光谱成像技术在作物病害检测中的应用进展与趋势

病害作为影响农作物生长的主要因素之一,平均每年造成农作物产量损失高达12%以上。病害不仅直接导致农作物产量减少,而且也严重降低了农产品的品质,甚至引发食品安全事故。光谱成像作为一种融合图像处理和光谱学的信息获取技术,能同时获取目标的图像信息和光谱信息,从而更直观表达目标的特征。光谱成像技术可以获得图像上每个点的光谱数据,从而实现对作物病害的颜色、形状和纹理特征及光谱特征的分析,具有快速、直观和无损等特点,近些年在作物病害检测领域的应用取得了较大研究进展。综述了近六年来国内外关于光谱成像技术在作物病害检测领域应用的相关文献,分析了光谱成像技术的优势和局限性,重点阐述了光谱成像作物病害检测中关键的第三个技术:(1)光谱图像分割技术,重点分析了四种常见分割算法的优点和适用范围;(2)光谱特征和空间特征提取技术,重点对比了空间特征、光谱特征和二者加权组合对病害信息表达的准确性;(3)检测模型,重点介绍了光谱植被指数和机器学习模型在作物病害检测中的稳定性和前景。最后,根据上述分析展望了光谱成像技术在作物病害检测领域中应用的研究趋势,为相关研究提供全面且系统的参考。     

可见/近红外光谱图像在作物病害检测中的应用

农作物病害严重影响了我国正常的农业生产,现代农业迫切需要快速、准确、高效的作物病害诊断方法。首先简单介绍了常用病害检测技术,如：聚合酶链式反应技术、人工感官判定技术、统计学方法等,这些方法或是比较费时、或是只能用于产生明显病斑后的病害诊断,而光谱技术在植物病害的快速检测方面有一定的潜力,目前已有大量的研究成果。主要围绕可见/近红外光谱图像在病害检测的应用展开分析和讨论,讨论了该技术所涉及的仪器,并从细胞、植物组织、冠层及更大尺度层面分析了该技术在病害检测中的现况。目前大部分与植物病害有关的可见/近红外光谱研究都以植物叶片为对象,而在更小尺度（细胞至显微尺度）和更大尺度（冠层至航空/航天遥感方面）上的研究较少,特别是单细胞级别的病害研究,只在动物细胞领域展开,而且以荧光、拉曼、红外光谱为主。可见/近红外在以植物叶片为主要研究对象的器官尺度上有大量的成功应用,目前的研究已涉及了大部分的常见作物及其主要病害,包括真菌性、细菌性等各种病原引起的病害的检测。植物叶片尺度的研究主要从以下三个方面展开：(1）基于计算机图像处理和模式识别的病害信息自动快速判断;(2）基于化学计量学方法的高光谱或高光谱图像病害程度模型;(3）建立与作物病害有关的叶片某些理化参数的光谱模型,从而量化病害的程度。在植物叶片这一尺度相关研究的主要问题是：研究过于碎片化,往往只研究了某一种或少数几种病害,所建的模型只能用于特定实验条件,无法直接自动判断任意田间样本的染病种类与程度。在近地冠层尺度,植株的三维形态对光谱模型有较大的干扰,有文献表明以植株近地冠层2D图像作为病害检测数据,偏差较大,所建模型不稳定,基于卫星影像的病害模型较少。还讨论了常用光谱及光谱图像建模与分类方法。目前可见/近红外光谱在农作物病害方面有一定的应用潜力,但存在研究内容的不平衡、研究系统性不够、各学科合作研究不够深入等几大问题。最后提出可见/近红外光谱在病害检测领域中应更注重多学科的深入合作,并急需相关的仪器设备、方法模型方面的突破。     

无人机光谱成像技术在大田中的应用研究进展

传统大田农作物生长环境监测的方法,需要在环境恶劣的田间布设各种传感器,铺设复杂电路,通常会出现耗时费力、维护成本高、且或多或少的损坏到植株的问题。无人机光谱成像技术是一种融合了无人驾驶飞行器技术、空间遥感和图像实时传输等多种手段的快捷新型农田环境监测技术,能够快速获取农田作物的即时光谱图像,通过分析图像获取大田作物的生长信息,这一技术的应用弥补了上述问题。首先对无人机光谱成像技术进行了概述,介绍了无人机应用的优势。和传统卫星遥感监测平台相比,无人机可以工作在较低的高度,即80～400 m,能够抵消极端天气和云层影响,实现快速、准确地获取高精度图像。目前,国内外小型无人机的应用主要集中在灾害监测、自然资源监测、城市规划和植被监测等领域。由于其低成本、近实时图像采集等特点,在精准农业的发展过程中,无人机光谱图像的应用也愈加广泛。分析了常见光谱图像的特点和应用场景。全色图像由于分辨率高,多用于数据融合;多光谱及高光谱影像由于丰富的光谱信息,与农作物的光谱特征结合,可用于农作物的生物理化指标的检测、农业灾害预警、产量预测和精细分类制图等;热红外图像可以获得农作物温度信息,可用于监测田间旱灾。总结了无人机光谱图像技术在大田中的主要应用途径。目前利用无人机光谱图像技术对农作物进行监测的方法主要有:利用光谱反射率构造植被指数或红边参数,研究植被的反射特点,构建农作物时间层面上与光谱特征对应的生长模型,利用新兴数学方法与农作物生化参数结合建立模型进行反演。探讨了无人机光谱图像技术在大田的应用中尚且存在着的一些技术空白及难点,以期为无人机光谱成像技术在大田中的衍生应用发展提供参考。     

成像光谱技术在农作物信息诊断中的研究进展

传统的农作物信息诊断方法存在劳动强度大、诊断时间长、操作技术要求高、受人为主观因素影响大等缺陷,限制了农作物信息诊断的实时性和准确性.成像光谱技术能够通过IHl时获得农作物的图像以及光谱信息.实现对农作物生长状况、病虫害等信息的快速、无损检测,已在作物信息诊断中得到越来越广泛的应用,为农业的信息化提供了技术支持.文章概述了成像光谱技术的原理,重点介绍了其在农作物种子成分检测、种子品种分类、种子病虫害检测、田问植株长势监测、田间植株病虫害检测中的国内外最新研究进展,分析了成像光谱技术应用于农作物信息诊断的难点,并对其发展方向进行了展望.     

高光谱遥感林业信息提取技术研究进展

高光谱遥感技术已成为林业遥感领域的前沿技术之一。回顾国内外高光谱遥感技术在林业信息提取中的研究进展,总结归纳了森林树种高光谱分类与识别、森林生态物理参数高光谱反演与提取、林木养分元素高光谱监测与诊断、森林郁闭度信息高光谱提取、森林灾害高光谱监测五个主要研究方面。在此基础上,文章指出了在林业遥感应用中高光谱技术尚待解决的关键问题,并阐述了可能解决问题的途径。最后对林业高光谱遥感技术的应用前景作了展望。     

基于高光谱影像的小麦条锈病光谱信息探测与提取

为了理解与定量分析农作物光谱特征和相关参数,基于PHI高光谱影像建立了农作物病害光谱响应与探测模型,即光谱点位与参数模型（FPPM）.为了识别和提取小麦条锈病信息,根据多时相高光谱影像光谱特征,提出了一种可调节的多时相归一化植被指数（MT-NDVI）.结果表明,FPPM能很好地响应与感知该病害在小麦生长期的光谱特征;结合光谱角制图法（SAM）,MT-NDVI能清楚地呈现不同区域该病害的轻重程度,准确地区分和提取小麦条锈病与健康小麦及土壤的信息.     

大豆病害分类的高光谱分析

作物病害类型的快速无损检测对提高作物品质和产量至关重要。传统的病害分类方法费时费力且不能实时检测。为此,利用高光谱进行大豆病害分类。以健康大豆为对照,灰斑病和细菌性斑点病两种病害为研究对象,获取三种类别叶片高光谱数据。基于高光谱曲线分析病害与健康叶片反射率的变化规律。采用主成分分析(PCA)和光谱指数(SI)两种单一方法进行病害有效信息提取,共使用30个SI。在此基础上,提出一种PCA与SI相结合的组合方法(PCA-SI),通过提取有效主成分(PC)及有效SI,将有效SI按得分情况分为两组(9SIs和18SIs),再分别对应每一个有效PC进行分组,形成病害光谱有效信息的变量集。采用三种方法分别进行病害有效信息的提取,基于提取后的光谱变量,采用最小二乘支持向量机(LSSVM)和支持向量机(SVM)两种分类器建立病害分类模型。以原始高光谱为基准,以病害分类正确率为指标,评价模型的病害分类性能及不同病害有效信息提取方法和分类器的有效性。结果表明：高光谱反射率具有可见光450～700 nm波段范围病害叶片高于健康叶片而近红外760～1 000 nm波段范围其特征完全相反的规律。采用单一PCA方...     

基于拉曼光谱的大豆细菌性病害标志物研究

大豆在生长过程中因病害影响其产量会急剧下降,如果不及时判别出病害种类,喷洒相关农药,病害严重的大豆甚至会绝产。及时判别病害种类进行合理施药,阻止病害进一步发展是保证大豆安全生产的重要环节。目前,基于大豆植株细菌性病害的病原菌鉴定和聚合酶链式反应（polymerase chain reaction,PCR）的鉴定方法,最短需要两天时间,因此,快速检测大豆病害种类的方法成为该作物,也是建立智慧农业生产的关键环节之一。应用拉曼光谱快速检测技术诊断大豆病害,构建N-乙酰胞壁酸分子空间结构,采用密度泛函理论通过利用B3LYP/6-31+（d, p）基组优化大豆细菌性病害标志物N-乙酰胞壁酸的分子结构计算其拉曼光谱,并进行理论因子校正,校正因子为0.985 7;采用微区三级拉曼光谱技术探测该标志物N-乙酰胞壁酸的拉曼光谱,采用平滑、去基线、截取波数范围等过程进行光谱预处理;在理论和实验对比分析的基础上,指认大豆测试和计算的拉曼光谱对应的特征峰,峰值波数相差大多在0~10 cm-1,实验数据与理论计算结果基本一致,判定了振动拉曼光谱的特征峰及其对应的分子结构的关系。结果表明：大豆细菌性病害标志物N-乙酰胞壁酸分子在200~1 650 cm-1范围内含15个特征峰,较强峰值和振动归属分别为229.0 cm-1的甲基摇摆振动和764.0 cm-1环内的摇摆呼吸振动等,给出了键长、键角和二面角等15个振动峰的空间结构参数,指证了N-乙酰胞壁酸分子的特征结构。结果也证明了可通过多种生物分子的大豆拉曼光谱测量,筛选细菌性病害标志物N-乙酰胞壁酸分子的拉曼光谱,能够有效识别细菌性病害。智慧农业生产中利用拉曼光谱快速检测技术,是农作物病害检测诊断的一种有效方法,若结合应用机器学习方法与光谱分析识别,以快速、准确和便捷的方式为智慧农业的健康生产及保驾护航发挥效用,是推进我国农业发展的重要环节。     

用高光谱微分指数监测冬小麦病害的研究

工田间诱发不同等级小麦条锈病,在不同生育期测定染病冬小麦冠层光谱、生理生化参数以及相应的病情指数。 对小麦冠层一阶微分光谱进行分析,结果表明随病情指数增大,一阶微分光谱在绿边(500～560 nm)内逐渐增大,在红边(680～760 nm)内逐渐降低。红边核心区(725～735 nm)内一阶微分总和(SDr′)与绿边核心区(520～530 nm)内一阶微分总和(SDg′)的比值,与病情指数具有极显著线性负相关性,相关系数r2＝0.921(n＝28),且能够在症状出现前12 d识别出健康作物与病害作物。因此,微分植被指数SDr′/SDg′能够监测并反演作物病害信息。研究结果对利用高光谱遥感获取作物病害信息具有实际应用价值,对提高粮食产量、保证粮食安全具有重要意义。     

光谱分析技术在作物生长信息检测中的应用研究进展

获取作物的相关生长信息可以预测作物的生长和健康状态,是实现作物生产管理智能化的基础。植物的生长信息获取技术主要包括利用其电学特性、光学特性和机器视觉技术等,随着光谱技术的发展,近红外光谱技术、多光谱技术和高光谱技术在作物生长信息的获取应用上开始大量应用,并显示了其分析速度快、效率高、成本低、无需制备样品等优点,已成为一种快速、无损的现代分析技术。文章介绍了国内外运用光谱分析技术在作物生长信息获取上的研究情况,并分析了该技术应用于作物生长信息获取时尚存在的问题和今后的研究方向,提出了进行作物生长实时、智能化管理的必要性,需要加快研制相关的光谱自动分析设备,提高作物生长信息获取的速度,最后指出了结合机器视觉技术、红外成像技术、光谱分析技术等多种技术进行作物生长多种信息获取是未来发展的趋势。     

农作物冠层光谱信息检测技术及方法综述

相比传统的化学方法及主观视觉测定植物生理信息指标,通过光谱辐射仪对农作物冠层信息的评估更简单、快速和精确。本文结合近年来农作物群体信息的获取方法,综述了不同类型光谱仪尤其以国际上应用最广泛的Cropscan多光谱辐射仪在农作物群体叶面积指数、生物量、氮素及叶绿素的预测,病虫害的监测及产量预测中的应用。总结了不同类型的的植被指数(VIs)、冠层光谱的获取及光谱分析方法,比较了不同农作物建立相关模型的回归系数。总体上建立的数学模型的相关系数较高,能实现对农作物各种生理信息等的检测。此外,将多光谱辐射仪与多种传感器相结合所得到的综合信息对于全面评价农作物生长情况具有重要指导价值。     

小麦叶片胁迫状态下的高光谱图像特征分析研究

作物在遭受各种胁迫下的长势及健康诊断是精细农业操作的重要环节.高光谱成像技术具有图谱合一的优势,已成为近年来国内外研究的热点.本文以叶片尺度的小麦为研究对象,利用自主研发的成像光谱仪,采集遭受养分、病虫害胁迫的小麦叶片高光谱图像,利用逐像素平均法增强光谱特征,根据反射率差异进行分析研究.结果表明,提取的高光谱能够反映不...     

荧光寿命显微成像技术及应用的最新研究进展

由于荧光寿命不受探针浓度、激发光强度和光漂白效应等因素影响,荧光寿命显微成像技术(fluorescence lifetime imaging microscopy, FLIM)在监测微环境变化、反映分子间相互作用方面具有高特异性、高灵敏度、可定量测量等优点,近年来已被广泛应用于生物医学等领域.然而,尽管FLIM的发明和发展已历经数十年时间,其在实际应用中仍然面临着许多挑战.例如,其成像分辨率受衍射极限限制,而其成像速度与成像质量和寿命测量精度则存在相互制约的关系.近几年来,相关硬件和软件的快速发展及其与其他光学技术的结合,极大地推动了FLIM技术及其应用的新发展.本文简要介绍了基于时域和频域的不同寿命探测方法的FLIM技术的基本原理及特点,在此基础上概述了该技术的最新研究进展,包括其成像性能的提升和在生物医学应用中的研究现状,详细阐述了近几年来研究者们通过硬件和软件算法的改进以及与自适应光学、超分辨成像技术等新型光学技术的结合来提升FLIM的成像速度、寿命测量精度、成像质量和空间分辨率等方面所做的努力,以及FLIM在生物医学基础研究、疾病诊断与治疗、纳米材料的生物医学研究等方面的应用,最后对其未来发展趋势进行了展望.     

基于FPGA的多路数据单信道传输方法研究

近年来,随着半导体工艺的不断提高,CCD相机以及红外探测器件由低分辨率逐渐向高分辨率迈进。高清晰度的画面能够记录更多细节,不仅可以带来良好的感官体验,更为侦查、监控等提供了更好的帮助。然而,分辨率的提高和图像实时性传输的需求对图像传输提出了更高的要求。为有效地解决图像高速传输问题,提出采用时分复用方法对多路数据进行单信道传输,仿真结果表明该方法能有效提高数据传输效率。     

基于光饱和影响校正的作物叶绿素分布光谱成像检测

叶绿素含量是作物光合能力与营养评价的重要指标,因此快速检测作物叶绿素含量与分布可为作物营养动态分析与长势评估提供支持。基于RGB(Red, Green, Blue)和NIR(Near Infrared)多光谱图像的获取,开展玉米作物营养状态分布光谱学成像检测。构建了多光谱图像采集平台获取RGB和NIR图像,研究了基于光饱和校正算法的RGB图像的光饱和校正与NIR图像去噪方法,通过图像的匹配分割,冠层的提取校正,建立了基于冠层图像的作物SPAD值检测模型与分布成图。采集15株玉米植株RGB-NIR图像,并同步获取不同植株,不同位置共68个叶绿素含量指标SPAD值。首先对RGB图像进行光饱和校正,再对NIR图像进行滤波和图像增强,其次对RGB和NIR图像进行了SURF(speeded-up robust features)和RANSAC(random sample consensus)图像匹配,利用RGB图像的颜色特征,采用ExG(Extra Green)和OTSU算法生成分割掩模,对RGB图像和NIR图像进行分割提取,提取图像的R, G, B和NIR分量,利用4阶灰度板进行反射率校正,然后计算作物图像中像素级P_SPAD值,并建立图像P_SPAD值与叶绿素仪SPAD值的拟合模型,最后绘制作物SPAD分布图。通过HSI(Hue, Saturation, Intensity)彩色模型中的I分量直方图对比去饱和前后光分布范围,以作物SPAD值分布图验证光饱和校正算法对作物叶绿素含量分布检测提升的效果。RGB图像光饱和校正前I分量集中在[140～180]之间,光饱和校正后的RGB图像I分量集中在[85～130]之间, 校正了相机成像时产生模糊和RGB图像饱和。对分割后的RGB图像和NIR图像提取R,G,B,NIR分量进行4阶灰度板校正,相关系数分别为0.829,0.828,0.745和0.994,进而生成R,G,B和NIR四波段的反射率伪彩色图像,反射率R_NIR＞R_C＞R_R＞R_B。体现了作物的在蓝光和红光区域吸收光,在绿光区域和近红外区域反射光的光谱特性。校正前后的R和NIR分量反射率计算图像P_SPAD值拟合叶绿素含量指标SPAD值的模型结果显示,校正前R2为0.332 6,校正后R2为0.619 3,绘制作物的SPAD特征分布图,可为作物的营养动态快速分析与分布检测提供技术支持。     

基于可见光谱和改进注意力的农作物病害识别

基于可见光谱的农作物病害自动化识别和诊断是一个具有挑战性的研究领域,但现有基于卷积神经网络进行病害识别的研究往往利用深层网络牺牲模型参数量来提高对单一农作物病害识别的准确率,从而造成硬件资源的浪费。为提高农作物病害识别的准确率且避免深层网络的使用,该研究将注意力机制引入农作物病害识别领域,提出了一种基于可见光谱和改进注意力机制的浅层农作物病害识别模型,设计了新的注意力模块SMLP和农作物病害识别模型SMLP_ResNet。利用卷积层代替全连接层设计参数量较少的残差网络（ResNet）,然后利用SMLP、归一化结构（Batch Normalization）和残差模块（Res_block）得到改进的残差模块单元（SMLP_Res）,其中SMLP由全局池化和多层感知机组成,建立各通道间依赖关系。多层感知机使用三层网络结构,将全局特征的通道维度提升至两倍,然后对其通道维度进行两次降维,恢复至原始维度,减少了全局特征损失。SMLP_Res可对通道中的病害特征重校准,减少对识别任务无效的冗余信息,最后构建农作物病害识别模型SMLP_ResNet,在减少模型层数同时提高其识别率。使用两个不同难度的多种植物和病害混合的公开数据集AI Challenger 2018 和Plant Village验证本文模型。实验结果表明,SMLP_ResNet模型在18、50和101层时达到了较高的识别率,其中SMLP_ResNet18模型效果最佳,在两个数据集中的病害识别率分别为86.93%和99.32%。SMLP_ResNet18的准确率不仅高于改进前的ResNet18和SENet18网络,还高于其他研究者提出的模型的准确率,且模型权重大小为48.6 MB,仅约为AlexNet网络权重的五分之一,能够在模型参数量较小的情况下实现较高的病害识别率。从Grad-CAM生成的热力图中可看出SMLP_ResNet18相比于其他模型更关注于叶片病害部位的特征,其背景信息以及叶片健康部位的权值较小。该研究所提出的SMLP_ResNet18模型实现了浅层网络下的高精度识别,提高了对叶片病害区域的辨识度,减少了背景等冗余特征的影响,适用于面向多种农作物不同病害下的高精度识别。     

A Crop Image Segmentation and Extraction Algorithm Based on Mask RCNN

The wide variety of crops in the image of agricultural products and the confusion with the surrounding environment information makes it difficult for traditional methods to extract crops accurately and efficiently. In this paper, an automatic extraction algorithm is proposed for crop images based on Mask RCNN. First, the Fruits 360 Dataset label is set with Labelme. Then, the Fruits 360 Dataset is preprocessed. Next, the data are divided into a training set and a test set. Additionally, an improved Mask RCNN network model structure is established using the PyTorch 1.8.1 deep learning framework, and path aggregation and features are added to the network design enhanced functions, optimized region extraction network, and feature pyramid network. The spatial information of the feature map is saved by the bilinear interpolation method in ROIAlign. Finally, the edge accuracy of the segmentation mask is further improved by adding a micro-fully connected layer to the mask branch of the ROI output, employing the Sobel operator to predict the target edge, and adding the edge loss to the loss function. Compared with FCN and Mask RCNN and other image extraction algorithms, the experimental results demonstrate that the improved Mask RCNN algorithm proposed in this paper is better in the precision, Recall, Average precision, Mean Average Precision, and F1 scores of crop image extraction results.     

基于光谱及成像技术的种子品质无损速测研究进展

种子是农业生产过程的重要生产资料。种子质量评价、活力与老化检测、纯度与真伪鉴别、分类与溯源研究是种子品质检测中的常见问题。种子质量主要包含种子含水率、蛋白含量、脂肪酸含量、淀粉含量等,是种子品质分级的重要指标,并且关系到种子存储过程的安全问题。种子活力是种子发芽和出苗率、幼苗生长的潜势、植株抗逆能力和生产潜力的总和;高活力种子具有明显的生长优势和生产潜力。种子老化是指种子活力的自然衰退,表现为种子变色、发芽率低、生长势差、作物减产。种子的纯度与真伪则会影响作物产量和农产品品质;而种子分类与溯源则是保证种子纯度与鉴别种子真伪的重要方法,进而为作物产量与产品品质提供保障。对于种子品质分析,传统方法通常需要对样品做不可逆的破坏性分析,且分析时间长、过程复杂,难以适应现代农业对种子生产环节的需要。因此,开展种子品质无损快速检测技术研究成为当前亟待解决的问题。近年来,随着化学计量学的发展和计算机技术的进步,近红外光谱法以其快速、无损、高效等优势,在农产品、食品、农业投入品等的无损快速分析方面得以广泛的应用。进一步地,将光谱技术与成像技术相结合,高光谱成像技术近年来日益兴起,相比较于传统的光谱技术,高光谱成像技术在获得待测样品的光谱信息的同时,还可以获取样品的空间分布信息以及图像特征。基于近红外光谱及高光谱成像等无损快速检测技术,从种子质量评价、活力与老化检测、纯度与真伪鉴别、分类与溯源研究四方面对近年来关于种子品质无损快速检测文献进行综述。在分析不同检测技术特点的基础上,分别就上述种子品质检测方面的问题加以整理。进而对种子品质无损快速检测的技术特点进行了总结与展望。