基于高光譜成像技術(shù)的小麥條銹病病害程度分級方法

雷 雨 韓德俊 曾慶東 何東健

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100；2.西北農(nóng)林科技大學(xué)農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100； 3.西北農(nóng)林科技大學(xué)農(nóng)學(xué)院， 陜西楊凌 712100；4.西北農(nóng)林科技大學(xué)旱區(qū)作物逆境生物學(xué)國家重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100；5.陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100)

0 引言

由條形柄銹菌(Pucciniastriiformisf. sp.tritici)引起的小麥條銹病是我國西北、西南、華北和淮北等冬麥區(qū)和西北春麥區(qū)小麥的重要病害，特大流行年份可致小麥減產(chǎn)50%～60%，對我國糧食安全生產(chǎn)具有重大威脅[1-3]。小麥葉片感染條銹病后，產(chǎn)生2～3 nm的橢圓形黃色夏孢子堆，沿葉脈成行排列[4-5]。在我國，小麥條銹病是重要的防控對象，國家投入大量的人力和物力用于該病的調(diào)查和監(jiān)測。葉片病害程度是病情指數(shù)的重要參數(shù)，傳統(tǒng)小麥條銹病病情調(diào)查完全靠人工憑經(jīng)驗(yàn)在田間進(jìn)行[6]，對病害程度進(jìn)行目測定級。然而，這種識別和分級方法不僅效率低、勞動強(qiáng)度大，且因調(diào)查人的主觀判斷差異導(dǎo)致識別精度低，分級誤差較大。因此，尋求一種快速、準(zhǔn)確的小麥條銹病監(jiān)測方法具有重要意義。

光譜技術(shù)是植物病害檢測中常用的一種監(jiān)測技術(shù)，具有無損、無污染、高效等特點(diǎn)。目前，已有光譜技術(shù)[7-12]應(yīng)用于小麥條銹病檢測方面的研究。李小龍等[13]利用近紅外光譜技術(shù)結(jié)合偏最小二乘法對小麥條銹病嚴(yán)重度進(jìn)行了分級識別。然而，可見近紅外光譜技術(shù)只能獲取被檢測對象上點(diǎn)的光譜信息，無法獲取目標(biāo)物整體綜合信息。致使小麥條銹病早期識別檢測較為困難，特別表現(xiàn)在發(fā)病初期小病斑的檢測識別上，其檢測精度較低。高光譜成像技術(shù)(Hyperspectral images)是一種融合了被測對象的圖像信息和光譜信息的新技術(shù)，具有多波段、高分辨率與圖譜合一等優(yōu)點(diǎn)[14]。目前，該技術(shù)已廣泛應(yīng)用于植物病害診斷[15-17]、農(nóng)產(chǎn)品品質(zhì)檢測[18-19]、作物生長狀態(tài)監(jiān)測[14, 20]等。近年來，有學(xué)者將該技術(shù)應(yīng)用于植物病害脅迫診斷研究并取得了初步進(jìn)展。MOSHOU等[21]結(jié)合自組織映射神經(jīng)網(wǎng)絡(luò)(Self-organizing map, SOM)及二次判別分析(Quadratic discriminant analysis, QDA)，在冠層尺度上利用光譜圖像識別和檢測了小麥條銹病害的信息。文獻(xiàn)[4,22]利用機(jī)載高光譜成像技術(shù)在冠層尺度上對冬小麥條銹病害程度進(jìn)行了預(yù)測。鄭志雄等[23]利用高光譜成像技術(shù)對水稻葉瘟病病害程度進(jìn)行分級評估，分級正確率達(dá)到96.39%。LEE等[24]利用航空高光譜成像檢測柑橘黃龍病，通過光譜角制圖(Spectral angle mapping，SAM)和光譜特征擬合(Spectral feature fitting，SFF)進(jìn)行圖像分類。綜上分析表明，可見近紅外光譜技術(shù)可對小麥條銹病嚴(yán)重度進(jìn)行分級，但在發(fā)病初期小病斑的檢測識別上，其檢測精度較低；高光譜成像技術(shù)可對植物病害進(jìn)行診斷，但目前尚無基于高光譜成像技術(shù)進(jìn)行小麥條銹病葉片病害程度識別分級的報(bào)道。故需要研究快速、準(zhǔn)確識別小麥條銹病葉片病害程度的技術(shù)和方法。

本研究以人工接種方式獲得不同發(fā)病程度的小麥條銹病葉片為研究對象，利用HyperSIS高光譜成像系統(tǒng)獲取其高光譜圖像數(shù)據(jù)，結(jié)合化學(xué)計(jì)量學(xué)及圖像處理方法，建立小麥條銹病病害程度的分級方法，以期為小麥條銹病病害程度分級提供一種新方法。

1 供試材料與高光譜圖像采集

1.1 實(shí)驗(yàn)材料

供試小麥材料為小麥品種小堰22，屬易感病品種，經(jīng)浸種、催芽后，于2016年10月20日播種在與西北農(nóng)林科技大學(xué)小麥人工病圃相隔20 m的2塊農(nóng)田區(qū)域(區(qū)域1、2)，播種面積均為200 m2。該病圃位于咸陽市楊凌示范區(qū)崔西溝村，位于34°17′N，103°4′E，海拔高度為510 m，年均降水量為635 ～ 800 mm。待小麥長到拔節(jié)期，用0.02%吐溫-80溶液，將實(shí)驗(yàn)室繁育的新鮮小麥條銹病菌夏孢子配制成質(zhì)量濃度為0.125 mg/mL的孢子懸浮液，于2017年4月10日傍晚在區(qū)域1接種。接種方式為采用人工噴霧接種，即將制備的孢子懸浮液搖勻，均勻噴在葉表面直至葉片完全布滿小水珠為止。接種后用經(jīng)水噴霧處理的塑料薄膜覆蓋過夜，以保持飽和濕度，次日08:30揭去塑料薄膜，以促其發(fā)??；在區(qū)域2利用等量蒸餾水噴霧處理，作為健康對照。

2017年4月25日，于小麥發(fā)病后，連續(xù)7 d采集不同病害等級的葉片樣本。根據(jù)國家標(biāo)準(zhǔn)GB/T 15795—2011《小麥條銹病測報(bào)技術(shù)規(guī)范》中的小麥條銹病嚴(yán)重度分級標(biāo)準(zhǔn)，從區(qū)域1中分別選取發(fā)病嚴(yán)重度為1%、5%、10%、20%、40%、60%、80%和100%的小麥葉片，并以區(qū)域2中健康小麥葉片(嚴(yán)重度記為0%)作為對照，同時(shí)按小麥條銹病嚴(yán)重度級別(0%、1%、5%、10%、20%、40%、60%、80%和100%)分別設(shè)置為1、2、3、4、5、6、7、8、9級。不同嚴(yán)重度葉片和健康葉片各取40片，共計(jì)360片，采摘后立即送回實(shí)驗(yàn)室采集樣品的高光譜圖像數(shù)據(jù)。

1.2 高光譜成像系統(tǒng)

本文使用的高光譜成像系統(tǒng)(HyperSIS- VNIR- QE，北京卓立漢光儀器有限公司，中國)如圖1所示，由可見/近紅外成像光譜儀(ImSpector V10E，Spectra Imaging公司，芬蘭)、CCD相機(jī)(OPCA05G，Hamamastu公司，日本)、4個(gè)100 W鹵素?zé)簟㈦娍匾苿虞d物臺、暗箱以及計(jì)算機(jī)組成。采集光譜所用軟件為SpectralSENS(Gilden- Photonics公司，芬蘭)。成像光譜儀波長范圍為400～1 000 nm，共256個(gè)波段，光譜分辨率為2.5 nm；CCD相機(jī)的分辨率為320像素×250像素；為了確保采集的圖像清晰且不失真，經(jīng)預(yù)備實(shí)驗(yàn)，確定曝光時(shí)間為5 ms，物距為65 cm，圖像采集速度為14 mm/s。

圖1 HyperSIS高光譜成像系統(tǒng)Fig.1 HyperSIS hyperspectral imaging system1.CCD相機(jī) 2.光譜儀 3.鏡頭 4.光源 5.樣本 6.電控移動載物臺 7.暗箱 8.計(jì)算機(jī)

1.3 高光譜圖像采集與校正

為了防止基線漂移，采集高光譜圖像數(shù)據(jù)之前預(yù)熱高光譜成像系統(tǒng)30 min。由于CCD相機(jī)中存在的暗電流及不均勻光強(qiáng)會產(chǎn)生圖像噪聲，故對高光譜成像裝置進(jìn)行黑白校正。首先掃描反射率為100%的標(biāo)準(zhǔn)白板，得到全白的標(biāo)定圖像；然后蓋上攝像頭蓋和關(guān)閉光源采集圖像，得到反射率為零的全黑標(biāo)定圖像；在密閉光箱內(nèi)采集葉片樣本的光譜圖像，其像素區(qū)域在波段i處的光譜反射率R為

(1)

式中Is——樣本光譜圖像

Id——反射率為零的全黑標(biāo)定圖像

Iw——反射率為100%的全白標(biāo)定圖像

由于小麥葉片為細(xì)長條形，為了確保采集到的光譜信息的準(zhǔn)確性和完整性，將5片葉片為1組平鋪于載物臺上，小麥葉片隨載物臺勻速移動，高光譜成像儀在400～1 000 nm波段內(nèi)，采集256個(gè)波段的320像素×250像素的高光譜圖像。

2 小麥條銹病病害程度分級方法

采集的高光譜圖像用ENVI 4.8(Research System Inc, Boulder, Co., 美國)和Matlab 2014a(The Math Works, Natick, 美國)軟件進(jìn)行分析和處理。

2.1 健康與條銹病斑區(qū)域的光譜曲線分析

圖2 健康部位及條銹病病斑部位感興趣區(qū)域光譜曲線Fig.2 Reflectance spectrum of normal and disease regions

用ENVI對采集到的高光譜圖像進(jìn)行裁剪處理，得到360個(gè)不同病害等級的葉片樣本，選取90個(gè)樣本進(jìn)行分析(1～9級樣本各10個(gè))，其余270個(gè)樣本用于驗(yàn)證。用ENVI分別隨機(jī)提取葉片健康部位和條銹病病斑部位感興趣區(qū)域(Region of interest，ROI)各125個(gè)用于光譜分析。分別計(jì)算出健康部位和條銹病病斑部位感興趣區(qū)域的平均光譜，其光譜曲線如圖2所示。由圖2可知，病斑和健康部位的光譜反射率曲線形狀基本相似。在可見光區(qū)530～720 nm波段內(nèi)，條銹病病斑部位反射率比健康部位高，這是由于葉片感染條銹病后，內(nèi)部細(xì)胞組織受到破壞，葉綠素含量減少，導(dǎo)致光譜的吸收減少，小麥病葉的反射率增大[22]。其中，在555 nm附近出現(xiàn)峰值，且兩者差異最大，在680 nm附近波谷處兩者差異顯著。在近紅外光區(qū)750～1 000 nm波段內(nèi)，反射率主要受葉片內(nèi)部結(jié)構(gòu)、生物量、蛋白質(zhì)、纖維素等影響，條銹病斑部位反射率比健康部位高，說明內(nèi)部結(jié)構(gòu)已遭到破壞[25]。同時(shí)，波長在450 nm以下及900 nm以上時(shí)，光譜噪聲較明顯。通過以上分析，故后續(xù)對450～900 nm的高光譜圖像進(jìn)行分析。

2.2 高光譜圖像的掩膜處理

為了將葉片區(qū)域與背景區(qū)域相分離，對可見/近紅外波段采集到的高光譜圖像，用ENVI進(jìn)行掩膜處理，分割處理過程如圖3所示。如圖3c所示，在520～570 nm之間背景(反射率在0.03左右波動)與葉片的病斑區(qū)域與健康區(qū)域的光譜特征有較大差異。為了將葉片區(qū)域從背景中分離出來(圖3a)，分割閾值應(yīng)大于背景的最大反射率，小于葉片的最小反射率，通過對比分析可知，在555 nm時(shí)背景與葉片病斑區(qū)域與健康區(qū)域光譜反射率差異最大，對應(yīng)的高光譜圖像如圖3b所示。故設(shè)定合適的分割閾值便可將背景和葉片分離。經(jīng)過預(yù)實(shí)驗(yàn)可知，分割閾值取0.08時(shí)分割效果最好。分割出的葉片掩膜圖像如圖3d所示，然后將原始圖像與葉片掩膜圖像(單個(gè)葉片圖像)作邏輯與運(yùn)算，得到去除背景后的葉片高光譜圖像如圖3e所示。270個(gè)葉片樣本均進(jìn)行上述處理提取出葉片區(qū)域。

圖3 圖像分割流程Fig.3 Procedure for image segmentation

2.3 病斑高光譜圖像的主成分分析

由于450～900 nm間有180個(gè)波段的高光譜圖像，數(shù)據(jù)量大且相鄰波段之間的相關(guān)性強(qiáng)，造成信息的冗余，從而導(dǎo)致不同波段圖像數(shù)據(jù)間相關(guān)性較大。而主成分分析[26](Principal component analysis，PCA)主要是沿協(xié)方差最大的方向由高維數(shù)據(jù)空間向低維數(shù)據(jù)空間投影，將相關(guān)的1組數(shù)據(jù)，通過正交變換使其變?yōu)?組相互獨(dú)立變量的方法，能夠充分去除相關(guān)性，最大限度地表征原始數(shù)據(jù)的信息，把有用的信息集中到數(shù)目盡可能少的主分量中。因此，本文選擇PCA對高光譜數(shù)據(jù)降維，以消除原始數(shù)據(jù)中的冗余信息。

圖4 原始圖像和基于葉片的前4個(gè)主成分圖像Fig.4 Original image and the first four principal component images by PCA on whole leaf

對掩膜后的高光譜圖像進(jìn)行主成分分析，得出前4個(gè)主成分圖像(PC1～PC4)，如圖4所示。圖4a中偽彩色原始圖像波段選取為：紅(639.89 nm)、綠(550.43 nm)、藍(lán)(469.50 nm)。與圖4a相比，前4幅PC圖像基本上保留了原始圖像的絕大部分信息。比較4幅PC圖像可知，PC1圖像包含了葉片原始數(shù)據(jù)的最多信息，然而葉片健康區(qū)域的灰度較高，與條銹病斑區(qū)域的灰度相近，導(dǎo)致與病斑區(qū)域界線比較模糊，不利于病斑提??；PC3圖像包含病斑信息較少；PC4圖像病斑信息少且噪聲較大；而PC2圖像中條銹病斑與健康區(qū)域的灰度有明顯的差異，利于病斑區(qū)域的分割。故本文選擇PC2圖像作為后續(xù)處理的主成分圖像。

2.4 病斑面積分割方法

高光譜圖像經(jīng)過主成分分析處理后，在PC2圖像中能較完整地體現(xiàn)出條銹病斑與健康區(qū)域的差異。其中亮區(qū)域?yàn)闂l銹病斑，暗區(qū)域?yàn)榻】祬^(qū)域。采用最大類間方差法[27]對PC2圖像中條銹病斑區(qū)域和非病斑區(qū)域進(jìn)行分割處理。具體的步驟為：①用閾值K將像素分為病斑和非病斑區(qū)域，計(jì)算這2個(gè)區(qū)域灰度的類間方差σ2，尋找最優(yōu)閾值K使得σ2最大，使類間分離性最佳。②標(biāo)記每個(gè)獨(dú)立的區(qū)域，計(jì)算每個(gè)區(qū)域的平均灰度值n。③對于PC2圖像中的每一個(gè)獨(dú)立的區(qū)域，如果n大于分割閾值K，則認(rèn)為該區(qū)域內(nèi)所有點(diǎn)均為條銹病斑點(diǎn)；否則，該區(qū)域?yàn)榉遣“唿c(diǎn)，提取出的條銹病斑二值圖像如圖5a所示。④提取掩膜圖像背景的坐標(biāo)信息，根據(jù)坐標(biāo)值相應(yīng)地將二值圖像中背景的灰度變換成與條銹病斑和健康區(qū)域不同的值y，得到的灰度圖像如圖5b所示。⑤為了更好地區(qū)分病斑，將背景區(qū)域、健康區(qū)域和條銹病病斑區(qū)域分別設(shè)置成黑色、綠色和紅色，得到的分割效果如圖5c所示。

圖6 部分病害樣本處理效果Fig.6 Processing effect of partial disease samples

圖5 小麥條銹病斑分割結(jié)果Fig.5 Segmentation results of wheat stripe rust leaf

2.5 小麥條銹病病害程度分級

病害嚴(yán)重度分級是依據(jù)葉面條銹病夏孢子堆所占葉片面積的比率設(shè)計(jì)的，1級為健康樣本，無病斑，而條銹病葉在達(dá)到100%嚴(yán)重度前已經(jīng)枯死，因此根據(jù)文獻(xiàn)[28]將夏孢子堆覆蓋率為35%時(shí)定為100%嚴(yán)重度，病害嚴(yán)重度的計(jì)算公式為

(2)

式中C——病害嚴(yán)重度

A1——單個(gè)葉片的總面積，像素

A2——小麥條銹病病斑的面積，像素

3 結(jié)果與分析

在采集的360個(gè)不同病害等級的葉片樣本中，其中270個(gè)樣本用于驗(yàn)證(以植保專家目測為標(biāo)準(zhǔn))，測試樣本的分級正確率如表1所示。部分病害樣本處理效果如圖6所示。

表1 小麥條銹病病害程度分級測試結(jié)果Tab.1 Test results of disease severity gradingof wheat stripe rust

由表1可看出，270個(gè)測試樣本中，共有5個(gè)樣本被錯(cuò)誤分級，分級平均正確率為98.15%。其中，病害等級為1、3、7、8、9級的測試樣本分級正確率均為100%；病害等級為2級的樣本中，有1個(gè)樣本被誤分為1級，分級正確率為96.67%；病害等級為4級的樣本中，有1個(gè)樣本被誤分為5級，分級正確率為96.67%；病害等級為5級的樣本中，有1個(gè)樣本被誤分為4級，分級正確率為96.67%；病害等級為6級樣本中，有1個(gè)樣本被誤分為5級，1個(gè)樣本被誤分為7級，分級正確率為93.33%。

影響分類正確率的原因有：①高光譜成像儀分辨率的限制。小麥條銹病病斑呈針點(diǎn)狀時(shí)，由于高光譜成像儀分辨率的限制，獲取的高光譜圖像不能將針尖狀條銹病病斑較完整的體現(xiàn)出來，易將2級誤分為1級。②臨界樣本的影響。不同病害級別之間的條銹病病斑受害面積與葉片面積的比值指標(biāo)僅相差1%，如果測試樣本的病害等級處于兩級別之間的臨界點(diǎn)附近，也易被錯(cuò)誤分類。

從生理學(xué)的角度上來看，在小麥?zhǔn)艿綏l銹菌侵染以后，其葉片的內(nèi)部細(xì)胞組織受到破壞，葉綠素濃度也會下降，并且葉片結(jié)構(gòu)也隨之發(fā)生變化，在小麥的葉片表面形成長條狀鮮黃色的銹斑，導(dǎo)致葉片表皮破裂，甚至葉片壞死[29]。病害小麥葉片的高光譜圖像在可見近紅外區(qū)域反映的正是其葉片結(jié)構(gòu)以及其葉綠素特征，表明應(yīng)用高光譜成像技術(shù)對小麥條銹病病害程度進(jìn)行分級是可行的，可為小麥條銹病病害程度分級提供一種新方法。

4 結(jié)論

(1)根據(jù)葉片與背景區(qū)域在555 nm處的光譜差異，通過閾值分割獲得掩膜圖像，并用掩膜圖像對高光譜圖像進(jìn)行掩膜處理，提取了僅含葉片的高光譜圖像；采用PCA方法對高光譜圖像數(shù)據(jù)進(jìn)行降維處理，得到易于區(qū)分條銹病斑和健康區(qū)域的PC2圖像，用PC2圖像可分割出條銹病病斑和健康區(qū)域，克服了葉片尺度上由于病斑小或條銹病病斑與健康區(qū)域灰度差異不明顯而無法檢測的問題。

(2)用條銹病病斑和健康葉片區(qū)域的光譜差異，建立了與植保專家目測抗性分級標(biāo)準(zhǔn)一致的基于高光譜成像技術(shù)的小麥條銹病病害程度分級標(biāo)準(zhǔn)，病害程度的分級正確率為98.15%。該研究可為小麥條銹病的田間病害程度檢測提供基礎(chǔ)，也為小麥條銹病的抗性分級檢測提供了新思路。

1 李振岐，曾士邁. 中國小麥銹病[M]. 北京：中國農(nóng)業(yè)出版社, 2002：1-204.

2 ZHANG D Y, LIN F F, HUANG Y B, et al. Detection of wheat powdery mildew by differentiating background factors using hyperspectral imaging[J]. International Journal of Agriculture and Biology, 2016, 18(4): 747-756.

3 ZHANG J C, YUAN L, PU R L, et al. Comparison between wavelet spectral features and conventional spectral features in detecting yellow rust for winter wheat[J]. Computers and Electronics in Agriculture, 2014, 100: 79-87.

4 HUANG W, LAMB D W, NIU Z, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J]. Precision Agriculture, 2007, 8(4-5): 187-197.

5 CHEN W Q, WELLINGS C, CHEN X M, et al. Wheat stripe (yellow) rust caused byPucciniastriiformisf. sp.tritici[J]. Molecular Plant Pathology, 2014, 15(5): 433-446.

6 韓德俊，王琪琳，張立，等. “西北- 華北- 長江中下游”條銹病流行區(qū)系當(dāng)前小麥品種(系)抗條銹病性評價(jià)[J]. 中國農(nóng)業(yè)科學(xué)，2010，43(14)：2889-2896.

HAN Dejun, WANG Qilin , ZHANG Li, et al. Evaluation of resistance of current wheat cultivars to stripe rust in Northwest China, North China and Middle and lower reaches of Changjiang River epidemic area[J]. Scientia Agricultura Sinica, 2010, 43(14): 2889-2896. (in Chinese)

7 李小龍，馬占鴻，趙龍蓮，等. 基于近紅外光譜技術(shù)的小麥條銹病和葉銹病的早期診斷[J]. 光譜學(xué)與光譜分析，2013，33(10)：2661-2665.

LI Xiaolong, MA Zhanhong, ZHAO Longlian, et al. Early diagnosis of wheat stripe rust and wheat leaf rust using near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2013, 33(10): 2661-2665. (in Chinese)

8 李小龍，馬占鴻，趙龍蓮，等. 基于近紅外光譜技術(shù)的小麥條銹病菌潛伏侵染的檢測[J]. 光譜學(xué)與光譜分析，2014，34(7)：1853-1858.

LI Xiaolong, MA Zhanhong, ZHAO Longlian, et al. Detection ofPucciniastriiformisf. sp.triticilatent infections in wheat leaves using infrared spectroscopy technology[J]. Spectroscopy and Spectral Analysis, 2014, 34(7): 1853-1858. (in Chinese)

9 艾效夷，宋偉東，張競成，等. 結(jié)合冠層光譜和葉片生理觀測的小麥條銹病監(jiān)測模型研究[J]. 植物保護(hù)，2016，42(2)：38-46.

AI Xiaoyi, SONG Weidong, ZHANG Jingcheng, et al. Conbined canopy spectral and leaf physiological observations in model development for wheat stripe rust detection[J]. Plant Protection, 2016, 42(2): 38-46. (in Chinese)

10 張玉萍，馬占鴻. 基于遙感技術(shù)的不同施氮水平下小麥條銹病病情反演研究[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，21(4)：42-51.

ZHANG Yuping, MA Zhanhong. Wheat stripe rust disease index inversion by remote sensing technology under different nitrogen application[J]. Journal of China Agricultural University, 2016, 21(4): 42-51. (in Chinese)

11 WANG H, QIN F, RUAN L, et al. Identification and severity determination of wheat stripe rust and wheat leaf rust based on hyperspectral data acquired using a black-paper-based measuring method[J]. PLOS ONE, 2016, 11(4): 1-25.

12 ZHAO J, HUANG L, HUANG W, et al. Hyperspectral measurements of severity of stripe rust on individual wheat leaves[J]. European Journal of Plant Pathology, 2014, 139(2): 401-411.

13 李小龍，秦豐，趙龍蓮，等. 近紅外光譜技術(shù)的小麥條銹病嚴(yán)重度分級識別[J]. 光譜學(xué)與光譜分析，2015，35(2)：367-371.

LI Xiaolong, QIN Feng, ZHAO Longlian, et al. Identification and classification of disease severity of wheat stripe rust using near infrared spectroscopy technology[J]. Spectroscopy and Spectral Analysis, 2015, 35(2): 367-371. (in Chinese)

14 YU K Q, ZHAO Y R, ZHU F L, et al. Mapping of chlorophyll and SPAD distribution in pepper leaves during leaf senescence using visible and near-infrared hyperspectral imaging[J]. Transactions of the ASABE, 2016, 59(1): 13-24.

15 黃雙萍，齊龍，馬旭，等. 基于高光譜成像的水稻穗瘟病害程度分級方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(1)：212-219.

HUANG Shuangping, QI Long, MA Xu, et al. Grading method of rice panicle blast severity based on hyperspectral image[J]. Transactions of the CSAE, 2015, 31(1): 212-219. (in Chinese)

16 虞佳佳, 何勇. 基于高光譜成像技術(shù)的番茄葉片灰霉病早期檢測研究[J]. 光譜學(xué)與光譜分析, 2013, 33(8): 2168-2171.

YU Jiajia, HE Yong. Study on early detection of gray mold on tomato leaves using hyperspectral imaging technique[J]. Spectroscopy and Spectral Analysis, 2013, 33(8): 2168-2171. (in Chinese)

17 柴阿麗，瘳寧放，田士勛，等.基于高光譜成像和判別分析的黃瓜病蟲識別[J].光譜學(xué)與光譜分析，2010，30(5)：1357-1361.

CHAI A L, LIAO N F, TIAN S X, et al. Identification of cucumber disease using hyperspectral imaging and discriminate analysis[J]. Spectroscopy and Spectral Analysis, 2010, 30(5): 1357-1361.(in Chinese)

18 QIN J W, BURKS T F, RITENOUR M A, et al. Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence[J]. Journal of Food Engineering, 2009, 93(2): 183-191.

19 遲茜，王轉(zhuǎn)衛(wèi)，楊婷婷，等. 基于近紅外高光譜成像的獼猴桃早期隱性損傷識別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(3)：235-241. http:∥www. j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150334&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.03.034.

CHI Qian, WANG Zhuanwei, YANG Tingting, et al. Recognition of early hidden bruises on kiwifruits based on near-infrared hyperspectral imaging technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(3): 235-241. (in Chinese)

20 趙艷茹，余克強(qiáng)，李曉麗，等. 基于高光譜成像的南瓜葉片葉綠素分布可視化研究[J]. 光譜學(xué)與光譜分析，2014，34(5)：1378-1382.

ZHAO Yanru, YU Keqiang, LI Xiaoli, et al. Study on SPAD visualization of pumpkin leaves based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis, 2014, 34(5): 1378-1382. (in Chinese)

21 MOSHOU D, BRAVO C, OBERTI R, et al. Plant disease detection based on data fusion of hyper-spectral and multi-spectral fluorescence imaging using Kohonen maps[J]. Real-Time Imaging, 2005, 11(2): 75-83.

22 HUANG L S, ZHAO J L, ZHANG D Y, et al. Identifying and mapping stripe rust in winter wheat using multi-temporal airborne hyperspectral images[J]. International Journal of Agriculture and Biology, 2012, 14(5): 697-704.

23 鄭志雄，齊龍，馬旭，等. 基于高光譜成像技術(shù)的水稻葉瘟病病害程度分級方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(19)：138-144.

ZHENG Zhixiong, QI Long, MA Xu, et al. Grading method of rice leaf blast using hyperspectral imaging technology[J].Transactions of the CSAE, 2013, 29(19): 138-144. (in Chinese)

24 LEE W S , EHSANI R, ALBRIGO L G. Citrus greening disease (Huanglongbing) detection using aerial hyperspectral imaging[C]∥The Proceedings of the 9th International Conference on Precision Agriculture, 2008.

25 李京，陳云浩，蔣金豹，等. 用高光譜微分指數(shù)識別冬小麥條銹病害研究[J]. 科技導(dǎo)報(bào)，2007，25(6)：23-26.

LI Jing, CHEN Yunhao, JIANG Jinbao, et al. Using hyperspectral derivative index to identify winter wheat stripe rust disease[J]. Science and Technology Review, 2007, 25(6): 23-26. (in Chinese)

26 田有文，程怡，王小奇，等. 基于高光譜成像的蘋果蟲害檢測特征向量的選取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(12)：132-139.

TIAN Youwen, CHENG Yi, WANG Xiaoqi, et al. Feature vectors determination for pest detection on apples based on hyperspectral imaging[J]. Transactions of the CSAE, 2014, 30(12): 132-139. (in Chinese)

27 杜奇，向健勇，袁勝春. 一種改進(jìn)的最大類間方差法[J]. 紅外技術(shù)，2003，25(5)：33-36.

DU Qi, XIANG Jianyong, YUAN Shengchun. An improved method of maximum classes square error[J]. Infrared Technology, 2003,25(5): 33-36. (in Chinese)

28 商鴻生，任文禮，王素梅. 小麥條銹病嚴(yán)重度分級標(biāo)準(zhǔn)圖的探討[J]. 植物保護(hù)，1990，1(1)：31.

29 王利民，劉佳，楊福剛，等. 基于 GF- 1/WFV 數(shù)據(jù)的冬小麥條銹病遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(20)：153-160.

WANG Limin, LIU Jia, YANG Fugang, et al. Winter wheat stripe rust remote sensing monitoring based on GF- 1/WFV data[J]. Transactions of the CSAE, 2017, 33(20): 153-160. (in Chinese)