一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法与流程

本发明涉及柑橘病害检测技术领域，尤其涉及一种柑橘黄龙病害的快速无损检测方法。

背景技术：

近年来，随着柑橘种植面积的不断扩大，柑橘黄龙病愈来愈严重，一旦感染，轻则产量骤减，果实品质下降，重则果树枯死。目前黄龙病鲜见有效治愈方法，唯一方法是将其砍伐并烧毁，已毁坏果树100多万棵，对果农造成严重的经济损失，不利于柑橘产业的持续发展。因此，研究一种快速准确简单的柑橘黄龙病无损检测方法，及时发现并防控黄龙病，对维持柑橘产业发展具有重大意义。

黄龙病作为柑橘病害中最具毁灭性的病害又被称为“柑橘癌症”，由寄生在树枝韧皮部的革兰氏阴性细菌引起。木虱是作为主要的传播媒介具有速度快的特点，黄龙病检测方法较多，当前常用的有两种，一是实验室病理分析，主要采用聚合酶链式反应(pcr)，该方法准确率高，缺点是费时昂贵。二是人工田间诊断，此方法简单易行，周期短，缺点是准确率底。不管前者还是后者都与实际生产匹配度差，不具有普遍适用性，难以满足我国柑橘产业快速发展的需要。

高光谱成像技术是指利用较多窄电磁波波段不接触目标物获取目标物有关信息的一种先进技术，而光谱融合是一种新型的信息处理方法，利用冗余和互补的数据改善输出性能。高光谱成像技术可进行植物种类识别且获取作物各种信息，在植物病害监测方面具有独特的优势，具有操作简便，低杂散光，低失真，高信噪比、图像质量更优秀的优点。现有技术多在单一波段范围内检测植物病害，存在样品涵盖信息不全、模型预测稳定性差等问题。

技术实现要素：

本发明的目的是提供一种基于高光谱成像技术的柑橘黄龙病快速无损检测方法。本发明的方法操作简单，检测速度快，大大缩短了检测周期，成本低，实现了物质的无损检测。

本发明的目的是通过以下技术方案实现的。

一种基于高光谱成像技术的柑橘黄龙病快速无损检测方法，具体步骤如下：

步骤一、采摘柑桔叶片并进行前期处理(洗净、晾干、压平及标号)；

步骤二、利用高光谱成像系统，在可见近红外367～978nm和短波近红外969～2567nm两个范围内采集叶片的高光谱图像，高光谱成像系统的参数设置如下：

可见近红外：相机分辨率为1344×1024像素，光谱分辨率为2.8nm，曝光时间为10.9ms，电动平移台前进速度为0.4cm/s，物镜之间的距离为25cm；

而短波近红外：相机分辨率为1392×1040像素，光谱范围是969～2567nm，光谱分辨率为10nm，电动平移台速度为0.38cm/s，曝光时间为10ms，物镜之间的距离为25cm；

步骤三、进行普通pcr测试，并将所有未损坏叶片筛选为若干类别的样品，例如，可以筛选为轻度、中度、重度、缺素和正常5类样品；

步骤四、取步骤三的样品按照一定的比例(以3:1的比例为最佳)随机划分为预测集和建模集两部分；

步骤五、对步骤四的建模集样品，进行特征变量选择，结合化学计量学方法建立预测模型；

步骤六、用预测集样品(未参与建模样品)对预测模型进行验证，并与pcr测试结果进行对比，确定最佳模型；

步骤七、将待检测叶片进行前期处理(洗净、晾干、压平及标号)后，利用高光谱成像系统，在可见近红外367～978nm和短波近红外969～2567nm两个范围内采集待检测叶片的高光谱图像数据，并将待检测叶片的高光谱图像数据输入到最佳模型中，从而判断是否感染黄龙病。

其中，步骤三所述pcr测试结果为多年研究黄龙病专家视觉挑选的样品进行筛选确认，以保证5类样品的可靠性，并与判别模型预测结果进行对比，来验证模型的预测效果。步骤五所述模型建立，从光谱数据层、特征层和模型决策层出发，分别建立在367～978nm和969～2567nm两个波段范围内的融合模型，用预测集样品进行能力评价，优选最佳模型进行柑橘黄龙病快速检测，模型优化同时精度获得很大改善。步骤六所述对模型的预测结果，结合pcr测试进行对比分析。针对最佳判别模型用1批新样品进行外部验证，该批次包含5类各8个来进行模型验证试验后采用pcr测试，最后得出没有误判样品，与该模型的误判率匹配。

所述的高光谱成像系统可以采用四川双利合谱科技有限公司生产的高光谱成像系统，用漫反射光源照射位于电动平移台(或传送带)上的样品，镜头接收到样品的反射光，传送到成像仪后获得一维图像及光谱。随电动平移台带动样品连续运行，从而得到连续的一维图像以及实时的光谱信息，所有数据被电脑软件记录，最终获得一个包含了图像和光谱信息的三维数据立方体。通过对数据的分析，可对果蔬内、外部信息以及其他类型物品分级、分选所需信息的获取，并通过后续的控制开发，从而可实现对物品的全自动化分选。适合该系统测量的样品大小为300mm(长)×300mm(宽)×100mm(高)，可实现小批量的连续测量。

本发明的方法具有以下有益效果：

1、本发明于两个不同范围内获取高光谱图像，提取相应的光谱；从光谱数据层、特征层和模型决策层3分方面出发来分别建立预测模型，通过对比分析得到最佳模型；

2、本发明操作简单、快捷，可以对黄龙病进行定性分析及病情分级；解决了单一波段范围内样品涵盖信息不全、模型预测稳定性差的问题；具有无损、实用性强、适合大规模的特点；

3、基于光谱融合思想采用高光谱成像技术对柑橘黄龙病进行快速识别，突破了其他采用单一波段光谱柑橘黄龙病检测的局限性，用高光谱成像技术在可见与短波近红外两个波段建立融合模型可用来对黄龙病快速无损检测及病情分类，为其他领域的双波段融合检测研究提供了可能。

附图说明

图1为柑桔黄龙病高光谱成像系统的结构示意图。

图2为高光谱图像结构原理图。

图3为本发明的方法技术路线流程图。

图4为柑桔叶片普通pcr测试结果。

具体实施方式

下面结合附图和实施例对本发明做进一步说明，旨在帮助阅读者更好的理解本发明的实质，但并不能对本发明的实施和保护范围构成任何限定。

图1为高光谱成像系统，该系统包括电动平台/传送带1、样品台2、校正白板4、漫反射光源5、成像镜头6、工作距离调整机构7、高光谱成像仪8、高光谱相机9、计算机10和调焦板11。在使用时，样品3放置在样品台2上，通过工作距离调整机构7调整样品3与成像镜头6的间距，使其合适从而确定高光谱相机9位置；打开漫反射光源5和计算机10，利用计算机上安装的spectraview软件控制与样品台2相连的校正白板4和调焦板11的位置，此时成像镜头6对准校正白板4和调焦板11连接部，开始利用前述软件进行调焦，调焦工作；待调焦完成后，进行图像采集，漫反射光源5发出的光照射在样品3上，反射到成像镜头6，样品3运动的同时相机完成线扫描工作，从而获得一个三维的数据块。

图2为高光谱图像结构原理图，该样品图像是由在波长上的多张二维图片叠加而成的，故其一个坐标轴为波长。λi对应的值即为λi所对应图片上的(xi、yi)处的样品的反射率。

图3为本发明的方法技术路线流程图，实验中首先采摘柑桔叶片若干，通过图2装置获取图像，并进行校正，利用envi4.5软件导出感兴趣区域的平均光谱，同时pcr测试来分类样品，进行特征变量筛选后，从数据层、特征层和决策层3个方面分别建立pls模型，然后为建模样品进行模型预测，对比分析预测结果，根据误判率获取最佳模型，最后用外部样品进行模型验证。

图4为柑桔叶片样品普通pcr测试结果，图中标号17为轻度黄龙病、标号8为中度黄龙病、标号9为重度黄龙病、和标号11、12为缺素依次呈现出亮带，且随轻重等级，亮带颜色越来越重。11、12缺素样品亦呈现亮带，但是其亮带很淡，可能与叶片缺乏营养元素有关；标号19、20为正常样品未出现。m为dna标记用途，是dna凝胶电泳时用来对比，以估算样品dna分子量。其余数字表示叶片所属柑桔树的标号与本试验无关。

以下是本实施例的具体操作步骤：

步骤一、根据果园农业园艺专家的指导，将果园分为a、b、c三个区域，从三个区域，中随机选择15棵果树，采摘叶片总计300个。将所有叶片进行前期处理(洗净、晾干、压平及标号)后在温度为5℃、湿度为70％的冰箱中保鲜。

步骤二、高光谱图像采集前对高光谱成像系统进行预热30min左右，于温度为22℃，湿度60％的室内进行高光谱图像采集，通过spectraview软件进行参数设置。参数设定好后进行调焦操作，其过程为将镜头中线与标准白板与黑板之间的分界线对准，再旋转相机镜头，在调焦窗口可以看到由rgb组成的3条光谱图像。当三色线锋利程度最好时，焦距最合适，从而完成调焦工作。随后将样品正面向上平铺，与标准白板放置在同一水平线上，放置好则可以进行样品图像采集并进行图像黑白标定，标定公式如1所示。

式中，r为标定后图像；is为样品原始图像；id为黑板参比图像；iw为标准白板图像。待所有图像标定后再进行下一步的数据分析处理。

步骤三、依据国标对所有样品进行聚合酶链式反应(polymerasechainreaction，pcr)。分别照jagoueix等和hocquellet等报道委托南京金斯瑞公司合成的引物o1o2与a2j5进行测试。结果对比发现第一个引物的结果更清晰如图4所示。反应结果为阴性的是未患黄龙病样品，阳性为患黄龙病样品。综合染病情况对柑桔产量的影响以及pcr检测结果，将所有样品筛分为轻度黄龙病、中度黄龙病、重度黄龙病、缺素和正常5类样品。

步骤四、进行81个损坏样品的剔除(包括轻度黄龙病叶片26个，中度度黄龙病叶片18个，重度黄龙病叶片13个，缺素叶片24个)。运用matlab软件对剩余的219个样品大致按照3:1比例随机的划分为建模集和预测集，其中建模集包括161个样品(轻度黄龙病24个、中度黄龙病叶片31个，重度黄龙病叶片37个，缺素叶片23个、正常叶片46个)，其余的58个作为预测集样品，来考察模型的预测能力。

步骤五、设定5类样品的分类值为[246810]，分类的中间值为分类阈值。运用matlab软件进行pca和spa特征选择各9和26个，从光谱数据层、特征层和模型决策层3个方面出发，结合pls和mlr分别建立定性判别模型。

步骤六、采用58个预测样品进行判别模型对比分析，以误判率作为评判标准，并与pcr测试结果进行对比，便可确定最佳模型。

步骤七、将待检测叶片的高光谱图像数据输入到最佳模型中，以此来判别待检测叶片是否感染黄龙病。