高光譜的刺五加黑斑病的早期檢測研究

趙 森， 付 蕓， 崔江南， 魯 燁， 杜旭東， 李永亮

長春理工大學(xué)光電工程學(xué)院， 吉林 長春 130022

引 言

刺五加(Acanthopanaxsenticosus)具有益氣健脾、 補(bǔ)腎安神的功效， 作為藥物被廣泛地用于中國醫(yī)藥學(xué)中已有悠久的歷史， 主要分布于東三省、 河北和山西等地。 黑斑病是刺五加常見的一種病害， 它是由半知菌亞門、 鏈格孢屬真菌形成的病菌侵害引起的， 會(huì)侵染根莖葉等不同器官。 該病害常借助于氣流傳播， 尤其是雨季多發(fā)的夏天， 嚴(yán)重時(shí)， 葉片早落， 影響生長[1]， 對于藥圃養(yǎng)殖業(yè)的危害較大。 傳統(tǒng)的診斷方法依賴農(nóng)學(xué)研究人員的判斷和農(nóng)民自身的經(jīng)驗(yàn)， 判別結(jié)果易受主觀因素的影響， 缺乏及時(shí)性和精準(zhǔn)性， 經(jīng)常會(huì)延誤治理病害的最佳時(shí)機(jī)。 因此， 種植業(yè)迫切需要一種實(shí)時(shí)監(jiān)測且自動(dòng)判別病害的有效手段。

近年來， 越來越多的學(xué)者將高光譜成像應(yīng)用到識(shí)別植物葉片及果實(shí)病害的研究中。 結(jié)合化學(xué)計(jì)量法根據(jù)高光譜數(shù)據(jù)建立植物成分的反演模型。 Kong[2]等利用這種方法檢測油菜莖部的菌核病， 不僅給出被病害侵染前后的油菜莖中葉綠素的敏感波長， 而且構(gòu)建出最小二乘支持向量機(jī)(LS-SVM)的反演模型， 標(biāo)定集和預(yù)測集的最佳分類準(zhǔn)確率均在90%以上。 張靜宜[3]等從甜菜尾孢葉斑病的高光譜數(shù)據(jù)中選取前三個(gè)主成分進(jìn)行主成分分析(principal component analysis, PCA)， 雖然在不同程度的病害樣本中存在著部分樣本重疊的現(xiàn)象， 但是， 健康樣本與病害樣本的差別顯著， 運(yùn)用支持向量機(jī)(support vector machine, SVM)的識(shí)別準(zhǔn)確率為88.2%。 在分析稻瘟菌感染的大麥葉片時(shí)， Zhou[4]等也利用前三個(gè)主成分， 根據(jù)光譜反射率的差異準(zhǔn)確地識(shí)別出葉片上的健康與患病部位。 繼而， BP神經(jīng)網(wǎng)絡(luò)、 模糊聚類和支持向量機(jī)等分類方法被用到高光譜的數(shù)據(jù)處理中。 Wang[5]等使用一階導(dǎo)數(shù)法去噪， 并選取前5個(gè)主成分分量作為特征波長， 運(yùn)用支持向量機(jī)和極限學(xué)習(xí)機(jī)的算法分別建立基于特征波長與紋理特征的分類模型， 結(jié)果證明基于數(shù)據(jù)融合的支持向量機(jī)模型的性能更穩(wěn)定， 預(yù)測集正確率達(dá)到98%。 Zhang[6]， Li[7]分別運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)和拓展協(xié)同表達(dá)(extented collaborative representation, ECR)檢測黃瓜葉片的病害， 如， 霜霉病、 白粉病或褐斑病， 識(shí)別正確率達(dá)到92%以上， 且處理時(shí)間更短。 總之， 高光譜成像已經(jīng)廣泛地應(yīng)用于糧食、 水果和蔬菜等植物病害的監(jiān)測中， 并且具有廣闊的應(yīng)用前景。 但是， 由于高光譜成像過程受一定外界因素(如光線和環(huán)境)的干擾， 迫切需要特異性模型的構(gòu)建和數(shù)據(jù)處理的優(yōu)化[8-9]。

本工作以刺五加的黑斑病為研究對象， 利用高光譜成像系統(tǒng)采集到健康葉片和患病葉片的數(shù)據(jù)， 將經(jīng)過PCA變換后得分最高的前四個(gè)主成分作為SVM的輸入向量， 構(gòu)建出刺五加早期黑斑病的分類模型， 再根據(jù)混淆矩陣的幾個(gè)二級(jí)指標(biāo)評(píng)價(jià)不同核函數(shù)對分類器性能的影響。 此外， 對前四種主成分在分類上的差異進(jìn)行了對比。 旨在為高光譜成像技術(shù)在藥用植物的病害監(jiān)測中的應(yīng)用提供實(shí)驗(yàn)基礎(chǔ)。

1 實(shí)驗(yàn)部分

1.1 樣本

實(shí)驗(yàn)中所使用的刺五加樣本均采摘于吉林省長春農(nóng)科院經(jīng)濟(jì)植物研究所(位于： 北緯43°05′， 東經(jīng)125°27′)。 在長春經(jīng)植所研究人員的協(xié)同下， 進(jìn)行了植物葉片病理檢驗(yàn)分析， 證實(shí)已感染刺五加的黑斑病。 2019年9月采集自然狀態(tài)下患病葉片112片及健康葉片52片， 并按照葉片患病區(qū)域的面積大小及患病后葉片的木化程度劃分病害程度的等級(jí)[10]。

圖1 健康樣本與病害樣本的圖片

由于植物光照， 通風(fēng)或個(gè)體差異， 健康葉片存在兩種不同的性狀， 一些葉片表面光亮， 葉綠素含量居于上成， 而另外一些葉片處于植株下端， 光照略少且通風(fēng)差， 表面暗淡無光。 病害葉片也分為兩類， 一類是輕度病害， 其表面變黑， 病株葉片正面有零星黑或褐色小點(diǎn)， 并出現(xiàn)明顯的木質(zhì)化； 另一類是重度病害， 患病區(qū)域逐漸擴(kuò)大， 呈圓形或不規(guī)則的黑色病斑， 邊緣連片， 內(nèi)側(cè)出現(xiàn)亮斑， 并且葉片背面與正面的斑點(diǎn)相同。 按照上述特征將葉片分為四類進(jìn)行建模分析。

1.2 數(shù)據(jù)采集

高光譜成像系統(tǒng)主要由四部分組成， 如圖2(a)所示。 系統(tǒng)包括光譜儀(ImSpector N10E, 400～1 000 nm, Spectral Imaging Ltd., 芬蘭奧盧)、 14 bits的1 600×1 200像素的CCD相機(jī)(Bobcat ICL-1410., 美國弗洛里達(dá))、 雙側(cè)150W鹵素?zé)艟€性光源(IT3900., Illumination Technologies, 美國)、 一維位移臺(tái)(IRCP-0076-400., Isuzu Optics Corp., 中國臺(tái)灣)等等。 整個(gè)系統(tǒng)封裝于暗箱里以避免環(huán)境光的干擾， 采集前需要調(diào)整光學(xué)成像系統(tǒng)， 以及設(shè)置位移臺(tái)的控制參數(shù)。 當(dāng)鏡頭焦距調(diào)整到35～45 cm時(shí)， 得到實(shí)際的采集區(qū)域?yàn)?1～13 cm； 通過實(shí)驗(yàn)發(fā)現(xiàn)， 當(dāng)相機(jī)曝光時(shí)間設(shè)置為22 ms， 并且位移臺(tái)的移動(dòng)速度為5.3 mm·s-1時(shí)， 可以滿足葉片的真實(shí)長寬比的采集要求。 此外， 為了消除空間場的噪聲干擾， 需要進(jìn)行明暗場校正[11]。 葉片一律為正面對準(zhǔn)相機(jī)采集到的光譜數(shù)據(jù)送到上位機(jī)中進(jìn)行數(shù)據(jù)處理， 數(shù)據(jù)處理流程如圖2(b)所示， 具體過程見1.3節(jié)。

圖2 采集系統(tǒng)(a)與數(shù)據(jù)處理流程(b)

1.3 光譜圖像處理

高光譜成像系統(tǒng)采集到刺五加黑斑病的樣本數(shù)據(jù)后， 導(dǎo)入計(jì)算機(jī)進(jìn)行處理。 由于高光譜數(shù)據(jù)的波段多， 具有極高的光譜分辨率， 因而能夠識(shí)別更精細(xì)的特征。 但是， 光譜間相關(guān)性強(qiáng)， 數(shù)據(jù)冗余嚴(yán)重， 就使得高光譜圖像處理及信息提取技術(shù)顯得尤為重要。 高光譜數(shù)據(jù)處理與建模主要使用ENVI5.1(ITT Visual Information Solutions， Boulder， Colorado， 美國)和Matlab(R2014a The Mathworks Inc.， 美國)等軟件。

1.3.1 主成分分析

主成分分析法是一種有效的數(shù)據(jù)降維方法， 它將大量的相關(guān)變量轉(zhuǎn)換為少數(shù)的不相關(guān)變量的組合， 即分離原有變量間的相關(guān)性， 使用少數(shù)變量來表達(dá)總體數(shù)據(jù)集的信息。 由于高光譜的數(shù)據(jù)量隨著波段數(shù)的增加呈指數(shù)量級(jí)的增長， 同時(shí)， 相鄰波段之間高度相關(guān)， 產(chǎn)生大量的冗余信息， 主成分分析法極大地減少了數(shù)據(jù)量， 從而縮短計(jì)算時(shí)間。

1.3.2 感興趣區(qū)獲取

使用ENVI軟件提取樣本的感興趣區(qū)域(region of interest, ROI)是關(guān)鍵的一步， 將直接影響分類模型的性能。 通過對所采集的刺五加葉片的觀察， 確定使用100×100像素的窗口獲取樣本數(shù)據(jù)， 用平均光譜來表征感興趣區(qū)域的特征光譜， 并進(jìn)行平滑處理。

1.3.3 支持向量機(jī)

支持向量機(jī)是一種基于凸二次規(guī)劃理論的統(tǒng)計(jì)學(xué)分類方法， 對樣本具有良好的泛化能力， 根據(jù)待處理數(shù)據(jù)的特點(diǎn)， 可選擇不同類型的核函數(shù)并設(shè)置參數(shù)， 表1給出了四類常用的核函數(shù)的原理及其特點(diǎn)[12]。

表1 四類核函數(shù)的表達(dá)式及其特點(diǎn)

1.3.4 混淆矩陣

混淆矩陣也稱誤差矩陣， 是衡量分類模型準(zhǔn)確度的一種簡單、 直觀的方法。 采用其二級(jí)指標(biāo)， 包括總體分類精度、 Kappa系數(shù)、 錯(cuò)分誤差和漏分誤差， 比較不同核函數(shù)對分類器性能的影響。

2 結(jié)果與討論

2.1 光譜曲線分析

將葉片劃分成四類樣本： ①健康(亮部)， 即Health(L)。 ②健康(暗部)， 即health(D)。 健康樣本出現(xiàn)亮暗差異的原因有： 實(shí)驗(yàn)環(huán)境下外界光照不均勻， 葉片存在彎折卷曲； 生長中植株尖端的葉片受光照面積大且通風(fēng)好， 表面油光； 而植株底部的葉片受光面積小， 通風(fēng)差葉片暗淡許多。 ③輕度病害， 即Mild Disease(M)， 表現(xiàn)出葉片的暗色小點(diǎn)狀。 ④重度病害， 即Severe Disease(S)， 顯現(xiàn)出大斑塊， 斑塊邊緣呈現(xiàn)暗黑色， 中心區(qū)域更暗， 與周圍的光譜差異明顯。 從圖像空間上， 很難分辨出健康亮部和嚴(yán)重病害的差異， 容易造成錯(cuò)判。 然而， 在光譜空間上， 可以清晰地分辨兩者的差異， 準(zhǔn)確地定義健康與患病樣本， 見圖3。 這恰好體現(xiàn)了高光譜成像技術(shù)中“圖譜合一”的優(yōu)越性。

圖3中四類樣本的光譜曲線反映了在各個(gè)波段下樣本的平均反射強(qiáng)度。 從中看出， 健康樣本和病害樣本的光譜差異顯著， 病害樣本的光譜呈現(xiàn)平穩(wěn)上升的趨勢， 沒有起伏或階躍現(xiàn)象， 黑斑病嚴(yán)重的區(qū)域， 光譜反射強(qiáng)度增大； 健康樣本的光譜曲線變化明顯， 在540 nm附近存在峰值形態(tài)， 其原因是葉綠素對540 nm波長的光吸收作用弱； 在620～680 nm波長范圍內(nèi)， 光譜反射率曲線急劇上升， 被稱為綠色植物特有的“紅邊效應(yīng)”特征光譜； 700～900 nm范圍內(nèi)， 健康樣本的反射強(qiáng)度趨于平穩(wěn)， 遠(yuǎn)遠(yuǎn)高于病害樣本的光譜反射強(qiáng)度； 在910 nm波段附近是水和氧的窄吸收帶[13]， 光譜曲線呈現(xiàn)下降趨勢。

圖3 輕度病害、 重度病害、 健康(亮部)和健康(暗部)的光譜曲線

以上分析表明， 高光譜成像技術(shù)能夠檢測到患病前后的葉片中組分含量的變化， 如葉綠素的含量， 以及水和氧等的變化， 說明這些物質(zhì)含量的改變都能夠反映到光譜反射率的變化上。 這表明高光譜成像技術(shù)監(jiān)測植物病害的可行性。

2.2 主成分分析

采用主成分分析法對采集到的高光譜數(shù)據(jù)進(jìn)行降維， 選取累計(jì)貢獻(xiàn)率為95.11%的前四個(gè)主成分， 使光譜維度的個(gè)數(shù)從1 040降至4， 截取面積相同的病害區(qū)域并繪制出這四個(gè)主成分的圖像， 如圖4所示。 其中， 圖4(a)—(d)分別對應(yīng)前四個(gè)主成分(PC1， PC2， PC3和PC4)， (e)為合成RGB圖。 經(jīng)過比較分析發(fā)現(xiàn)： 主成分PC1的貢獻(xiàn)率為92.60%， 此時(shí)健康樣本和患病樣本具有明顯差異， 圖4(a)中可以看出葉脈的分布， 同時(shí)， 嚴(yán)重病害的中心區(qū)域有別于其他患病區(qū)； 主成分PC2的貢獻(xiàn)率為1.56%， 圖4(b)中健康(亮部)和嚴(yán)重病變均被標(biāo)記為藍(lán)色， 而且輕微病害區(qū)域也沒有表現(xiàn)出來； 主成分PC3的貢獻(xiàn)率為0.76%， 不難看出PC3是對于PC2的補(bǔ)充， 將輕微病害區(qū)域基本表達(dá)完全， 但忽略了嚴(yán)重病害區(qū)域的反射強(qiáng)度信息， 并且健康區(qū)域無論亮暗均標(biāo)記為黃綠色； 主成分PC4的貢獻(xiàn)率僅有0.19%， 依然將嚴(yán)重病害區(qū)識(shí)別出來并標(biāo)記為藍(lán)色。 圖4(e)是基于前三個(gè)主成分合成的RGB圖像， 雖然不同病變程度的部分樣本有重疊， 但是， 各類樣本的差異十分明顯， 能夠嚴(yán)格地區(qū)分輕微病害(綠色和黃色)和嚴(yán)重病害(紅色)。

圖4 前四個(gè)主成分與RGB圖像的對比

以上分析表明， 主成分分析法既能很好的保留樣本特征， 又能夠極大地壓縮數(shù)據(jù)量， 為后續(xù)的建模提供方便。

2.3 模型建立及識(shí)別

運(yùn)用四種不同核函數(shù)的支持向量機(jī)法對樣本進(jìn)行建模， 分類結(jié)果見圖5。

圖5可以看出， 基于不同核函數(shù)的SVM的分類器差異不大， 這說明主成分降維較好地保留了原始數(shù)據(jù)的信息； 圖5(a)和(e)中紅色方框顯示在葉脈識(shí)別上兩者存在細(xì)微的差異， 全光譜將其識(shí)別為健康亮部， 而降維之后判別為健康暗部， 說明葉肉和葉脈在組分上略有差異， 而降維處理丟失了這部分信息。 圖5(e)—(h)是降維后再運(yùn)用不同核函數(shù)的SVM建模的分類結(jié)果， 基本沒有差異， 僅在樣本邊界區(qū)域(如粉色方框)有細(xì)節(jié)性差異。 其原因是： 線性核函數(shù)參數(shù)設(shè)置簡單， 忽略了細(xì)節(jié)差異， 雖然區(qū)域劃分鮮明但存在噪點(diǎn)； 徑向基核函數(shù)能夠清晰地區(qū)分輕微病害(黃色)與嚴(yán)重病害(靛色)， 各區(qū)域界限鮮明； 多項(xiàng)式核函數(shù)與徑向基核函數(shù)的識(shí)別效果相近； Sigmoid核函數(shù)參數(shù)調(diào)整復(fù)雜， 存在過擬合現(xiàn)象， 會(huì)淡化細(xì)節(jié)。 相比于前三種核函數(shù)， 在健康暗區(qū)與患病初期的交界處， Sigmoid核函數(shù)會(huì)出現(xiàn)界限模糊的情況。

圖5 SVM采用不同核函數(shù)的對比

隨機(jī)抽取68個(gè)樣本， 其中四類樣本的數(shù)量相同， 從中提取感興趣區(qū)作為測試集， 按照上述方法建模， 基于不同核函數(shù)的SVM模型的識(shí)別結(jié)果見圖6(Ⅰ—Ⅳ)。 “暗色方塊”表示預(yù)測值， “紅色圓點(diǎn)”表示標(biāo)準(zhǔn)值； 橫坐標(biāo)表示樣本編號(hào)， 縱坐標(biāo)表示類型標(biāo)簽： “1”表示健康亮部， “2”表示健康暗部， “3”表示輕微病害， “4”表示嚴(yán)重病害。

圖6 對比不同核函數(shù)的SVM的識(shí)別結(jié)果

從圖6中看出， 四種核函數(shù)均有較好的識(shí)別效果， 但是也有一定的區(qū)別。 線性核函數(shù)雖然計(jì)算速度快， 但是識(shí)別過程受光強(qiáng)反射的影響較大； Sigmoid核函數(shù)采用神經(jīng)網(wǎng)絡(luò)的分類方法， 變量不可控， 訓(xùn)練精度受數(shù)據(jù)集大小的影響， 在識(shí)別健康亮或暗， 以及輕微病害上均存在一定的誤差， 需要進(jìn)一步的實(shí)驗(yàn)改進(jìn)。 目前， 多項(xiàng)式核函數(shù)與徑向基核函數(shù)使用最為廣泛， 本文中多項(xiàng)式核函數(shù)的識(shí)別效果更好， 能夠嚴(yán)格地區(qū)別健康與病害樣本。

2.4 模型精度評(píng)價(jià)

用總體分類精度、 Kappa系數(shù)、 錯(cuò)分誤差和漏分誤差等因子評(píng)價(jià)SVM模型的識(shí)別準(zhǔn)確度[14]， 結(jié)果見表2。 從表中看出， 各種核函數(shù)的分類精度一般在90%左右， 其中， 多項(xiàng)式核函數(shù)的效果最優(yōu)， 達(dá)到92.77%。

表2 總體分類精度和Kappa系數(shù)

表3 錯(cuò)分誤差%

表3和表4的數(shù)據(jù)表明， 對相同條件下采集到的刺五加樣本， 運(yùn)用不同核函數(shù)的支持向量機(jī)算法進(jìn)行建模時(shí)， 健康暗部和嚴(yán)重病害最不易被錯(cuò)分， 只有健康亮部的錯(cuò)分現(xiàn)象明顯， 一般出現(xiàn)在兩類健康區(qū)域的邊界處。 其中， 多項(xiàng)式核函數(shù)的錯(cuò)分誤差和漏分誤差最小。

表4 漏分誤差%

3 結(jié) 論

光譜成像技術(shù)已越來越廣泛地應(yīng)用于植物病害分析。 以刺五加的黑斑病葉片作為研究對象， 采集380～960 nm可見光波段的高光譜數(shù)據(jù)， 運(yùn)用支持向量機(jī)建立病害樣本與健康樣本的分類模型， 利用總體分類精度、 Kappa系數(shù)等因子評(píng)價(jià)基于不同核函數(shù)的SVM建模的分類效果。 結(jié)果證明將高光譜成像技術(shù)應(yīng)用于藥用植物的病害檢測是可行的。

(1) 高維的光譜數(shù)據(jù)經(jīng)過PCA處理后， 由于各個(gè)主成分所包含的信息不同， 因此， 在分類表達(dá)上也有差異。 例如， 本文中PC3清晰地表達(dá)了輕微病害的信息， 而PC4能夠識(shí)別出嚴(yán)重病害樣本。 可以利用主成分之間的差異進(jìn)行某些易混淆組分的劃分；

(2) 基于SVM的分類模型能夠有效地區(qū)分各類樣本。 尤其是在區(qū)分嚴(yán)重病害時(shí)效果最好， 而對健康暗部的識(shí)別效果較差， 錯(cuò)分現(xiàn)象多集中在邊界處， 后續(xù)將就此開展研究；

(3) 采用不同核函數(shù)的SVM算法的分類精度不同， 多項(xiàng)式核函數(shù)的分類精度最高， 錯(cuò)分誤差和漏分誤差最低。 這與核函數(shù)的參數(shù)設(shè)置有關(guān)， 證明核函數(shù)受參數(shù)的影響較大。

致謝：感謝長春理工大學(xué)付蕓老師的指導(dǎo)； 感謝長春經(jīng)濟(jì)植物研究所王娜研究員提供刺五加樣本， 以及在病害鑒別上給與的幫助和指導(dǎo)； 感謝五鈴光學(xué)公司Roger工程師給予高光譜實(shí)驗(yàn)設(shè)備調(diào)試的指導(dǎo)。