度，而且会对作物病害做出错误的识别，从而造成巨大经济损失，而且检测的结果也只是通过经验所得，需要的时间很长，成本很高，而且难以在大范围展开，存在地域的局限性，且得出的结论存在误差，精度不是很高，但是农作物病害识别要求识别精度很高，所以这些误差可能会使农作物错过最佳的治疗时间，影响农作物的产量，影响粮食安全，造成不必要的经济损失，因此开发一种新的病害识别方法是有必要的。

2.基于多光谱的作物病害识别

2.1基于近红外光谱技术的作物病害识别研究进展

近红外光谱[2]指的是波长为780到2500nm的电磁波，处于可见光和红外光之间，近红外光谱技术从19世纪50年代左右开始有事使用，之后就不断地得到广发的应用，但是在20世纪60年代中后期，近红外光谱技术曾一度消沉，处于沉默期，直到20世纪70年代，多元校正技术的产生又将近红外光谱技术推到了人们的视线，20世纪90年代之后，近红外光谱进入快速发展时期，曾经成为发展最快、最热门的一种技术。

近红外光谱技术多应用于作物品质检测、无损检测等领域，但近红外技术也应用于识别小麦条锈病和水稻稻瘟病、水稻胡麻斑和水稻纹枯病等。

为实现小麦条锈病早期诊断，李小龙、秦丰等[3]于2013年，利用傅里叶近红外光谱仪，对150片患有小麦条锈病和叶锈病的麦页进行近红外光谱信息的采集，应用由中国农业大学开发的CAUNIRS近红外光谱分析软件，利用定性偏最小二乘法（DPLS）建立小麦条锈病和叶锈病早期检测的定性鉴别模型，测试级样品的识别准确率为97.00%。

同样地，2015年，李小龙、秦丰、赵龙莲等[4]将30片患有小麦条锈病不同程度级别和30片健康小麦叶片作为研究对象，利用近红外光谱技术获得光谱信息，在前面研究的基础上，采用由台湾林智仁教授编写的LIBSVM软件包中的C-SVM建立了小麦条锈病不同严重度叶片的定性识别模型。

用处理复杂非线性数据的RBF核函数建模，可使用网格搜索算法获得最优惩罚参数和核函数参数。

该模型识别准确率为97.01%。

前者实现了利用近红外光谱技术在小麦条锈病诊断的应用，后者则表明可以对小麦条锈病进行分级识别。

谭峰，汪春等[5]通过近红外光谱技术对水稻健康植株与染病植株进行光谱信息采集，提取不同部位的光谱特征，有叶瘟病3种病害等级光谱特征；

谷粒瘟5种病害等级光谱特征和穗茎瘟4种病害等级光谱特征，使用中文windows操作系统下的通用操作软件系统对光谱数据进行分析，结果表明不同的植株有不同的近红外光谱特征，为近红外光谱技术应用于水稻稻瘟病的识别提供了前期基础。

与前者研究不同的是，王晓丽等[2]等目前已经实现了基于近红外光谱技术的水稻病害识别，使用仪器自带的软件ViewSpecPro对得出的DN值进行处理得到光谱反射率值。

由于光谱数据可能会受到环境的干扰和影响，采用了S-G平滑、kernel平滑算法、倒数算法和多元散射校正算法对近红外光谱数据进行预处理，建立了基于逐步回归分析的水稻病害识别模型和基于人工神经网络的水稻病害识别模型，对水稻胡麻斑、水稻纹枯病以及健康的水稻的识别率为88.9%，100%和100%。

在水稻病害识别方面取得了很大的进展。

目前的近红外光谱技术主要的病害识别的研究对象是小麦和水稻，在其他作物的病害识别方面的研究还有待研究。

2.2基于多光谱成像技术的作物病害识别研究进展

多光谱成像技术指的是通过特定波长范围内的光强度变化来实现检测和判别。

随着多光谱技术的不断应用在各个领域，在农业领域，多光谱成像技术通过可见光到热红外的波段的不同，实现对作物病害的诊断、农产品品质检测等方面，尤其在农作物病害识别领域，已有很多相关研究人士对多光谱进行了研究，研究进展如下：

冯洁、廖宁放等[6]以黄瓜为研究对象，将人工神经网络和多光谱成像技术相结合，神经网络采用Levenberg-Marquard训练算法,用Matlab软件编程实现多光谱黄瓜诊断的人工神经网络算法。

对光谱图像进行灰度值处理分析，建立了基于多光谱成像技术的植物病虫害神经网络诊断模型，可以对黄瓜的红粉、黑星、白粉三种病进行病害识别，且准确率达到96.67%、93.33%、100%，这表明利用多光谱成像技术可以对黄瓜进行病害识别。

吴迪、朱登胜等[7]同样利用Matlab软件编程，利用多光谱成像仪采集了茄子的红光、近红光、绿光等光谱信息，使用二中算法对光谱信息进行处理，建立茄子灰霉病识别模型，且模型对茄子灰霉病的识别度很高。

上面研究表明，利用多光谱成像技术对茄子的灰霉病和黄瓜的三种病害识别监测是可行的且效率较高的。

孙光明、杨凯盛等[8]利用Matlab处理工具，对的大麦用多光谱图像采集系统对患有赤霉病的大麦进行光谱图像采集，利用Matlab对光谱图像进行分割和图像特征提取，并多元散射校正，研究发现，经过MSC预处理建立的LS-SVM模型的预测准确率高达93.9%此研究表明利用多光谱成像技术可以对大麦赤霉病进行识别监测。

Dammer等[9]同样的提取出光谱特征，分析比较了多光谱技术和彩色图像处理技术对冬小麦赤霉病识别的效果，结果表明，对于冬小麦赤霉病识别监测多光谱技术比彩色图像处理技术好，而且多光谱系统在对小麦进行识别之前只需要进行一次校准。

张浩、姚旭国等[10]以水稻穗颈瘟为研究对象，用Matlab6.5软件实现多光谱图像处理算法，包括噪声消除、背景去除以及对图像进行多处理分割，提取IR、R、G分量，建立了水稻穗颈瘟识别模型，识别精度很高，可以对水稻穗颈瘟的识别监测。

该研究表明可以快速的、准确对水稻穗颈瘟病进行非破坏性检。

冯雷，柴荣耀等[11]利用多光谱成像技术对水稻叶瘟进行分级检测研究且取得了不错的进展，利用多光谱成像技术获取水稻叶面和水稻冠层光谱图像信息,利用Matlab编程实现多光谱图像处理算法，该算法实现背景噪声的消除，以及枯叶的灰度分析，建立了水稻稻叶瘟病情检测分级模型,该模型对水稻苗瘟、水稻叶瘟的识别准确率为98%、90%。

该项研究实现了对水稻病害的分级检测。

3.基于高光谱的作物病害识别

3.1基于高光谱遥感技术的作物病害识别进展

遥感技术[12]就是在距离农作物很远的地方，不会接触到农作物，通过光谱采集系统采集农作物的光谱信息，这些光谱信息是从农作物发出来的电磁波，通过分析电磁波信息，提取光谱特征进行分析，会得到光谱数据，对这些数据进行分析就能对农作物的病害进行一定的识别和检测。

高光谱遥感数据[13]，虽然提高的光谱信息的分析效率，但是数据的传输，如何存储还是存在一定的问题，需要我们不断的去解决。

高光谱遥感技术目前在国内外都有不同的研究进展，也是当前对农作物病害进行识别的一个有效的手段，进展如下：

MinghuaZhang，ZhihaoQin,XueLiu等[14]，以患有马铃薯晚疫病的马铃薯为研究对象。

通过成像光谱仪（AVIRIS）对马铃薯近地冠层进行光谱信息的采集，利用Matlab对光谱数据进行分析处理之后，结论是在所有的高光谱遥感信息中，红外光谱信息对识别马铃薯晚疫病的参考价值最高，并且能够区别出受害度三级及3级以上的病害区。

李峰[15]采用机载高光谱成像系统采集经过不同氮处理的高光谱遥感图像信息，对图像进行校正，对马铃薯的光谱信息进行提取，利用偏最小二乘回归法（CdTL）建立马铃薯叶片氮素含量的光谱预测模型，可对马铃薯的氮含量进行检测，该研究为检测马铃薯的其他光谱信息提供了可能。

王爽、马占鸿等[16]以患有小麦条锈病的小麦为研究对象，分析患病后的小麦冠层光谱信息，提取出相关性较高的一阶微分参数和植被参数，将二个参数建立产量回归方程，分析发现小麦条锈病的光谱特征具体体现在，在近红外区域光谱反射率逐渐降低，得出的结论是以SDr为变量的模型是最佳模型，用该模型对存在小麦条锈病下的小麦进行产量预估，而且对小麦条锈病的识别度非常高。

郭洁滨、黄冲等[17]研究了四种不同小麦品种的小麦条锈病，利用野外光谱仪采集小麦冠层的高光谱反射率数据，可有效采集到的波长范围325～1075nm，对光谱数据进行一阶微分处理，用不同光谱参数和小麦条锈病病情指数建立了回归反演模型，得出的结论是以下四个参数与病情指数建立的回归模型效果最好，即690与850nm处的反射率、SDr、NDVI和RVI。

研究表明，我们通过光谱信息从而得出小麦条锈病的病情指数，从而对小麦病情可以很好的进行检测治疗控制。

研究发现，小麦的品种对反演模型的影响不大。

3.2基于高光谱成像技术的作物病害识别研究进展

光谱成像技术[18]在20世纪70年代末在军事方面开始有了发展，之后又设计到了航空、航海、生物、农业、大气等和人类息息相关的领域。

而随着社会信息化的加快，光谱成像技术在农业领域有了飞速的发展，特别是运用于农作物的病害识别方面，目前的高光谱成像技术的分辨率很高[19]，提取的波段信息较多，一般的波段信息是400-720nm，能对农作物的内部结构进行光谱信息的提取，利用这些光谱信息识别病害，会提高识别的精度，下面列出近几年国内外对该技术的研究。

冯雷、张德荣、陈双双等[20]采集了120个茄子叶的高光谱图像数据，其光谱范围为380--1031nm，通过主要成分分析（PCA）对高光谱图像进行校正，利用连续投影算法提取出了光谱信息里面的13个特征变量，从中提取出三个光谱特征，利用最小二乘支持向量机（LS-SVM）建立了可以对茄子叶片灰霉病进行识别的模型，经过反复地测试判断模型识别准确率高达97.5%，说明高光谱成像技术对于识别茄子灰霉病已经可行。

在2013年，孔汶汶，虞佳佳[21]等同样对番茄的病害识别进行研究，该研究共采集了112个患有番茄茎秆灰霉病的番茄的高光谱信息，光谱范围为400-1030nm，对光谱数据进行变量标准化和多元校正预处理，将进行预处理的光谱图像信息化学计量和结合图像处理建立了番茄茎秆灰霉病的早期识别模型，可以对番茄茎秆的灰霉病进行早期识别监测，该研究为番茄的早起病害识别提供了一种行动的识别方法。

蔡阿丽、廖宁放[18]等以黄瓜为研究对象，对患有白粉病、角斑病、霜霉病、棒孢叶斑病的黄瓜叶片和正常黄瓜叶片获取光谱信息，提取光谱特征，通过对患病和无病的黄瓜的光谱信息进行对比，采用逐步判别分析、典型判别分析二种方法对光谱图像进行降维处理，建立了典型判别构建的模型以及逐步判别的模型，进行测试分析，二者的车次准确率分别为100%和94%，最后他们得出的结论是高光谱成像技术可以用于农作物病害的识别监测，而且识别快速、精度较高。

对实时监测黄瓜病害提供了可能。

迟茜、王转卫等[22]通过采集有损和无损的猕猴桃的近红外光谱信息，对光谱信息进行提取特征波长，对高光谱图像用ENVI软件的BasicTools/Masking进行掩模处理，利用Matlab2011a对损伤区域进行分割处理，对图像进行中值滤波和阈值分割，灰度阈值为230，并提出了早期隐性损伤猕猴桃的识别算法，该算法对有损猕猴桃的识别准确率达到97.9%。

此研究表明近红外光谱技术对于识别早期有损猕猴桃是可行的。

郑志雄、齐龙、马旭等[23]，以不同稻瘟病病害等级的水稻为研究对象，通过HyperSIS高光谱成像系统对患病的水稻光谱图像进行采集，通过对比分析有无稻瘟病的水稻光谱特征，建立了基于高光谱成像技术的水稻稻瘟并的分级准则，再对其余样本进行测试，准确率为96.39%，为实现水稻稻瘟病分级提供了可能。

同样地，黄双萍、齐龙、马旭等[24]提出了一种光谱词袋模型分析方法（BoSW），通过分析稻穗的高光谱图像，可以自动识别稻穗瘟病害程度。

随机选择2/3光谱遥感数据，采用卡方-支持矢量机（Chi-SVM）分类算法建立稻穗瘟病害程度分级模型。

用剩余的1/3数据测试模型稻穗瘟病害程度分级，得出识别精度为94.72%，此研究不仅提高了穗瘟病分级的自动化程度，还提高其准确率，同时也可为其他病害分级检测提高研究基础。

通过以上的研究，我发现在作物病害识别方面，基于多光谱成像技术的病害识别的研究内容较多，有对黄瓜、番茄、水稻等多种作物的不同并且进行研究，相反的，其余三种技术，近红外、多光谱成像以及多光谱遥感在作物病害识别方面的研究不是很多，大部分集中在对小麦和水稻的病害识别监测方面，其余的作物的研究还不是很多。

4.存在问题及前景展望

光谱技术在作物病害识别方面得到广泛应用，从不断的研究过程中看来，还是存在一些问题的，主要光谱技术在病害识别的作用是根据已有的光谱数据来分析现状农作物的病害情况，所以可能会造成光谱数据的不全面，即作物的种类不全，病害种类不全，而且能够检测的区域是有限的，而且得到的光谱数据可能会产生“同谱现象”和“异谱现象”，这些问题都还有待解决，更重要的是目前的光谱采集机器都是非常昂贵的，但我相信，随着信息技术和生物技术的不断发展，这些问题会一个一个的解决，从而缓解我国因作物病害而带来的粮食产量的损失的现象。

结论：

中国是一个农业大国，所以寻求一种快速、高效的作物病害识别方法是必须的，而今最有希望的一个研究方向就是基于光谱技术的研究，我想提高农作物识别的速率，可以提高农业生产的产量，减少劳动时间和劳动力，减少一些不必要农药的喷洒，还会降低环境污染，为地球环境的美化尽一份力。

所以我们应该朝着这个方向去研究，不断的解决光谱技术在作物病害识别方面存在的问题，以便实现农业的现代化和信息化，和世界接轨。

参考文献：

[1]王海超,高雄，等.农作物病害检测中光谱和图像处理技术现状及展望[J].农机化研究，2015,10：

1-7

[2]王晓丽.基于近红外光谱技术的水稻叶部病害诊断模型构建[D].中国农业科学院，2011：

21-29

[3]李小龙,马占鸿,赵龙莲,等.基于近红外光谱技术的小麦条锈病和叶锈病的早期诊断[J].光谱学与光谱分析,2013，33（10）:

2661-2665

[4]李小龙,秦丰,赵龙莲,等.近红外光谱技术的小麦条锈病严重度分级识别[J].光谱学与光谱分析,2015，35

（2）:

367-371

[5]谭峰,汪春,尚廷义.基于近红外光谱的寒地水稻稻瘟病检测数据分析[J].农机化研究,2011，（11）:

44-47

[6]冯洁,廖宁放,赵波,等.多光谱成像技术诊断植物病虫害的人工神经网络模型[J].光学技术,2008，34（5）:

717-720

[7]吴迪,朱登胜,何勇,等.基于地面多光谱成像技术的茄子灰霉病无损检测研究[J].光谱学与光谱分析,2008，28（7）:

1496-1500

[8]孙光明，杨凯盛，张传清，等.基于多光谱成像技术的大麦赤霉病识别[J].农业工程学报，2009，25（增刊2）：

204－20

[9]Karl-HeinzDammer,BerndMö

ller,BerndRodemannetal.Detectionofheadblight（Fusariumssp.）inwinterwheatbycolorandmultispectralimageanalyses[J].CropProtection,2011,30（4）：

420-428

[10]张浩,姚旭国,毛雪琴,等基于多光谱图像的水稻穗颈瘟严重度识别研究[J].湖南农业科学，2009，

（1）：

65-68

[11]冯雷,柴荣耀,孙光明,等.基于多光谱成像技术的水稻叶瘟检测分级方法研究[J].光谱学与光谱分析,2009，29（10）:

2730-2733

[12]陈鹏程,张建华，等.高光谱遥感监测农作物病虫害研究进展[J].中国农学通报，2006，22

（2）:

388-391

[13]陈兵，李少昆，等.作物病虫害遥感监测研究进展[J].棉花学报，2007,19

（1）:

57-63

[14]MinghuaZhang,ZhihaoQin,XueLiu,etal.DetectionofstressintomatoesinducedbylateblightdiseaseinCalifornia,USA,usinghyperspectralremotesensing[J].InternationalJournalofAppliedEarthObservationandGeoinformation,2003,4:

295-310

[15]李峰,AlchanatisVictor，赵红，等.基于PLSR方法的马铃薯叶片氮素含量机载高光谱遥感反演[J].中国农业气象局，2014,35（3）：

338-343

[16]王爽，马占鸿,孙振宇，等.基于高光谱遥感的小麦条锈病胁迫下的产量损失估计[J].中国农学通报2011,27（21）:

253-258

[17]郭洁滨,黄冲,王海光，等.基于高光谱遥感技术的不同小麦品种条锈病病情指数的反演[J].光谱学和光谱分析，2009,29（12）：

3353-3357

[18]柴阿丽,廖宁放，等.基于高光谱成像和判别分析的黄瓜病害识别[J].光谱学与光谱分析,2010，30（5）：

1357-1361

[19]柴阿丽.基于计算机视觉和光谱分析技术的蔬菜叶部病害诊断研究[D].中国农业科学院，2011：

4-5

[20]冯雷，张德荣，陈双双，等.基于高光谱成像技术的茄子叶片灰霉病早期检测[J].浙江大学学报（农业与生命科学版）,2012，38（3）：

311-317

[21]孔汶汶,虞佳佳,刘飞,等.基于高光谱成像技术的番茄茎秆灰霉病早期诊断研究[J].光谱学与光谱分析,2013，33（3）:

733-736

[22]迟茜,王转卫,杨婷婷,等.基于近红外高光谱成像的猕猴桃早期隐性损伤识别[J].农业机械学报，2015,46（3）：

1000-129