利用數(shù)字圖像顏色特征指數(shù)識別小麥赤霉病

宋英 陳雨欣 楊俊 劉濤 李冬雙 孫成明

摘要：小麥赤霉病是對小麥生長過程有較大影響的病害。為了實現(xiàn)小麥赤霉病的快速識別，本研究利用數(shù)碼相機獲取小麥生長過程中赤霉病發(fā)病前期和發(fā)病中期的RGB圖像，并對RGB圖像的三基色分別進行歸一化，然后計算得到與赤霉病相關性最好的顏色特征指數(shù)（共計12個）。通過對小麥赤霉病前期和中期各20張發(fā)病麥穗顏色特征指數(shù)值與健康麥穗比較分析。結(jié)果表明，12個顏色特征指數(shù)值在不同麥穗類型之間均有差異，其中ExG、ExGR、GLI和MGRVI等4個顏色特征值差異顯著，可用于受到赤霉病感染的麥穗提取。利用人工標記的發(fā)病麥穗對顏色特征指數(shù)識別提取發(fā)病麥穗進行驗證，在小麥赤霉病發(fā)病前期的平均檢測率為90.5%，在小麥赤霉病發(fā)病中期的平均檢測率為88.4%，上述結(jié)果表明基于顏色特征指數(shù)識別小麥赤霉病發(fā)病麥穗是可行的。

關鍵詞：小麥;赤霉病;RGB圖像;顏色特征指數(shù);圖像識別

中圖分類號： TP391.41;S435.121.4+5? 文獻標志碼： A

文章編號：1002-1302（2022）02-0186-06

收稿日期：2021-04-13

基金項目：國家自然科學基金（編號：31671615、31701355、31872852）;國家重點研發(fā)計劃（編號：2018YFD0300805）;江蘇高校優(yōu)勢學科建設工程資助項目（PAPD）;江蘇現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設項目[編號：JATS（2020）100];蘇州市科技計劃（編號：SNG2020040）。

作者簡介：宋 英（1982—），女，江蘇蘇州人，碩士，助理研究員，主要從事農(nóng)作物病蟲害綜合防治工作。E-mail：465078148@qq.com。

通信作者：孫成明，博士，教授，博士生導師，主要從事作物表型信息智能監(jiān)測與圖像識別等方面的研究工作。E-mail：cmsun@yzu.edu.cn。

小麥作為我國的主要糧食作物之一，種植面積的穩(wěn)定及產(chǎn)量品質(zhì)的提升對我國的糧食安全意義重大。病害是影響小麥生產(chǎn)的主要因素，及時有效的病害防治是實現(xiàn)高產(chǎn)穩(wěn)產(chǎn)的重要保證[1]。在小麥常見病害中，赤霉病是多發(fā)病害，也是影響小麥最大的病害之一。赤霉病發(fā)病初期會產(chǎn)生水浸狀斑痕，顏色為淺褐色，位置主要在小穗和穎片上。隨后整個小穗均會染病，嚴重時全部變?yōu)榭蔹S色。如果田間濕度比較大，還會有膠狀霉層（粉紅色）出現(xiàn)在病斑位置。到了發(fā)病后期，小穗上就會產(chǎn)生密集的由病菌子囊殼形成的小顆粒（藍黑色）[2]。赤霉病引起小穗發(fā)病后，會逐漸擴展至整個穗部，甚至連穗軸也枯褐，形成枯白穗，導致小麥產(chǎn)量嚴重下降，品質(zhì)也變劣[3-5]。因此，及時對小麥赤霉病進行監(jiān)測并開展有效防治在小麥生產(chǎn)管理中顯得尤為重要。

利用圖像對作物病害進行識別的研究已開展較多，特別是將顏色特征與模型結(jié)合的方法效果較好[6]。鮑文霞等基于一種多路卷積神經(jīng)網(wǎng)絡對灌漿期感染赤霉病的小麥麥穗圖像進行處理和識別，有效區(qū)分了病變區(qū)域與健康區(qū)域[7]。劉爽等利用圖像特征構(gòu)建了一種可視化的識別算法模型，用于檢測小麥赤霉病籽粒，可以在籽粒無損的前提下實現(xiàn)可視化、快速化、高效化、準確化的小麥赤霉病籽粒識別[8-9]。Zhang等則利用高光譜顯微圖像對冬小麥赤霉病進行分類，識別效果優(yōu)于以前的光譜植被模型[10]。Huang等利用粒子群優(yōu)化方法，基于圖像和光譜融合的方式構(gòu)建了支持向量機模型，實現(xiàn)了對小麥赤霉病穗的識別，準確率達90%以上[11]。

本研究利用近地面RGB圖像，基于不同類型（發(fā)病的和未發(fā)病的）麥穗之間顏色有較大的差異的特性，通過不同的顏色指數(shù)對麥穗進行識別，從而提取出發(fā)病麥穗[6]。該方法流程簡便，容易操作，以期用于小麥赤霉病的快速檢測與識別。

1 材料與方法

1.1 試驗設計

試驗于2017—2019年進行，試驗在江蘇太湖地區(qū)農(nóng)業(yè)科學研究所試驗基地（31°35′N，120°52′E）進行。11月上旬播種，20個小區(qū)，大小為2 m×3 m，小區(qū)隨機排列，每個品種在每個小區(qū)種植2行，行長為 2 m，行距為25 cm，試驗小麥品種分為抗病、常規(guī)、易感3種類型[6]。

1.2 小麥赤霉病接種

準備孢子濃度為104個/mL的赤霉病菌孢子懸浮液，于小麥揚花期接種。接種位置在穗中部小穗的第1朵小花內(nèi)，采用微量進樣器注射接種，每個品種（株系）接種數(shù)量為20個單穗。接種后整個麥穗套袋（透明塑料袋），通過彌霧機人工噴水保濕。接種日期用掛在穗上的紙牌標明，保濕時間為72 h，然后將塑料袋去除[6]。

1.3 圖像獲取方法

1.3.1 圖像獲取設備 本研究利用數(shù)碼相機獲取圖像。所用數(shù)碼相機為SONY A6300，有效像素為2 420萬，存儲卡類型為microSD、microSDHC、microSDXC等。

1.3.2 圖像獲取過程 于接種后7 d開始，每隔 6 d 獲取1次照片，一直到全田大部分麥穗發(fā)病后停止拍照（小麥赤霉病發(fā)病后期）。拍攝時相機距離冠層1 m左右，每個小區(qū)拍攝5張。然后篩選出40張有代表性圖像，發(fā)病前期、發(fā)病中期各20張（圖1、圖2）。

1.4 圖像處理

1.4.1 圖像預處理 采用Matlab2018b對選取的40幅圖像中的麥穗進行顏色RGB提取，每幅標記好的圖像中各選10個發(fā)病麥穗和10個未發(fā)病麥穗，統(tǒng)計其RGB值，然后歸一化處理，歸一化公式如下：

r=RR+G+B

g=GR+G+B

b=BR+G+B。（1）

式中：R、G、B分別表示圖像中紅、綠、藍3個波段的反射值;r、g、b分別表示歸一化的紅、綠、藍3個波段的值。

1.4.2 顏色特征指數(shù)選取 本研究除了使用上述歸一化的r、g、b外，還選擇了8種常用的圖像顏色指數(shù)，計算公式及出處見表1。利用這些顏色指數(shù)對不同類型麥穗進行識別，通過發(fā)病麥穗和健康麥穗之間的顏色特征差異對不同類型麥穗進行識別和提取[6]。

2 結(jié)果與分析

2.1 不同類型麥穗顏色特征指數(shù)分析

基于式（1）、表1中的顏色特征指數(shù)計算方法，得到不同類型麥穗的顏色特征指數(shù)值。在小麥赤霉病前期（圖3），不同類型麥穗的12個顏色特征指數(shù)值之間均有差異。其中基于圖像三基色R、G、B的歸一化指數(shù)r、g、b之間的差異較小，說明直接利用r、g、b來識別赤霉病不太可行。差異達到極顯著水平的顏色特征指數(shù)有ExG、ExGR、GLI和MGRVI，其中ExGR和MGRVI在發(fā)病麥穗中呈負值，在健康麥穗中呈正值，區(qū)分度最高。

在小麥赤霉病中期（圖4），不同類型麥穗的12個顏色特征指數(shù)值之間也有差異，但變化趨勢與前期略有不同。其中g(shù)、b、Dgb、ExR在2個時期2種類型麥穗之間的差值是相反的，其他顏色指數(shù)之間

的差值在2個時期之間是一致的。另外從差異性大小來看，發(fā)病中期和發(fā)病前期的趨勢基本一致，其中r、g、b之間的差異較小，Dgr間的差異也不大。差異達到極顯著水平的顏色特征指數(shù)有Dgb、ExG、ExGR、GLI、MGRVI，其中ExGR、MGRVI在發(fā)病麥穗中呈負值，在健康麥穗中呈正值，區(qū)分度最高。

通過分析可知，小麥赤霉病前期和中期同一類型麥穗各顏色指數(shù)值之間無差異性，所以選取的數(shù)據(jù)具有可靠性。另外比較發(fā)現(xiàn)，無論是小麥赤霉病的哪一個時期，ExG、ExGR、GLI、MGRVI這4個顏色特征值差異極顯著，因此選擇這4個顏色特征指數(shù)來進行赤霉病穗識別。

2.2 小麥赤霉病前期發(fā)病麥穗的識別

選取赤霉病發(fā)病前期的田間小麥數(shù)碼圖像，通過ExG、ExGR、GLI、MGRVI等4個特征指數(shù)來提取發(fā)病麥穗，結(jié)果見表2。不同圖像之間由于發(fā)病麥穗的數(shù)量、復雜程度等因素不同，通過顏色指數(shù)識別出的麥穗比例也不同。20幅圖像的檢測率范圍為76.9%～100%，平均檢測率為90.5%。

小麥赤霉病前期發(fā)病病穗提取效果見圖5（圖像編號為14），由于圖像中發(fā)病麥穗較少，檢測率為100%。

2.3 小麥赤霉病中期發(fā)病麥穗識別

由表3可知，此時小麥圖像中被病菌感染的麥穗數(shù)量均要多于前期，檢測的效果和前期也不同。在20幅圖像中，對每一幅圖像進行人工標記，最終獲得發(fā)病麥穗總數(shù)為674個，平均每幅圖像33.7個;然后通過顏色指數(shù)進行提取，最后獲得發(fā)病麥穗總數(shù)為596個，平均每幅圖像為29.8個，平均檢測率為88.4%。

小麥赤霉病中期發(fā)病麥穗提取效果見圖6（圖像編號為7），由于圖像中發(fā)病麥穗較多，檢測率為93.9%，低于前期單幅圖像的提取效果。但由于麥穗分布比較均勻，檢測率要優(yōu)于多幅圖像的平均值。

3 結(jié)論與討論

本研究利用數(shù)碼相機在小麥赤霉病前期和中期，分別獲取其田間的RGB圖像，通過圖像處理技術(shù)標記不同類別麥穗，提取相應的RGB值，歸一化后得到r、g、b并選擇了其他8個顏色指數(shù)，然后對小麥赤霉病2個時期不同類型麥穗顏色特征指數(shù)值進行比較分析，結(jié)果表明12個顏色特征指數(shù)值在不同麥穗類型之間均有差異，其中ExG、ExGR、GLI、MGRVI等4個顏色特征值差異顯著。通過顏色特征指數(shù)ExG、ExGR、GLI和MGRVI能夠進行小麥赤霉病發(fā)病麥穗的識別與提取。通過利用人工標記的發(fā)病麥穗作為對比，計算出顏色指數(shù)識別的檢測率[6]。在本研究區(qū)小麥赤霉病不同時期利用顏色特征指數(shù)獲得的平均檢測率也不相同，其中發(fā)病前期為90.5%，到了發(fā)病中期，平均檢測率有所下降，為88.4%。之所以出現(xiàn)檢測率下降的情況，是因為在小麥赤霉病發(fā)病前期，田間發(fā)病情況較輕，圖像中的病穗稀疏，相對容易識別。而到了中期，田間病情加重，病穗數(shù)量增加，圖像顏色及紋理更加復雜。因此RGB圖像識別赤霉病麥穗的時期應優(yōu)先考慮前期。

利用圖像顏色特征指數(shù)對研究對象進行分類和提取，是目前圖像識別比較常用的方法。本研究表明，圖像顏色特征可以用來區(qū)分不同類型的麥穗。但由于麥穗圖像較為復雜，特別是不同時間點的圖像會有明顯的色差干擾，導致目標對象提取的精度不高。頓紹坤等提出了一種基于RGB顏色空間新的色差公式，使用該公式后可以將圖像的時間復雜度和空間復雜度都明顯降低，但是否適用在作物上需要后續(xù)的驗證[18]。

本研究中發(fā)現(xiàn)，不同的圖像處理方式對顏色特征指數(shù)的提取都會有影響，其中圖像分割方法的影響較大。在圖像采集過程中，直接獲取的圖像一般較大，圖像中的信息類型也較多。因此可以通過圖像分割去除一部分干擾因素，從而提高圖像的處理和指數(shù)提取速度。Matlab是一種常用的圖像處理軟件，在圖像分割和提取上功能較強，可以用在不同的研究對象上[19-20]。當然，利用單一的顏色特征指數(shù)對研究目標進行提取還有一定的局限性。相關研究表明，如果將圖像的紋理特征結(jié)合進來，效果可能會更好[21]。后續(xù)的研究擬將二者結(jié)合，同時也會考慮用深度學習等方法來解決更復雜對象的提取問題。

參考文獻：

[1]Goswami R S，Kistler H C.Heading for disaster：Fusarium graminearum on cereal crops[J]. Molecular Plant Pathology，2004，5（6）：515-525.

[2]李 奮. 小麥赤霉病頻繁爆發(fā)危害及防治措施[J]. 科學與財富，2019（9）：298.

[3]程順和，張 勇，別同德，等. 中國小麥赤霉病的危害及抗性遺傳改良[J]. 江蘇農(nóng)業(yè)學報，2012，28（5）：938-942.

[4]丁文娟. 基于不同尺度的冬小麥赤霉病高光譜遙感監(jiān)測[D]. 合肥：安徽大學，2019.

[5]Gilbert J，Tekauz A. Recent developments in research on Fusarium head blight of wheat in Canada[J]. Canadian Journal of Plant Pathology，2000，22（1）：1-8.

[6]楊 俊. 基于圖像處理的小麥赤霉病檢測研究[D]. 揚州：揚州大學，2020.

[7]鮑文霞，孫 慶，胡根生，等. 基于多路卷積神經(jīng)網(wǎng)絡的大田小麥赤霉病圖像識別[J]. 農(nóng)業(yè)工程學報，2020，36（11）：174-181.

[8]劉 爽，譚 鑫，劉成玉，等. 高光譜數(shù)據(jù)處理算法的小麥赤霉病籽粒識別[J]. 光譜學與光譜分析，2019，39（11）：3540-3546.

[9]梁 琨，杜瑩瑩，盧 偉，等. 基于高光譜成像技術(shù)的小麥籽粒赤霉病識別[J]. 農(nóng)業(yè)機械學報，2016，47（2）：309-315.

[10]Zhang N，Pan Y C，F(xiàn)eng H K，et al. Development of Fusarium head blight classification index using hyperspectral microscopy images of winter wheat spikelets[J]. Biosystems Engineering，2019，186：83-99.

[11]Huang L S，Li T K，Ding C L，et al. Diagnosis of the severity of Fusarium head blight of wheat ears on the basis of image and spectral feature fusion[J]. Sensors，2020，20（10）：2887.

[12]Woebbecke D M，Meyer G E，von Bargen K，et al. Plant species identification，size，and enumeration using machine vision techniques on near-binary images[EB/OL]. （1993-05-12）[2021-02-10]. https：//www.spiedigitallibrary.org/conference-proceedings-of-spie/1836/1/Plant-species-identification-size-and-enumeration-using-machine-vision-techniques/10.1117/12.144030.short.

[13]Tucker P W，Jr Hazen E E，Cotton F A.Staphylococcal nuclease reviewed：a prototypic study in contemporary enzymology[J]. Molecular and Cellular Biochemistry，1979，23（3）：131-141.

[14]Mao D L，Wu X B，Deppong C，et al. Negligible role of antibodies and C5 in pregnancy loss associated exclusively with C3-dependent mechanisms through complement alternative pathway[J]. Immunity，2003，19（6）：813-822.

[15]Gitelson A A，Stark R，Grits U，et al. Vegetation and soil lines in visible spectral space：a concept and technique for remote estimation of vegetation fraction[J]. International Journal of Remote Sensing，2002，23（13）：2537-2562.

[16]Booth D T，Cox S E，Johnson D E. Detection-threshold calibration and other factors influencing digital measurements of ground cover[J]. Rangeland Ecology and Management，2005，58（6）：598-604.

[17]Bendig J，Yu K，Aasen H，et al. Combining UAV-based plant height from crop surface models，visible，and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation，2015，39：79-87.

[18]頓紹坤，魏海平，孫明柱. RGB顏色空間新的色差公式[J]. 科學技術(shù)與工程，2011，11（8）：1833-1836.

[19]李瑩瑩，姬長英，王海清，等. 基于matlab的蘋果樹枝圖像分割方法研究[J]. 科學技術(shù)與工程，2012，12（13）：3084-3087，3093.

[20]戴建民，曹 鑄，孔令華，等. 基于多特征模糊識別的煙葉品質(zhì)分級算法[J]. 江蘇農(nóng)業(yè)科學，2020，48（20）：241-247.

[21]傾 明. 基于顏色和紋理特征圖像檢索技術(shù)的研究[J]. 科學技術(shù)與工程，2009，9（5）：1301-1304.