基于熒光光譜信息的綠色植物探測(cè)研究

王愛(ài)臣，高斌潔，趙春江,2，徐亦飛，王苗林，閆樹(shù)崗，李 林，魏新華*

1.江蘇大學(xué)農(nóng)業(yè)工程學(xué)院，江蘇 鎮(zhèn)江 212013 2.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097 3.西安交通大學(xué)軟件學(xué)院，陜西 西安 710049 4.南昌慧亦臣科技有限公司，江西 南昌 330009

引 言

農(nóng)作物生長(zhǎng)過(guò)程中受到自然環(huán)境中不同因素的影響和威脅，其中病、蟲(chóng)、草害尤其明顯，嚴(yán)重影響農(nóng)產(chǎn)品的產(chǎn)量和品質(zhì)。如防治不利，易造成農(nóng)作物減產(chǎn)甚至絕收[1]。目前我國(guó)針對(duì)農(nóng)作物病、蟲(chóng)、草害的防治措施主要為化學(xué)防治，粗放式大面積均勻施藥不僅增加了農(nóng)業(yè)生產(chǎn)成本，還給食品安全及生態(tài)環(huán)境帶來(lái)了威脅。精準(zhǔn)對(duì)靶施藥根據(jù)探測(cè)到的靶標(biāo)信息進(jìn)行施藥，通過(guò)只針對(duì)靶標(biāo)的間歇式變量施藥減少農(nóng)藥使用量、提高農(nóng)藥利用率[2]。

對(duì)靶精準(zhǔn)變量施藥的關(guān)鍵在于靶標(biāo)信息的快速有效探測(cè)。針對(duì)農(nóng)作物病、蟲(chóng)、草害化學(xué)防治時(shí)存在以下兩種典型作業(yè)場(chǎng)景：(1)針對(duì)寬株距作物(如玉米)苗期的病蟲(chóng)害防治，作業(yè)對(duì)象為作物；(2)土地休耕期間或作物苗期的雜草，作業(yè)對(duì)象為雜草。以上兩種作業(yè)場(chǎng)景靶標(biāo)分別為作物和雜草，均為綠色植物且無(wú)需區(qū)分具體類別。針對(duì)上述作業(yè)場(chǎng)景，只要探測(cè)出綠色植物并針對(duì)性進(jìn)行精準(zhǔn)對(duì)靶施藥即可有效減少農(nóng)藥使用量。目前針對(duì)田間綠色植物的快速探測(cè)方法主要有機(jī)器視覺(jué)[3]、光譜檢測(cè)[4]和光譜成像技術(shù)[5]。其中，光譜檢測(cè)方法通過(guò)被測(cè)對(duì)象的反射或熒光發(fā)射光譜檢測(cè)目標(biāo)，相比于機(jī)器視覺(jué)和光譜成像技術(shù)，其數(shù)據(jù)量小、處理速度快，且光譜傳感器的結(jié)構(gòu)簡(jiǎn)單、成本低[4]，更適用于上述兩種作業(yè)場(chǎng)景下田間綠色植物的快速探測(cè)。

光譜檢測(cè)方法已被廣泛用于植物的檢測(cè)和分類，如作物-雜草分類和不區(qū)分類別的綠色植物檢測(cè)。在進(jìn)行作物和雜草的分類檢測(cè)時(shí)，目前研究結(jié)果都在理想檢測(cè)條件下得到，在室外開(kāi)放環(huán)境下作物和雜草微弱的光譜差異難以檢測(cè)，難以投入實(shí)際應(yīng)用[6]。相比之下，光譜分析更適用于上述兩種作業(yè)場(chǎng)景下田間綠色植物的快速探測(cè)。鄧巍等[7]利用植物和背景(枯枝、土壤等)的光譜特性確定850與650 nm處反射率的比值為植物判別指數(shù)，可以實(shí)現(xiàn)田間綠色植物的快速探測(cè)。Pott等[8]對(duì)比了不同波段和光譜指數(shù)檢測(cè)田間綠色植物的效果，結(jié)果表明基于組合波段的光譜指數(shù)相比于單波段有更高的檢測(cè)精度。然而上述研究采集的數(shù)據(jù)均為反射率光譜，在采集光譜數(shù)據(jù)前需進(jìn)行暗光譜和參考光譜采集，步驟繁瑣，且可能因外界光照變化多次采集暗光譜和參考光譜。另外，基于多波段的光譜檢測(cè)法由于需要通過(guò)光譜儀獲取多波段光譜信息，硬件成本較高，且數(shù)據(jù)量較大影響處理速度，難以投入實(shí)際應(yīng)用。

本文針對(duì)上述農(nóng)作物病、蟲(chóng)、草害化學(xué)防治時(shí)兩種典型作業(yè)場(chǎng)景下精準(zhǔn)對(duì)靶施藥的需求和基于反射率多波段光譜檢測(cè)方法在應(yīng)用中存在的問(wèn)題，研究利用主動(dòng)光源照射下綠色植物熒光光譜信息探測(cè)綠色植物的方法，首先通過(guò)建立基于多波段光譜信息的分類模型驗(yàn)證該方法的可行性，再通過(guò)優(yōu)選主動(dòng)光源類型和單一連續(xù)光譜波段實(shí)現(xiàn)基于單波段光譜的綠色植物探測(cè)，為開(kāi)發(fā)低成本綠色植物探測(cè)傳感器提供理論依據(jù)。

1 實(shí)驗(yàn)部分

1.1 樣本

選取的樣本包括綠色植物[圖1(a)]和非綠色植物[圖1(b，c)]。綠色植物樣本[圖1(a)]包括7種綠色植物葉片，每種植物選取20片葉片，共140個(gè)綠色植物樣本；非綠色植物樣本包括三種仿綠色植物[圖1(b)]和四種土壤樣本[圖1(c)]，同樣每種有20個(gè)樣本，共140個(gè)非綠色植物樣本。

圖1 實(shí)驗(yàn)樣本(a)：綠色植物；(b)，(c)：非綠色植物Fig.1 Different samples(a)：Green plants；(b),(c)：Others

1.2 光譜采集

光譜采集系統(tǒng)包括LED光源、接收光纖(QP400-1-VIS-NIR，海洋光學(xué))、光譜儀(USB2000+，海洋光學(xué))、USB數(shù)據(jù)線以及PC計(jì)算機(jī)。接收光纖直徑為400 μm，數(shù)值孔徑為0.22，對(duì)250～1 000 nm波長(zhǎng)之間的光具有較強(qiáng)的傳輸能力。光譜儀測(cè)量范圍為340～1 050 nm，光譜分辨率為0.35 nm。為優(yōu)選低成本主動(dòng)光源，光源采用經(jīng)濟(jì)實(shí)用的LED光源，其內(nèi)部發(fā)光原件為發(fā)光二極管。根據(jù)二極管內(nèi)部P-N結(jié)材料，LED光源可直接發(fā)出不同波長(zhǎng)的光。為更好的激發(fā)綠色植物的葉綠素?zé)晒?，光源選擇了白色(復(fù)合光)、藍(lán)色和紅色LED，其光譜覆蓋范圍如圖2所示。

圖2 白色、藍(lán)色和紅色LED光源光譜Fig.2 Spectra of white,blue and red LEDs

如圖3所示，接收光纖豎直固定，樣本置于接收光纖正下方約5 cm處，LED光源固定于樣本斜上方，與接收光纖的夾角約為40°。為方便后續(xù)綠色植物探測(cè)傳感器開(kāi)發(fā)，本研究采集的光譜為樣本光譜強(qiáng)度。為研究不同檢測(cè)環(huán)境下LED光源和檢測(cè)方法的有效性，本研究采集了白天室內(nèi)自然光照、白天太陽(yáng)直射、白天無(wú)太陽(yáng)直射和夜晚黑暗環(huán)境四種場(chǎng)景下的樣本光譜。

圖3 光譜采集系統(tǒng)示意圖Fig.3 Schematic diagram of spectra collecting system

1.3 光譜預(yù)處理

光譜儀檢測(cè)范圍為340～1 050 nm，考慮到光譜儀自身檢測(cè)性能、光源光譜特征以及綠色植物的主要熒光反射波段(600～800 nm)，選取650～850 nm波段的光譜數(shù)據(jù)進(jìn)行分析。由于光的散射、樣本和檢測(cè)器的距離變化以及樣品的物理特性，原始光譜數(shù)據(jù)常包含噪聲，使用一定的預(yù)處理方法可以減輕這些干擾[6]。本文使用均值歸一化[9]預(yù)處理減弱噪聲，均值歸一化公式如式(1)所示。

(1)

式(1)中，RN(λ)為歸一化后的樣本光譜，R(λ)為測(cè)得樣本的原始光譜，n為波段數(shù)，a和b分別為計(jì)算開(kāi)始和終止的波段。

1.4 基于多波段光譜特征的綠色植物探測(cè)

光譜的多波段特征包含更加全面的光譜信息，能夠提高綠色植物判別分類模型的準(zhǔn)確率。本文首先基于全波段光譜(650～850 nm)通過(guò)簇類獨(dú)立軟模式法(soft independent modelling of class analogy,SIMCA)和線性判別分析方法(linear discriminant analysis,LDA)建立基于全波段(650～850 nm)光譜的綠色植物與非綠色植物判別分類模型。SIMCA方法首先建立綠色植物與非綠色植物兩個(gè)類別的主成分分析(PCA)模型，之后通過(guò)計(jì)算上述兩類PCA模型的類間馬氏距離建立判別模型，并依據(jù)該模型對(duì)未知樣本光譜進(jìn)行分類以確定相應(yīng)類別[6]。LDA方法根據(jù)“投影后類內(nèi)方差最小、類間方差最大”原則將高維樣本投影到低維空間，并在低維空間中尋找合適的判別閾值，實(shí)現(xiàn)樣本的準(zhǔn)確分類。采用Unscramble X軟件建立SIMCA和LDA分類模型，模型建立采用均值歸一化后的光譜數(shù)據(jù)，其中224個(gè)樣本光譜數(shù)據(jù)用于建模集，其余56個(gè)樣本光譜數(shù)據(jù)作為預(yù)測(cè)集。

1.5 基于單波段光譜的綠色植物探測(cè)

基于多波段光譜特征的檢測(cè)方法雖然檢測(cè)精度較高，但由于需要通過(guò)光譜儀獲取多波段光譜信息，硬件成本較高，且多波段光譜數(shù)據(jù)量較大影響處理速度，難以投入實(shí)際應(yīng)用。因此，本研究通過(guò)優(yōu)選單一的連續(xù)光譜波段實(shí)現(xiàn)綠色植物探測(cè)，在實(shí)際應(yīng)用時(shí)可通過(guò)單濾光片組合光電傳感器的信號(hào)探測(cè)方式實(shí)現(xiàn)信號(hào)檢測(cè)，為開(kāi)發(fā)低成本綠色植物探測(cè)傳感器提供理論依據(jù)。

在進(jìn)行單波段優(yōu)選時(shí)，建立綠色植物與非綠色植物的分類目標(biāo)函數(shù)J(λ1，λ2)，波長(zhǎng)λ1和λ2之間為連續(xù)波段，且λ1可以等于λ2，即優(yōu)選的波段為單一波長(zhǎng)。在建立分類目標(biāo)函數(shù)時(shí)，優(yōu)選的波段應(yīng)能使綠色植物和非綠色植物兩類的類間離散度Jb最大、類內(nèi)離散度Jw最小，所以分類目標(biāo)函數(shù)定義為[10]

(2)

(3)

(4)

于是，單波段優(yōu)選問(wèn)題轉(zhuǎn)換為求目標(biāo)函數(shù)J(λ1，λ2)在光譜波段650～850 nm的極大值問(wèn)題。本研究在求解極大值時(shí)通過(guò)粒子群算法(PSO)實(shí)現(xiàn)。PSO算法模擬了鳥(niǎo)群在覓食時(shí)互相交流路徑的現(xiàn)象，通過(guò)初始化一群N維粒子X(jué)i=(x1，x2，x3，…，xn)，不斷迭代尋找適應(yīng)函數(shù)的極值解，在每一次迭代過(guò)程中，粒子通過(guò)跟蹤兩個(gè)“極值”(個(gè)體最優(yōu)解Pi以及全局極值Pb)來(lái)更新自己，能有效避免局部最優(yōu)解的發(fā)生[11]。本研究種粒子維度設(shè)置為2(波長(zhǎng)λ1和λ2)，且求解過(guò)程存在以下約束條件

650≤λ1≤λ2≤850

(5)

在進(jìn)行單波段優(yōu)選時(shí)，將280個(gè)樣本劃分為200個(gè)校正集(100個(gè)綠色植物和100個(gè)非綠色植物)和80個(gè)獨(dú)立預(yù)測(cè)集(40個(gè)綠色植物和40個(gè)非綠色植物)?？紤]到基于優(yōu)選單波段光譜的綠色植物探測(cè)傳感器實(shí)用性，PSO優(yōu)化和建立基于優(yōu)選單波段光譜的綠色植物判別模型時(shí)使用原始光譜數(shù)據(jù)。PSO算法基于Python 3.8實(shí)現(xiàn)。單波段優(yōu)選后以優(yōu)選波段內(nèi)的光譜能量值積分作為樣本的特征參數(shù)，以校正集中兩類樣本特征參數(shù)均值的平均數(shù)作為判別閾值建立分類模型。

1.6 模型評(píng)價(jià)

對(duì)于二分類模型，通過(guò)精確度(Precision)、召回率(Recall)和F1-score[12]評(píng)價(jià)模型分類效果，三者公式分別如式(6)—式(8)所示

(6)

(7)

(8)

對(duì)于SIMCA，會(huì)存在無(wú)法識(shí)別的問(wèn)題，即某未知樣本被判別為既不屬于第一類也不屬于第二類，采用識(shí)別率和拒絕率評(píng)價(jià)模型效果[13]，二者公式分別如式(9)和式(10)

(9)

(10)

2 結(jié)果與討論

2.1 光譜特征分析

圖4所示為白色、藍(lán)色和紅色LED光源照射下不同樣本的均值歸一化反射光譜。白色LED光源覆蓋波段的兩個(gè)波峰約為450和550 nm[圖4(a)]，藍(lán)色LED光源覆蓋波段的波峰約為463 nm[圖4(b)]，紅色LED光源覆蓋波段的波峰約為629 nm[圖4(c)]。在進(jìn)行反射光譜采集時(shí)，樣本表面可能存在的鏡面反射光會(huì)導(dǎo)致光源波峰處光譜能量值飽和，因此光源覆蓋的波段不在考慮范圍內(nèi)。在三種LED光源照射下，綠色植物的光譜在740 nm附近有明顯波峰，在685 nm附近也有較為明顯的波峰。三種LED光源的波段均沒(méi)有覆蓋685和740 nm，這兩處的光譜波峰為光源照射下綠色植物葉片被激發(fā)的葉綠素?zé)晒獍l(fā)射光譜[14]，而非綠色植物樣本在這兩處均沒(méi)有波峰。因此，這兩處綠色植物的熒光發(fā)射特性可作為探測(cè)綠色植物樣本和非綠色植物樣本的重要依據(jù)。三種光源照射下所有樣本在670～900 nm范圍內(nèi)光譜特征一致，其中在藍(lán)色LED照射下綠色植物在685 nm處的熒光發(fā)射較白色和紅色LED照射時(shí)更為明顯。白天室外場(chǎng)景下，所有樣本的光譜在688和720 nm附近存在輕微的波谷，764 nm附近存在明顯的波谷，這是由于大氣對(duì)日光的吸收造成的[15]。

圖4 白色、藍(lán)色和紅色LED光源照射下不同樣本歸一化光譜Fig.4 Normalized spectra of different samples illuminated by white,blue and red LEEs

2.2 基于多波段光譜特征的綠色植物探測(cè)

(1)SIMCA

圖5為對(duì)歸一化光譜數(shù)據(jù)進(jìn)行PCA分析后的第一、第二主成分得分圖。在不同LED光源照射下，樣本分布均存在不同類別樣本之間距離較近的情況，說(shuō)明環(huán)境光對(duì)于光譜數(shù)據(jù)的影響較大，但不同類別樣本沒(méi)有出現(xiàn)重疊現(xiàn)象，為后續(xù)樣本分類的可能性提供了依據(jù)。三種光源照射下樣本光譜數(shù)據(jù)前兩個(gè)主成分的方差貢獻(xiàn)率均大于90%，表明前兩個(gè)主成分可描述光譜數(shù)據(jù)的大部分信息。白色、藍(lán)色和紅色LED照射下樣本光譜前兩個(gè)主成分累計(jì)方差貢獻(xiàn)率分別為94%、97%和90%。所以在建立PCA模型時(shí)主成分?jǐn)?shù)選為2。

圖5 白色(a)、藍(lán)色(b)和紅色(c)LED光源照射下樣本光譜的第一、第二主成分得分圖Fig.5 PCA scores of the first two principal components of sample spectra under illumination of white (a),blue (b)and red (c)LEDs

針對(duì)兩類樣本分別建立PCA模型，然后通過(guò)SIMCA進(jìn)行分類預(yù)測(cè)，三種LED光源照射下SIMCA模型的分類結(jié)果如表1所示。對(duì)于校正集所有模型的識(shí)別率均達(dá)到96%以上，對(duì)于驗(yàn)證集所有模型的識(shí)別率均達(dá)到92%以上，表明模型識(shí)別本類樣品的能力較強(qiáng)，僅有少數(shù)樣本未被正確識(shí)別。所有模型的拒絕率均為100%，表明模型拒絕其他類樣本的能力很強(qiáng)，不會(huì)把其他類樣本識(shí)別為本類樣本。綜合來(lái)看，紅色LED光源照射下樣本SIMCA模型的效果最好，藍(lán)色LED光源照射下樣本SIMCA模型的效果其次，但相差不大。

表1 綠色植物與非綠色植物的SIMCA分類結(jié)果Table 1 Discriminant results of green plants and others by SIMCA

(2)LDA

圖6為三種LED光源照射下校正集樣本LDA分析的判別距離圖，其可視化了LDA分類模型對(duì)校正集樣本的分類效果。判別距離圖中樣本位置越接近任一坐標(biāo)軸的零點(diǎn)則說(shuō)明其更具備該坐標(biāo)軸類別特征，因此當(dāng)判別距離圖中樣本準(zhǔn)確緊貼于上、右坐標(biāo)軸時(shí)說(shuō)明LDA模型具備強(qiáng)分類能力。圖6中藍(lán)色[圖6(b)]、紅色LED光源[圖6(c)]照射下大多數(shù)樣本較好的分布于上、右坐標(biāo)軸附近，但均存在一個(gè)綠色植物樣本更靠近非綠色植物坐標(biāo)零點(diǎn)。結(jié)合表2校正集LDA分類結(jié)果的混淆矩陣可以看出，藍(lán)色、紅色LED光源照射下樣本LDA模型對(duì)這兩個(gè)樣本產(chǎn)生了誤識(shí)別，而白色LED光源照射下的樣本LDA模型則準(zhǔn)確識(shí)別了校正集全部樣本。為進(jìn)一步驗(yàn)證LDA模型的可靠性，使用LDA模型對(duì)預(yù)測(cè)集樣本進(jìn)行分類，表2預(yù)測(cè)集分類混淆矩陣顯示三種LDA分類模型均能準(zhǔn)確識(shí)別出預(yù)測(cè)集所有樣本，表明三種LED光源照射下樣本的LDA模型分類性能穩(wěn)定，同時(shí)這也表明對(duì)于歸一化光譜數(shù)據(jù)來(lái)說(shuō)，各類LED光源的LDA模型相較于SIMCA模型具備更強(qiáng)的分類能力。

表2 綠色植物和非綠色植物的LDA分類混淆矩陣Table 2 Confusion matrix of LDA models for classifying green plants and others

圖6 白色(a)、藍(lán)色(b)和紅色(c)LED光源照射下樣本的LDA判別距離圖Fig.6 LDA distances for green plants and others under illumination of white (a),blue (b)and red (c)LEDs

2.3 基于單波段光譜特征的綠色植物探測(cè)

表3所示為三種LED光源照射下通過(guò)PSO優(yōu)選的單波段光譜，及通過(guò)該單波段光譜特征建立的判別分析模型判別綠色植物和非綠色植物的結(jié)果。白色、藍(lán)色和紅色LED光源照射下優(yōu)選的光譜波段均為單波長(zhǎng)，分別為731.1,730.76和731.1 nm。這兩個(gè)波長(zhǎng)均在LED光源照射下綠色植物葉片被激發(fā)的葉綠素?zé)晒獍l(fā)射光譜范圍內(nèi)，而非綠色植物在該波段范圍內(nèi)沒(méi)有葉綠素?zé)晒?，說(shuō)明730 nm附近的植物葉綠素?zé)晒馐菂^(qū)分綠色植物和非綠色植物的重要光譜特征，可以作為開(kāi)發(fā)綠色植物探測(cè)傳感器的光譜波段。通過(guò)PSO得出最佳光譜波段后，以最佳光譜波段處的光譜能量值作為特征信息，分別計(jì)算綠色植物和非綠色植物兩類樣本的光譜能量值均值，并以這兩個(gè)均值的均值作為分類判別閾值建立判別分析模型，分別對(duì)校正集200個(gè)樣本和預(yù)測(cè)集80個(gè)樣本進(jìn)行分類，結(jié)果如表3所示。綜合效果上，藍(lán)色LED光源照射下兩類樣本分類效果最好，校正集和預(yù)測(cè)集F1-score分別為83.98%和80.52%，紅色LED光源效果其次，白色LED光源效果最差。相比于基于多波段光譜信息的判別分析模型，基于單波段光譜信息的判別效果明顯差，這一方面是由于單波段光譜信息采用的是原始光譜信息，另一方面由于單波段光譜本身包含的特征信息也少。另外，本實(shí)驗(yàn)所用光譜是在四種環(huán)境下采集的，在室外尤其是有太陽(yáng)直射的環(huán)境下，由于太陽(yáng)光譜的覆蓋范圍較廣(圖4)，在很多情況下太陽(yáng)光在730 nm附近光譜能量值比植物葉綠素?zé)晒獍l(fā)射值要高，這就導(dǎo)致了較多的誤判，影響檢測(cè)效果。

表3 單波段光譜優(yōu)選及綠色植物-非綠色植物判別結(jié)果Table 3 Optimized single waveband and corresponding discriminant

3 結(jié) 論

研究了白色、藍(lán)色和紅色LED主動(dòng)光源照射下基于熒光光譜信息探測(cè)綠色植物的方法。結(jié)果表明，三種光源照射下基于多波段光譜信息的SIMCA模型對(duì)預(yù)測(cè)集的識(shí)別率均達(dá)到92%以上，拒絕率均為100%；三種LDA分類模型均能準(zhǔn)確識(shí)別出預(yù)測(cè)集所有樣本，檢測(cè)效果優(yōu)于SIMCA模型，且三種LED光源的效果無(wú)顯著差異。通過(guò)PSO優(yōu)選單波段原始光譜并建立綠色植物和非綠色植物的閾值分類模型，白色、藍(lán)色和紅色LED光源照射下優(yōu)選的光譜波段分別為731.1,730.76和731.1 nm，預(yù)測(cè)集的F1-score分別為76.71%，80.52%和78.48%，藍(lán)色LED光源的效果最好。本文優(yōu)選的主動(dòng)光源類型和連續(xù)檢測(cè)波段可為開(kāi)發(fā)基于單波段的低成本綠色植物探測(cè)傳感器提供理論依據(jù)。