基于光谱的作物病害识别研究进展-定稿

专业文献综述题目:基于光谱的作物病害识别研究进展姓名:周红娅学院:信息科学技术学院专业:计算机科学与技术班级:计科122班学号:19212217指导教师:姜海燕职称:教授2015年06月28日南京农业大学教务处制基于光谱的作物病害识别研究进展作者：周红娅指导老师：姜海燕摘要：目前我国的粮食生产每年都因作物病害造成巨大经济损失。传统的作物病害识别方式耗时耗力，已满足不了当前对作物病害识别的需求。本文对传统的作物病害识别方法进行了简单的叙述，综述了基于高光谱、多光谱技术的多种作物病害识别的研究进展，病害有番茄灰霉病、黄瓜白粉病、水稻稻瘟病等，以及介绍了每个病害识别研究中对光谱数据进行处理的各种算法。光谱技术在农作物病害识别方面虽得到广泛应用，但仍存在作物、病害种类不全，以及检测的区域有限等问题，最后对光谱在病害识别发展前景进行了展望。关键字：作物病害；高光谱；多光谱；病害识别ResearchProgressonCropDiseasesRecognitionBasedonSpectrumZHOUHong-ya，JIANGHai-yan(NanjingAgriculturalUniversity,CollegeofInformationScienceandTechnology,JiangsuNanjing210095)Abstract:Atpresent,China'sfoodproductionhashugeeconomiclosseveryyearbecauseofcropdiseases.Thetraditionalmethodsofcropdiseasesrecognitionaretime-consumingandpower-consumptionandcan'tmeetcurrentdemandsforcropdiseasesrecognition.Thetraditionalmethodsofcropdiseasesrecognitionandtheresearch’sprogressofcropdiseasesrecognitionbasedonhyperspectralandmultispectraltechnologyareintroducedinthispaper.Thesediseasesincludingtomatograymold,cucumberpowderymildewandriceblastofriceareresearched.Variousalgorithmsforprocessingspectraldataaresummarized.Spectraltechnologyhasbeenwidelyusedincropdiseasesrecognition,buttherestillexistssomeproblemsincludingincompletecropvarieties,incompletediseasesandlimiteddetectionareas.Finally,theprospectofthedevelopmentofthecropdiseaserecognitionbasedonSpectrumisdiscussed.Keywords:cropdiseases；hyperspectral；multispectral；diseasesrecognition引言：作物病害是造成粮食生产损失最大的因素，而且农作物病害的种类繁多，有1400种之多，成为作物生产最大的隐患。中国是农业大国，只用了7%的土地就养活了全球20%的人口，所以农作物病害对中国农作物生产的影响不容小觑，如果能做到在病害发生或发生之初就识别检测到作物病害，提前做好防护准备，以减少由粮食生产带来的损失。但是传统的农作物病害识别监测是田间人工调查、取样、测定、识别作物病害，这种方式很费时费力，而且病虫害的发展是非常快的，所以传统的病害识别检测达不到提前防护的要求，使得病害预测准确性不高，会使作物错过喷洒农药的最佳时期，会对农作物的生产造成巨大损失。现在，信息技术和生物技术发展也越来越迅速，各界科研人士也对作物病害识别不断的提出新的看法和研究，当前研究的热点是，如何快速的分析和处理光谱信息，提高作物病害识别监测的效率。本文对基于高光谱、多光谱技术的作物病害识别研究进展进行了综述，主要有以下四种技术，即高光谱遥感技术、高光谱成像技术、近红外光谱技术和多光谱成像技术。1.传统的作物病害识别方法作物病害识别需要对病害被发生的时间和成长过程有很精确的数据进行分析，一旦预测不及时或者不准确将会带来巨大的经济损失，显然，传统的作物病害识别方法不能达到该要求。传统的作物病害识别是人工检测[1]，且对检测者的检验以及专业知识有硬性要求，检测者通过积累的实践经验来确定作物是否患病，甚至确定出患有哪种病害。这要求检测人员具有较丰富的经验，对病害非常熟悉这就表明对检测人员的要求很高，即检测人员必须具有较丰富的经验，对病害的生长过程非常熟悉。如果检测者经验不足，不但会影响检测速度、增加劳动强度，而且会对作物病害做出错误的识别，从而造成巨大经济损失，而且检测的结果也只是通过经验所得，需要的时间很长，成本很高，而且难以在大范围展开，存在地域的局限性，且得出的结论存在误差，精度不是很高，但是农作物病害识别要求识别精度很高，所以这些误差可能会使农作物错过最佳的治疗时间，影响农作物的产量，影响粮食安全，造成不必要的经济损失，因此开发一种新的病害识别方法是有必要的。2.基于多光谱的作物病害识别2.1基于近红外光谱技术的作物病害识别研究进展近红外光谱[2]指的是波长为780到2500nm的电磁波，处于可见光和红外光之间，近红外光谱技术从19世纪50年代左右开始有事使用，之后就不断地得到广发的应用，但是在20世纪60年代中后期，近红外光谱技术曾一度消沉，处于沉默期，直到20世纪70年代，多元校正技术的产生又将近红外光谱技术推到了人们的视线，20世纪90年代之后，近红外光谱进入快速发展时期，曾经成为发展最快、最热门的一种技术。近红外光谱技术多应用于作物品质检测、无损检测等领域，但近红外技术也应用于识别小麦条锈病和水稻稻瘟病、水稻胡麻斑和水稻纹枯病等。为实现小麦条锈病早期诊断，李小龙、秦丰等[3]于2013年，利用傅里叶近红外光谱仪，对150片患有小麦条锈病和叶锈病的麦页进行近红外光谱信息的采集，应用由中国农业大学开发的CAUNIRS近红外光谱分析软件，利用定性偏最小二乘法（DPLS）建立小麦条锈病和叶锈病早期检测的定性鉴别模型，测试级样品的识别准确率为97.00%。同样地，2015年，李小龙、秦丰、赵龙莲等[4]将30片患有小麦条锈病不同程度级别和30片健康小麦叶片作为研究对象，利用近红外光谱技术获得光谱信息，在前面研究的基础上，采用由台湾林智仁教授编写的LIBSVM软件包中的C-SVM建立了小麦条锈病不同严重度叶片的定性识别模型。用处理复杂非线性数据的RBF核函数建模，可使用网格搜索算法获得最优惩罚参数和核函数参数。该模型识别准确率为97.01%。前者实现了利用近红外光谱技术在小麦条锈病诊断的应用，后者则表明可以对小麦条锈病进行分级识别。谭峰，汪春等[5]通过近红外光谱技术对水稻健康植株与染病植株进行光谱信息采集，提取不同部位的光谱特征，有叶瘟病3种病害等级光谱特征；谷粒瘟5种病害等级光谱特征和穗茎瘟4种病害等级光谱特征，使用中文windows操作系统下的通用操作软件系统对光谱数据进行分析，结果表明不同的植株有不同的近红外光谱特征，为近红外光谱技术应用于水稻稻瘟病的识别提供了前期基础。与前者研究不同的是，王晓丽等[2]等目前已经实现了基于近红外光谱技术的水稻病害识别，使用仪器自带的软件ViewSpecPro对得出的DN值进行处理得到光谱反射率值。由于光谱数据可能会受到环境的干扰和影响，采用了S-G平滑、kernel平滑算法、倒数算法和多元散射校正算法对近红外光谱数据进行预处理，建立了基于逐步回归分析的水稻病害识别模型和基于人工神经网络的水稻病害识别模型，对水稻胡麻斑、水稻纹枯病以及健康的水稻的识别率为88.9%，100%和100%。在水稻病害识别方面取得了很大的进展。目前的近红外光谱技术主要的病害识别的研究对象是小麦和水稻，在其他作物的病害识别方面的研究还有待研究。2.2基于多光谱成像技术的作物病害识别研究进展多光谱成像技术指的是通过特定波长范围内的光强度变化来实现检测和判别。随着多光谱技术的不断应用在各个领域，在农业领域，多光谱成像技术通过可见光到热红外的波段的不同，实现对作物病害的诊断、农产品品质检测等方面，尤其在农作物病害识别领域，已有很多相关研究人士对多光谱进行了研究，研究进展如下：冯洁、廖宁放等[6]以黄瓜为研究对象，将人工神经网络和多光谱成像技术相结合，神经网络采用Levenberg-Marquard训练算法,用Matlab软件编程实现多光谱黄瓜诊断的人工神经网络算法。对光谱图像进行灰度值处理分析，建立了基于多光谱成像技术的植物病虫害神经网络诊断模型，可以对黄瓜的红粉、黑星、白粉三种病进行病害识别，且准确率达到96.67%、93.33%、100%，这表明利用多光谱成像技术可以对黄瓜进行病害识别。吴迪、朱登胜等[7]同样利用Matlab软件编程，利用多光谱成像仪采集了茄子的红光、近红光、绿光等光谱信息，使用二中算法对光谱信息进行处理，建立茄子灰霉病识别模型，且模型对茄子灰霉病的识别度很高。上面研究表明，利用多光谱成像技术对茄子的灰霉病和黄瓜的三种病害识别监测是可行的且效率较高的。孙光明、杨凯盛等[8]利用Matlab处理工具，对的大麦用多光谱图像采集系统对患有赤霉病的大麦进行光谱图像采集，利用Matlab对光谱图像进行分割和图像特征提取，并多元散射校正，研究发现，经过MSC预处理建立的LS-SVM模型的预测准确率高达93.9%此研究表明利用多光谱成像技术可以对大麦赤霉病进行识别监测。Dammer等[9]同样的提取出光谱特征，分析比较了多光谱技术和彩色图像处理技术对冬小麦赤霉病识别的效果，结果表明，对于冬小麦赤霉病识别监测多光谱技术比彩色图像处理技术好，而且多光谱系统在对小麦进行识别之前只需要进行一次校准。张浩、姚旭国等[10]以水稻穗颈瘟为研究对象，用Matlab6.5软件实现多光谱图像处理算法，包括噪声消除、背景去除以及对图像进行多处理分割，提取IR、R、G分量，建立了水稻穗颈瘟识别模型，识别精度很高，可以对水稻穗颈瘟的识别监测。该研究表明可以快速的、准确对水稻穗颈瘟病进行非破坏性检。冯雷，柴荣耀等[11]利用多光谱成像技术对水稻叶瘟进行分级检测研究且取得了不错的进展，利用多光谱成像技术获取水稻叶面和水稻冠层光谱图像信息,利用Matlab编程实现多光谱图像处理算法，该算法实现背景噪声的消除，以及枯叶的灰度分析，建立了水稻稻叶瘟病情检测分级模型,该模型对水稻苗瘟、水稻叶瘟的识别准确率为98%、90%。该项研究实现了对水稻病害的分级检测。3.基于高光谱的作物病害识别3.1基于高光谱遥感技术的作物病害识别进展遥感技术[12]就是在距离农作物很远的地方，不会接触到农作物，通过光谱采集系统采集农作物的光谱信息，这些光谱信息是从农作物发出来的电磁波，通过分析电磁波信息，提取光谱特征进行分析，会得到光谱数据，对这些数据进行分析就能对农作物的病害进行一定的识别和检测。高光谱遥感数据[13]，虽然提高的光谱信息的分析效率，但是数据的传输，如何存储还是存在一定的问题，需要我们不断的去解决。高光谱遥感技术目前在国内外都有不同的研究进展，也是当前对农作物病害进行识别的一个有效的手段，进展如下：MinghuaZhang，ZhihaoQin,XueLiu等[14]，以患有马铃薯晚疫病的马铃薯为研究对象。通过成像光谱仪（AVIRIS）对马铃薯近地冠层进行光谱信息的采集，利用Matlab对光谱数据进行分析处理之后，结论是在所有的高光谱遥感信息中，红外光谱信息对识