基于紅外熱成像邊緣檢測算法的小麥葉銹病分級研究

朱文靜 陳 華 李 林 魏新華 毛罕平 SPANER D

(1.江蘇大學現(xiàn)代農(nóng)業(yè)裝備與技術教育部重點實驗室， 鎮(zhèn)江 212013； 2.江蘇大學農(nóng)業(yè)裝備工程學院， 鎮(zhèn)江 212013；3.阿爾伯塔大學農(nóng)業(yè)生命與環(huán)境科學學院， 埃德蒙頓 T6G 2P5)

0 引言

小麥葉銹病是由小麥隱匿柄銹菌(Pucciniatriticina)引起的一種世界性重要病害，嚴重時可造成40%以上的產(chǎn)量損失。近年來全球氣候變暖以及耕作制度改變更促使小麥葉銹病的發(fā)生和蔓延[1]。病害高發(fā)、過量施藥，從而導致作物產(chǎn)量和質量嚴重下降、農(nóng)田污染嚴重。因此，實時、靈敏、可靠的小麥病害監(jiān)測和預警對小麥科學生產(chǎn)管理具有重要意義。

紅外熱成像技術以其對溫度的高敏感性和可在線檢測特點，目前在電氣[2]、航空[3]、植保[4]、育種[5]和醫(yī)學[6]等領域均有比較成熟的研究成果[7]，在農(nóng)業(yè)生產(chǎn)的諸多領域也有相關的應用[8-9]。在植物病害的檢測方面有較多研究[10-21]。目前基于紅外熱成像技術的圖像處理研究基本圍繞溫度的測量和分析展開，無論是生物或非生物脅迫，主要評價指標為葉片和植株平均溫度(Average temperature, AT)、葉片的最大溫差(Maximum temperature difference, MTD)等[22]。

邊緣檢測是數(shù)字圖像處理的重要內容，是解析作物圖像的前提。其基本原理是利用圖像在邊緣處的階躍性，按照某種方法檢測出邊緣點并將其連接構成分割區(qū)域，從而實現(xiàn)目標與背景的分離。已有研究者將邊緣檢測用于紅外熱像的分析研究。RAZA等[23]采用靜態(tài)小波變換成功提取病害植物的熱像圖和可見光圖輪廓并進行配準。JIAO等[24]研究了桃子表面腐爛的監(jiān)測方法和腐爛部分邊緣的提取和計算方法。王棟等[25]提出一種改進的蟻群算法，能夠在熱像圖邊緣豐富區(qū)域搜索的同時抑制算法結果早熟，縮短運行時間。陳浩等[26]將蟻群算法引入到玉米干旱的熱成像圖處理中，并提出將邊緣檢測用于紅外熱像分析中。李存兵等[27]提出基于小波變換的水果邊緣檢測方法，識別結果優(yōu)于拉普拉斯等其他算法。周建民等[28]利用高低帽算子結合基于直方圖的全局閾值分割紅外熱像圖，識別樹上板栗的空心果和壞死果。目前利用紅外熱成像的邊緣檢測處理開展作物病害分級的研究較少。

本文以感染葉銹病的小麥葉片為研究對象，基于紅外熱成像邊緣檢測算法提取病斑的具體區(qū)域，根據(jù)病斑面積占比確定染病程度和病害等級，最后對病情指數(shù)結果進行相關分析和葉銹病分級。

1 材料與方法

1.1 樣本培育與病毒接種

小麥樣本培育在加拿大阿爾伯塔大學北校區(qū)農(nóng)業(yè)生命與環(huán)境科學學院智能人工氣候生長室進行，如圖1a所示。最高溫度15℃，最低溫度11℃；每天光照時間12 h；光照強度10 000 lx，相對濕度60%～70%。選用加拿大易感病小麥品種Peace，硬粒，其籽粒外皮為紅色，蛋白質含量在14%左右。硬粒小麥品質好，籽粒蛋白質含量高，同樣也是我國普遍種植的小麥品種，且我國小麥蛋白質含量平均為15%左右，與Peace非常接近。從葉銹病的病原菌看，我國與加拿大的葉銹病均由小麥隱匿柄銹菌菌種感染，都是通過孢子萌發(fā)時產(chǎn)生若干個小孢子，侵染轉主寄主，產(chǎn)生銹子器和性子器?；谝陨戏治隹芍幽么驪eace小麥品種與我國易感病小麥品種相似，而小麥葉銹病在我國是極為多發(fā)的小麥真菌病害，從兩國葉銹病的菌種、傳播途徑和侵染方式上看都具有一致性，因此選用該品種進行試驗。因此本文方法在檢測國內感染葉銹病的小麥時也可以使用。

待小麥生長至兩片真葉時進行噴霧接種，如圖1b所示。接種步驟為：①用蒸餾水淋濕生長室內壁，將小麥在濕度較大的空間放置30～45 min。②配置真菌孢子噴霧液，先從超低溫冰箱取出橙紅色粉狀孢子，放置45℃水浴鍋中5 min發(fā)生熱休克反應，然后用吐溫20配置成懸浮液，質量濃度為3 g/mL。③在通風櫥內進行噴霧接種，通風櫥在噴霧前和使用后均用70%乙醇消毒，噴霧器用70%酒精徹底清洗后用蒸餾水洗凈，從上至下進行噴霧，直至麥苗有水滴狀液滴落下即可。④每盆小麥在噴霧后使用一個透明高壓蒸汽袋覆蓋，如圖1c所示。⑤高壓蒸汽袋覆蓋24 h后取下，將小麥放回到生長室。

圖1 樣本培育和噴霧接種現(xiàn)場Fig.1 Sample cultivation and spray inoculation scene

1.2 試驗儀器與圖像采集

試驗儀器為美國菲力爾公司FLIR E6型熱成像儀。該熱成像儀可同時拍攝可見光圖像和紅外熱成像圖像；溫度熱靈敏測量精度為0.06℃；測溫范圍為-20～250℃；拍攝模式為中央點偏重測光模式；視場角為水平45°×垂直34°；瞬時視場5.2×10-3rad；紅外圖像分辨率為160像素×120像素。

紅外熱像圖采集期間，室溫保持在20℃，相對濕度50%，采集背景保持一致。拍攝時按照樣本編號順序取出，拍攝后立即放回生長室，以保障每個樣本的拍攝一致性。

圖2 小麥紅外熱成像圖及預處理后的圖像Fig.2 Infrared thermal imaging and processed image of wheat

1.3 病情指數(shù)獲取

接種12 d后葉面開始出現(xiàn)孢子堆，接種21 d后病害進入盛發(fā)期。根據(jù)我國小麥葉銹病測報調查規(guī)范(NY/T 617—2002)，嚴重度指病葉上葉銹菌夏孢子堆所占面積與葉片總面積的百分比，用分級法表示，分為1%、5%、10%、20%、40%、60%、80%和100%8個級別(Grade，G)。每個級別選取10個葉片作為重復。小麥樣本生長周期為拔節(jié)期向抽穗期過渡；每個樣本拍攝完紅外熱成像圖像后同時記錄下人工調查法獲得的病害等級。具體方法：每株小麥調査倒三葉、倒二葉、旗葉3片葉片，每盆8株小麥，共計24片葉片。反映發(fā)病程度的普遍率I、平均嚴重度S、病情指數(shù)(Disease index，DI)的計算公式為

(1)

(2)

DI=IS

(3)

式中n——發(fā)病葉片數(shù)

N——每盆小麥葉片總數(shù)

si——i級嚴重度，%

ni——i級嚴重度的病葉數(shù)

DI——病情指數(shù)，%

1.4 紅外熱成像圖預處理

整盆小麥植株樣本的紅外熱成像圖如圖2a所示。對紅外熱成像圖進行直方圖均衡化處理。彩色圖像的直方圖均衡化主要是將各個像素歸一化后的灰度值賦給該像素，對圖像的色彩、亮度等信息進行修正，使修正后的圖像更加生動、色彩更加鮮艷，細節(jié)更加突出，如圖2b所示。中值濾波法是一種非線性平滑技術，它將每一像素點的灰度設置為該點某鄰域窗口內所有像素點灰度的中值，是在“最小絕對誤差”準則下的最優(yōu)濾波，中值濾波處理后的圖像如圖2c所示。

對小麥葉銹病的紅外熱成像圖的分析和處理是基于FLIR軟件和Matlab R2010a軟件平臺。

2 結果與分析

2.1 紅外熱成像圖隨病害發(fā)展的溫度動態(tài)分析

平均葉溫的測定方法：每盆小麥樣本固定一個葉片為檢測對象，從接種第1天到接種后12 d，每天拍攝該葉片的紅外熱成像圖，并用FLIR軟件提取葉片區(qū)域的平均溫度。圖3顯示了健康組、潛伏期組和發(fā)病組樣本的平均溫度變化趨勢，結果顯示健康組小麥植株的平均溫度在整個檢測期內的波動范圍為19.5～19.8℃，而發(fā)病組小麥植株平均溫度為18.3～18.7℃。潛伏期組小麥植株平均溫度呈現(xiàn)逐步下降的趨勢，從第1天的19.9℃降至第12天的18.8℃。通過連續(xù)的溫度監(jiān)測，表明接種后第6天染病葉片的溫度較正常葉片下降達0.4℃，隨后溫差逐漸增大，能夠將接種病菌的小麥植株和健康小麥植株區(qū)分開，比人工調查法提前了7 d檢測到病菌感染。一方面表明紅外熱成像能夠在顯癥之前就檢測到病菌的感染，及早施藥可減少用藥量；另一方面，在后續(xù)的邊緣檢測算法中，選用潛伏期組的紅外熱成像圖有助于早期診斷。

圖3 小麥葉銹病平均溫度變化趨勢Fig.3 Changing trend of average leaf temperature in wheat leaf rust

2.2 病斑區(qū)域常規(guī)算法邊緣提取

邊緣檢測算法是圖像處理和計算機視覺中，尤其是特征提取中的一個重要研究方法。然而在可見光圖像中，自然界圖像的邊緣并不總是理想的階梯邊緣。相反，可見光圖像通常受到諸多因素的影響，例如有限場景深度帶來的聚焦模糊，光滑物體邊緣的陰影，以及物體邊緣附近的局部鏡面反射或漫反射等。圖4a為紅外熱像儀采集到的小麥葉片可見光圖像，分別采用較為常用的一階導數(shù)中的最大值和最小值來檢測邊界的Prewitt算子(PO)、Sobel算子(SO)和通過尋找圖像二階導數(shù)過零點來檢測邊界的Canny算子(CO)、Laplacian算子(LO)對可見光圖像進行邊緣提取，提取結果如圖4b～4e所示。

圖4 4種常規(guī)邊緣檢測算子的小麥葉銹病單葉識別結果Fig.4 Four kinds of commonly used edge detection operators for single leaf identification of wheat leaf rust

從圖4b～4e可以看出，PO和SO對病斑區(qū)域的邊緣提取結果存在對混合復雜噪聲處理效果不理想的問題，邊界灰度區(qū)域重影嚴重。而LO和CO由于太追求過細的邊緣，檢測精度降低，背景誤測也較大。這是由于小麥銹病的發(fā)病區(qū)域不集中，而是星星點點，呈現(xiàn)十多處小區(qū)域，這些區(qū)域即發(fā)病嚴重之后產(chǎn)生孢子堆的位置，要將這十多個區(qū)域都提取出來，顯然直接運用常規(guī)的邊緣檢測算子不能實現(xiàn)病害快速分級。

2.3 基于紅外熱成像邊緣檢測算法的病斑面積提取

相對于直接使用常規(guī)邊緣檢測算子，本研究通過提取紅外熱成像圖的溫度信息，對溫度信息的邊界進行劃分，計算病斑面積與葉片面積百分比來對小麥葉銹病進行分級。

圖5為基于紅外熱成像邊緣檢測算法的病害面積提取步驟。圖5a為紅外熱成像原圖，隨著葉銹病真菌的不斷侵入，病菌經(jīng)微傷口進入臨近的活體細胞繁殖，導致蒸騰作用加劇，從而使感病部位水分大量散失，局部溫度下降。由2.1節(jié)的分析可知，葉片平均溫度在潛伏期內會隨著真菌繁殖的加劇從20℃左右下降至18.5℃左右。因此以18.5℃為臨界值對溫度實施閾值劃分，如圖5b所示。通過溫度閾值劃分，將葉片內低于18.5℃的溫度邊緣提取出來，用藍色顯示，如圖5c所示。采用最大類間方差法尋找最合適的閾值，該方法計算出的閾值通常比人為設定的閾值能更好地把灰度圖像轉換為二值圖像，如圖5d所示。進一步對圖像進行分割，計算出葉片總面積和病斑區(qū)域面積，分別如圖5e和圖5f所示。病斑區(qū)域面積與葉片總面積的百分比即為病害的占比指數(shù)。

圖5 基于紅外熱成像邊緣檢測算法的病害面積 提取步驟Fig.5 Extraction procedure of lesion area based on temperature edge

從整體檢測結果看，基于紅外熱成像邊緣檢測算法的病斑面積百分比，可實現(xiàn)葉銹病的等級識別。然而單葉檢測在實際生產(chǎn)中意義不大，為實現(xiàn)整株小麥快速在線檢測的要求，進一步對整株染病小麥的熱成像圖進行分析。整株小麥病害面積提取結果如圖6所示。

圖6 基于紅外熱成像邊緣檢測算法的整株小麥病害 面積提取Fig.6 Area extraction of whole plant disease based on temperature edge detection algorithm

去除花盆部分，僅保留小麥植株部分，從整株小麥的提取結果看，對紅外熱成像原圖進行溫度區(qū)域劃分和低溫區(qū)域提取后，再經(jīng)過圖像二值化、整株面積提取和病斑面積提取后，基于紅外熱成像邊緣檢測算法的病斑面積百分比可以成功提取整株小麥的病害區(qū)域，比單葉病斑區(qū)域的提取結果誤差略大，但提取效果和最終計算結果較優(yōu)。本文通過Photoshop獲取實際病斑位置，并與基于紅外熱成像邊緣檢測算法得到的病斑位置進行比較，兩者結果基本一致，說明該方法的分割性能良好。

2.4 分級識別結果與分析

利用本文算法對40株小麥植株樣本進行處理，得到病斑面積百分比的預測值，并歸入病害嚴重度相應級別。將40株小麥的病斑面積百分比預測值與其病情指數(shù)DI作相關性分析，結果如圖7所示，得到相關系數(shù)R為0.975 5，預測均方根誤差為9.79%。

表1為40株小麥葉銹病整株識別樣本的病情指數(shù)預測結果。從表中可以看出，樣本9、16、33和40的整株識別的定級有誤。樣本9和16將4級誤判為3級，樣本33將4級誤判為5級，樣本40將2級誤判為3級，其余36個樣本均評級正確，總識別正確率達到90%。

圖7 小麥樣本病情指數(shù)與預測值的相關性分析Fig.7 Correlation analysis of predicted value and disease index of wheat samples

%

3 結論

(1)紅外熱成像技術能夠在病原菌侵染的第6天檢測到病菌感染，比人工調查法提前7 d檢測到葉銹病真菌感染。

(2)對40株小麥葉銹病樣本的病斑面積百分比預測值和病情指數(shù)DI作相關性分析，得到相關系數(shù)R為0.975 5，預測均方根誤差為9.79%。40個樣本中有4個樣本定級錯誤，36個樣本定級正確，總識別正確率為90%，說明運用本文算法對小麥葉銹病進行診斷是可行的。