无损检测技术在作物病害检测中的研究综述

1光谱技术在作物病害检测中的研究及应用

光谱技术可以获得人眼不能感知的光波段信息，因此利用其良好的光学性能，可以大大提高作物样本信息的采集量。在 400-1100 nm 波长范围内对被灰霉侵染的蚕豆叶片进行研究，结果显示其一阶导数反射率可以用来监测蚕豆病害感染情况。在可见光-近红外中的四个不同波段对健康小麦和染病小麦的光谱反射率进行研究，建立二次判别分类模型，使得分类错误率从12％降至4％，从而实现小麦黄绣病的早期识别。

基于可见近红外光谱技术, 分别使用二次判别分析法（QDA）和软独立建模分类法（SIMCA） 对柑橘黄龙病进行了识别，取得了较好的效果。应用可见近红外波段的光谱信息分别对茄子以及番茄叶片灰霉病进行了早期诊断研究，采用主成分分析对光谱进行降维，并通过将前 8 个主成分输入 BP 神经网络建模实现叶片病害程度的检测。利用短波红外成像仪获取小麦叶片的光谱图像，研究发现1350-1600nm光谱范围内数据特征差异明显，可以实现小麦赤霉病的检测。采用 CARS 提取感染灰霉病花椰菜的近红外光谱特征，并基于PLSR算法建立最小判别模型实现花椰菜是否染病的早期检测。2高光谱技术在作物病害检测中的研究及应用

高光谱成像技术融合了图像处理技术和光谱技术的优点，获取的高光谱图像具有“图谱合一”的特点，已经广泛应用于农产品品质与安全的快速无损检测中。将高光谱反射图像、多光谱荧光成像进行数据融合，实现了冬小麦条锈病的诊断，识别率达到94.5%。

采集侵染不同病害的甜菜高光谱数据，并基于支持向量机模型，实现不同病害的早期检测与分类。对受晚疫病胁迫下的马铃薯叶片进行高光谱分级研究，结果显示经光谱变换预处理后，建立的LS-SVM模型效果较好，预测识别均达到94.87%。高光谱成像技术是基于非常多窄波段的影像数据技术，获得的数据相比多光谱分辨率更高，波段数更丰富，这给深度学习在作物病害检测方面的应用带来可能。利用高光谱成像仪采集TMV感染后2、4和6d的烟草叶片以及相应时间点的健康叶片图像，结合变量选择方法和机器学习分类方法，采用 BP神经网络进行建模，对烟草病症进行早期检测，最终选择识别精度高达 95%。

采用便携式户外高光谱成像仪在田间采集穗株高光谱图像，利用 GoogleLeNet卷积神经网络进行建模，采用随机梯度下降法和随机平移平均光谱图像亮度增加训练精度，使得水稻穗瘟病害预测准确率可以达到92.0%。以柑橘正常叶片、溃疡病叶片、红蜘蛛叶片、煤烟病叶片、除草剂（草甘磷）叶片为研究对象，利用高光谱成像技术提取450-900nm 下的81个波段作为模型输入数据，建立基于CNN的柑橘病叶分类模型，在训练1000次以上，模型的准确率为98.75%。

建立基于高光谱的卷积神经网络模型实现了对大豆花叶病害初期的快速检测，可以实现健康叶片、接种SC3病毒的花叶病叶片、接种SC7 病毒的花叶病叶片有效识别。

3总结

综上所述，目前应用光谱成像技术和机器学习技术 实现作物病害检测的研究已经很多，主要集中于水稻、小麦等粮食作物以及大豆、黄瓜、马铃薯、烟草、柑橘等经济作物。但还存在如下问题：①大部分研究基于实验室数据阶段，而针对大田或实际生长环境的作物病害检测比较少；②国内外学者对病害检测识别模型或算法研究的较深，但对病害早期检测预防研究较少；③国内基于光谱和图像处理的便携式病害检测装置研究还很少，有待进一步研究开发。

莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

审核编辑 黄昊宇