一种鉴别油菜菌核病和灰霉病早期病斑的方法
【技术领域】
[0001] 本发明涉及数字农业技术领域，尤其涉及一种鉴别油菜菌核病和灰霉病早期病斑 的方法。
【背景技术】
[0002] 油菜是我国重要的油料作物，在种植过程中经常受到各种病害的胁迫，导致减产。 油菜的主要病害有菌核病和灰霉病等。菌核病由核盘菌侵染所致，灰霉病由灰葡萄孢菌侵 染所致。两种病害侵染油菜叶片初期时，油菜叶片上都显示出水渍状病斑，难以区分两种病 害，容易造成误判而错过最佳防治时间。如果用一种快速无损的方法准确识别这两种病害， 则可以指导农户施用针对特定病害的农药，提高效率并且最大限度的保护环境。
[0003] 高光谱图像技术将图像处理技术与光谱分析技术相结合，成为近年来数字农业领 域研究的热点。它秉承了光谱和高光谱技术的无损检测的特点，同时利用图像处理技术能 够更准确的识别植株的早期病害。高光谱图像技术已被用于水果品质鉴别、植株营养成分 鉴别、植株病害程度鉴别以及染病植株与健康植株的鉴别等。
[0004] Moshou利用可见和近红外波段高光谱信息鉴别小麦健康叶片、感染黄锈病叶 片和缺氮叶片，用二次判别分析（quadraticdiscriminantanalysis，QDA)和自组织映 射神经网络（self-organizingmapneuralnet)两种分类方法来鉴别这三类叶片，其 不足在于受病害感染的冠层反射光谱存在不稳定性（MoshouD.，BravoC.，WahlenS.， etal.Simultaneousidentificationofplantstressesanddiseasesinarable cropsbasedonaproximalsensingsystemandSelf-OrganisingNeuralNetworks： Proceedingsof4thEuropeanConferenceonPrecisionAgriculture，2003 [C]? Berlin:StaffordJ.，WernerA.，2003 :425-432.MoshouD.，BravoC.，WahlenS.，et al.Simultaneousidentificationofplantstressesanddiseasesinarablecrops usingproximalopticalsensing[J].PrecisionAgriculture，2006,7(3) :149-164. )〇 Qin利用高光谱信息将葡萄柚果实的溃疡病从健康果中分离出来（QinJianwei，Burks T.F. ?KimM.S. ?etal.Citruscankerdetectionusinghyperspectralreflectance imagingandPCAbasedimageclassificationmethod[J].SensingInstrumentfor FoodQualityandSafety，2008,2(3) :168-177.),Qin进一步将葡萄柚果实的溃疡病 从其他种类的病果中分离出来，该研究的分类方法用了 99个波段参与分析，分类精度较 高，但是运算较费时（QinJianwei，BurksT.F.，RitenourM.A.，etal.Detectionof citruscankerusinghyperspectralreflectanceimagingwithspectralinformation divergence[J].JournalofFoodEngineering，2009,93 (2) :183-191.)。李江波用主成分 分析与波段比算法相结合将脐橙溃疡果从脐橙其他种类的病果中分离出来，相对于Qin的 研究降低了运算量（李江波，铙秀勤，应义斌等.基于高光谱成像技术检测脐橙溃疡[J]. 农业工程学报，2010, 26 (8) :222-228.)。
[0005] 但是，采用高光谱图像技术来鉴别同一种植株的症状异常相似的不同病害的研究 较少。T.Rumpf用高光谱信息结合植被指数（VegetationIndices)和支持向量机（Support VectorMachines)将甜菜健康叶片与感染锈病、尾孢菌叶斑病和白粉病等三类甜菜病害 的叶片区分，总鉴别精度超过86%，但是当三种病害两两进行鉴别时精度不理想（Rumpf T.，MahleinA.K.，SteinerU.，etal.Earlydetectionandclassificationofplant diseaseswithSupportVectorMachinesbasedonhyperspectralreflectance[J]. ComputersandElectronicsinAgriculture，2010,74(l) :91-99.)。这是高光谱图像技 术用于鉴别植物病害研究中的一个尚未很好解决的问题。
【发明内容】
[0006] 本发明提供了一种鉴别油菜菌核病和灰霉病早期病斑的方法，该方法能够精确鉴 别油菜叶片上菌核病和灰霉病的早期病斑，鉴别精度高。
[0007] -种鉴别油菜菌核病和灰霉病早期病斑的方法，包括：
[0008] (1)取待测油菜叶片的高光谱图像，再挑选所述高光谱图像的病斑局部的像素；
[0009] (2)计算获得所述像素在681. 95nm~748. 23nm波段的波段比运算值和波段差分 运算值；
[0010] (3)将由所述像素在555. 29nm处的光谱值、所述波段比运算值和波段差分运算值 构成的特征向量输入经训练的最小二乘支持向量机模型，根据输出结果判断病斑类型。
[0011] 具体地，所述最小二乘支持向量机模型的训练方法，包括以下步骤：
[0012] (1)取感染菌核病、灰霉病的油菜叶高光谱图像病斑局部的像素，构成训练集；
[0013] (2)计算训练集中像素在681. 95nm~748. 23nm波段的波段比运算值和波段差分 运算值；
[0014] (3)以由训练集中像素在555. 29nm处的光谱值、在681. 95nm~748. 23nm波段 的波段比运算值和波段差分运算值构成的特征向量作为输入，以像素所在病斑的类型为输 出，训练最小二乘支持向量机模型。
[0015] 所述取感染菌核病、灰霉病的油菜叶高光谱图像病斑局部的像素的方法，包括以 下步骤：
[0016](1)在健康的油菜叶片上接种菌丝块；
[0017](2)获取被感染的油菜叶片的高光谱图像；
[0018] (3)去除高光谱图像中菌丝块所在的区域；
[0019] (4)去除高光谱图像中健康叶肉所在的区域，剩余部分即为高光谱图像的病斑局 部。
[0020] 作为优选，所述去除高光谱图像中菌丝块所在的区域的方法为：将高光谱图像的 每个像素在549.IOnm处的光谱值和679. 42nm光谱值作差，根据差值区分高光谱图像中菌 丝块所在的区域。
[0021] 作为优选，根据512. 05nm处的光谱值区分高光谱图像中的健康叶肉像素和病斑 局部像素。
[0022] 作为优选，所述最小二乘支持向量机模型的超参数y为0. 79214,核函数参数S2 为 4. 4687。
[0023] 本发明还提供了一种鉴别油菜菌核病和灰霉病早期病斑的方法，包括：
[0024] (1)取待测油菜叶片的高光谱图像，再挑选所述高光谱图像的病斑局部的像素；
[0025] (2)计算获得所述像素在681. 95nm~748. 23nm波段的波段比运算值或波段差分 运算值；
[0026] (3)确定分类的阈值，根据所述的波段比运算值或波段差分运算值确定病斑类型。
[0027] 具体地，所述阈值的确定方法为：计算已知样本像素的波段比运算值或波段差分 运算值，绘制接收机操作特征曲线，选择最佳的阈值。
[0028] 作为优选，根据波段比运算值进行分类时，阈值为4. 5 ;根据波段差分运算值进行 分类时，阈值为〇. 6。
[0029] 与现有技术相比，本发明具有以下有益效果：
[0030] 本发明从带有菌核病或灰霉病早期病斑的高光谱图像信息中分析获得特征差异 波段，通过特征波长、波段比运算值和波段差分运算值与最小二乘支持向量机的结合，实现 了菌核病和灰霉病早期病斑的准确分类，与常规的主成分分析方法相比，鉴别精度更高。
【附图说明】
[0031] 图1为本发明高光谱图像系统的结构示意图；
[0032] 其中，1.高光谱成像仪；2.线光源；3.高光谱图像采集与分析软件；4.载物板； 5.电控位移台。
[0033] 图2为油菜菌核病斑与灰霉病斑的高光谱图像；
[0034] I为接种菌核病斑的油菜叶片；II为接种灰霉病斑的油菜叶片；III为I的局部放 大图；IV为II的局部放大图。
[0035] 图3为油菜菌核病与灰霉病发病后第1天（A)、第2天（B)和第3天（C)病斑的平 均光谱图。
[0036] 图4为菌丝块与叶肉组织的平均光谱曲线；
[0037] A为菌丝块与叶肉的光谱曲线；B为健康叶肉与被感染叶肉（两种病斑）的光谱曲 线。
[0038] 图5为油菜菌核病斑、灰霉病斑和两者差值以及健康叶肉的平均光谱曲线。
[0039] 图6为本发明方法中油菜菌核病和灰霉病的波段运算结果；
[0040] 其中，上排图片为菌核病斑，下排图片为灰霉病