CN102084794A - 多传感器信息融合的作物病虫害早期检测方法及装置 - Google Patents

Abstract

本发明涉及植物保护技术领域，公开一种多传感器信息融合的作物病虫害检测方法及装置。本发明方法通过模型建立阶段、信息采集阶段、特征量提取阶段及信息融合及检测判别阶段对作物受害情况进行检测。本发明克服了单纯依靠单一的机器检测和监测方法的不足，能从多个角度获取特定病虫害的相关信息，并将多种信息融合起来进行智能检测，利用多个信息的互补性和冗余性，各信息间相互进行实证检验，相互弥补，进而提高田间作物病虫害机器检测和监测的精度及效率。

Description

多传感器信息融合的作物病虫害早期检测方法及装置

技术领域

本发明涉及植物保护技术，尤其涉及一种多传感器信息融合的作物病虫害早期检测方法及装置。

背景技术

病虫害在粮食生产中的发生和危害十分频繁和严重。据Metcalf报道，在采用常规方法喷施农药的过程中，从施药器械撒出去的农药只有25％～50％能沉积在作物叶片上，不足1％的药剂能沉积在靶标害虫上，只有不足0.03％的药剂能起到杀虫作用，其余50％～75％的农药则以挥发、飘移等形式而散失。盲目用药和喷施作业机具落后是造成农药利用率低的主要原因，不仅造成经济上的巨大损失，而且带来了严重的水土资源污染、生态系统失衡、农产品品质下降以及人们的健康受到威胁等问题。在早期发现并准确定位害虫，对其未来的发展趋势作出评价，可提高施药处方决策和综合防治的针对性和准确性，做到对症下药，按需施药；结合先进的施药机械，能改善农药的中靶率，有效降低盲目施药造成的浪费和带来的污染。

目前，病虫害的检测方法通常采用田间调查和预测预报相结合的方法进行施药决策和病虫害综合治理。田间调查即采用定点、定时、定内容方式进行的系统调查；有时需进行大田普查，即在较大范围内进行的多点调查，通过设置田块取样点或放置诱捕器获取田间害虫样本，然后进行检测识别，获得害虫种类、发育程度、虫口密度等信息。预测预报就是根据田间调查结果，结合气象资料，参考历史数据和发生程度分级指标进行综合分析，做出病虫害发生时期和发生程度的预测。

人工检测通常利用人工感官在现场检查病虫害，借助放大镜、显微镜等工具或直接用肉眼判别病虫害的种类，并统计数量。该方法是一种最直观、简便、但很粗放的方法，调查工作量大，效率较低，调查成本高。人工感官检测法的准确率与取样工具的优劣有较大的关系。据綦立正报道，目前在稻飞虱调查中被广泛使用的盘拍法的查获率仅在30％～70％之间，同时还受到盘面涂胶与否、虫口密度、水稻生育期等多方面因素的影响。此外，在实际工作中，检测效果的好坏在很大程度上还取决于检测者的知识经验以及所选用统计分析工具的指示性，不可避免地会产生人为误差。因此，这种方法要求检测者必须具备较高的素质，熟悉业务，了解病虫害生理特点和发生规律等生态问题，这样才可取得较好的效果。为了克服传统人工检测方法的不足，人们开展了病虫害机器检测和监测技术研究，目前在图像识别法(用于病虫害)、光谱监测法(用于病虫害)、作物挥发物检测法(用于病虫害)、声特征检测法以及雷达观测法(用于虫害)等方面取得了一定的进展，但现有技术基本上是单个方法进行病虫害的检测和监测，对于大田病虫害的检测效果仍不够理想。进行病虫害田间机器检测和监测的难点主要在于：田间条件复杂多变，干扰因素多，而且叶片之间互相遮挡，增加了识别的难度；病虫害发生部位不确定，且枝叶参差不齐，病虫害发生于叶片背面或在根部发生危害，有的病虫害掩藏在叶鞘或作物茎秆里面，单纯依靠某种单一的机器检测和监测方法，确有一定困难。

发明内容

针对现有技术的缺点，本发明的目的是提供一种能从多个角度获取特定病虫害的相关信息，并将多种信息融合起来进行智能检测，进而提高田间病虫害机器检测和监测的精度及效率的多传感器信息融合的作物病虫害早期检测方法。本发明还提供了一种多传感器信息融合的作物病虫害早期检测装置。

为实现上述目的，本发明的技术方案为：

一种多传感器信息融合的作物病虫害检测方法，包括以下步骤：

a、在模型建立阶段，对于某种作物，首先针对某一种侵害物(病害或虫害)，选取一批具有代表性的侵害物及受害作物样本；由专业评审人员对侵害物及受害作物的各种特征指标进行评审，确定检测指标以及各指标的权重；在线采集用以感知侵害物及作物受害情况的各类传感器的测量信息；利用专业工作人员评审得到的数据信息与传感器的测量数据信息，经过数据预处理、特征提取、关联分析及模式识别等过程，建立该侵害的检测识别模型和作物受害程度等级评定模型。

b、在信息采集阶段，在线采集用以感知实际被测侵害物及作物对象受害情况的各类传感器的测量信息；

c、在特征量提取阶段，首先对各类传感器的原始数据进行预处理，然后进行特征量提取，提取表征待测侵害物及作物对象相应指标的特征信息；这里的原始数据指传感器直接输出、未经过任何加工处理的数据；

d、在信息融合及检测判别阶段，将提取的各种传感器信息的特征量进行特征层或决策层融合处理，由所建立的侵害检测识别模型和作物受害程度等级评定模型进行在线检测识别和受害程度等级评定。

在专业评审人员对侵害物及受害作物的各种特征指标进行评审时，所选取一批具有代表性的侵害物及受害作物样本的样本数大于100，且由3名以上专业评审人员对侵害物及受害作物样本进行评审，评审指标主要包括侵害物的生物型、侵害物的数量、侵害物的发生等级、侵害物的发生趋势、作物的受害等级等；专业评审人员对各指标逐一给出具体值，取其平均值作为该指标的最终值。

所述传感器包括图像信息传感器、光谱信息传感器、气体挥发物信息传感器、作物温度信息传感器中的两种或三种或四种。

在线采集用以感知实际被测侵害物及作物对象受害情况的各类传感器的测量信息的过程中：

a、在图像信息传感器数据采集过程中，所述的图像信息为紫外、可见光、近红外或红外波长范围内的图像，图像信息处理包括图像的增强、分割、目标特征提取等；

b、在光谱信息传感器数据采集过程中，所述的光谱信息经过平滑、校正和求导等预处理后，提取特征波长以及表征待测侵害物及作物对象相应指标的特征信息；

c、在气体挥发物信息传感器数据采集过程中，首先将样本气体的采样罐排空，接着从被检测的环境中抽取一定量的样本气体到采样罐中，并进行富集，然后将富集后的样本气体抽入气体挥发物传感器阵列，进行作物受侵害后的气体挥发物信息采集，最后对采集到的气体挥发物传感器数据进行预处理，得到其响应谱，并提取相应指标的特征信息；

d、在作物温度信息传感器数据采集过程中，所述的作物温度为冠层温度或作物的茎秆温度，作物温度数据经过环境温度、湿度补偿校正后，得到用以表征相应指标的作物温度指数。

所述图像信息传感器、光谱信息传感器的光源为人工光源或自然光光源。

所述的原始数据预处理包括小波分析、独立分量分析和主成分分析等对原始数据进行滤噪、去野值和降维的预处理方法。

所述的提取的各传感器的表征待测侵害物及作物对象相应指标的特征信息利用人工神经网络、支持向量机方法进行特征层信息融合；采用D-S证据理论、贝叶斯网络方法进行决策层信息融合。

本发明还提供了一种多传感器信息融合的作物病虫害检测装置，其包括托架及安装在托架电源模块、光源模块、传感器、数据处理及控制模块、数据传输模块；电源模块为整个检测装置提供电力供应；光源模块为传感器提供所需的光照条件；数据处理及控制模块与传感器相连接，处理加工传感器中的获得的数据，并控制检测装置上其他模块的工作状态；数据传输模块与数据处理及控制模块相连接，通过有线或无线的方式将检测装置的检测结果输出。

所述的托架在水平和高程两个方向自由调节。

所述的传感器包括图像信息传感器、光谱信息传感器、气体挥发物信息传感器、作物温度信息传感器中的两种或三种或四种。

与现有技术相比，本发明的有益效果是：

本发明提供了一种多传感器信息融合的作物病虫害检测方法及装置，克服了单纯依靠某种单一的机器检测和监测方法的不足，能从多个角度(图像信息、光谱信息、气体挥发物信息、作物温度信息)获取特定病虫害的相关信息，并将多种信息融合起来进行智能检测，利用上述4个信息的互补性和冗余性，各信息间相互进行实证检验，相互弥补，进而提高田间作物病虫害机器检测和监测的精度及效率。

本发明采用多传感器信息融合的方法实现病虫害的早期检测，可将相应的装置安装在田间实现在线检测和监测，辅助和代替专业评审人员，与人工感官检测方法相比，检测结果一致性好、自动化程度高，可实现非接触式、无损检测，解放劳动力，排除人为主观因素，可提高生产效率，降低病虫情调查的成本。

本发明为作物病虫害的有效防治提供实时、快速、准确、无损的诊断工具，可有效控制作物病虫害的危害、减少农药的喷施量，对改善农田生态系统环境，提高农产品品质，保障农业的可持续发展和确保粮食生产安全等方面有着直接的现实意义。

附图说明

图1为本发明的多传感器信息融合的作物病虫害检测方法技术方案示意图；

图2为本发明的多传感器信息融合的作物病虫害检测装置结构原理示意图；

图中，1-托架、2-电源模块、3-光源模块、4-传感器、41图像信息传感器、42光谱信息传感器、43气体挥发物信息传感器、44作物温度信息传感器、5-数据处理及控制模块、6-数据传输模块

具体实施方式

以下结合附图对本发明进行详细的描述。

如图1，为本发明采用图像信息传感器、光谱信息传感器、气体挥发物信息传感器、作物温度信息传感器，通过4种传感器信息的融合实现作物病虫害早期检测的实施例，本实施例的作物对象为水稻，侵害物为稻飞虱。

我国各水稻区常见的稻飞虱主要有褐飞虱(Nilaparvata lugens)、白背飞虱(Sogatella furcifera)和灰飞虱(Laodelphax striatellus)，具有虫体小、善迁飞、繁殖力强、易变异、危害烈等特点。稻飞虱通常寄居在水稻茎基部或穗部，主要吸取水稻汁液，在水稻孕穗期，危害严重时表现为不出穗；在水稻灌浆期，则造成倒伏，瘪谷率增加，甚至稻株枯死，造成严重减产。由于稻飞虱通常寄居在水稻茎基部或穗部，给田间现场检测增加了难度。目前主要采用盘拍计数等人工检测方法进行田间稻飞虱调查，该方法是一种最直观、简便但很粗放的方法，调查工作量大，覆盖面积小，效率较低，调查成本高。据綦立正报道，目前在稻飞虱调查中被广泛使用的盘拍法的查获率仅在30％～70％之间，同时还受到盘面涂胶与否、虫口密度、水稻生育期等多方面因素的影响。

在各种机器检测方法中，采用图像识别法，可通过获取田间的实时图像直观地得知害虫的危害情况，但由于害虫具有迁移性、掩蔽性等特点，特别在田间，由于光照复杂，加上枝叶遮挡，进一步增大了图像识别的难度；采用光谱检测法，可实现无损、快速和非接触检测，通过获取作物冠层叶片或茎秆的光谱特征变化，反演出作物受害的程度和害虫种类，但在田间获取作物光谱信息时，由于环境因素的复杂多变性(如土壤覆盖度、天气等因素影响)，可能带来大量噪声干扰信息，影响检测的效率和精度，而且领域内研究者提到的“同物异谱”和“同谱异物”现象(同一作物在不同(或相同)生育时期可能遭受相同(或不同)病虫的危害，在反射光谱上表现的特征各异；同一作物在不同传感器或角度上所得到的光谱数据也不相同)，也是影响光谱监测法准确度的重要因素；采用气体挥发物检测法，可通过检测害虫诱导的作物气体挥发物获知作物受害的程度和害虫种类，但作物的气体挥发物在田间的传送易受风力干扰，且浓度较低，影响了检测的精度；采用作物温度检测法，可通过检测作物受害后在冠层或茎秆表面的温度场变化情况反演出作物是否受害，但引起作物温度变化的因素较多，仅通过温度信息分辨出作物受害的程度和害虫种类有较大的难度。为了克服单纯依靠某种单一的机器检测和监测方法的不足，本实施例通过从多个角度(图像信息、光谱信息、气体挥发物信息、作物温度信息)获取稻飞虱虫害的相关信息，并将多种信息融合起来进行智能检测，利用上述4个信息的互补性和冗余性，各信息间相互进行实证检验，相互弥补，进而使稻飞虱的田间早期检测成为可能。

该实施例的技术方案包括以下步骤：

在模型建立阶段，具体实施流程如图中的虚线箭头所示，首先培养稻飞虱试虫，选取一批具有代表性的稻飞虱及受害水稻样本，样本数分别大于100；由3名专业评审人员对稻飞虱及受害水稻的各种特征指标进行评审，评审指标主要包括稻飞虱的生物型、稻飞虱的数量、稻飞虱的发生等级及发生趋势、水稻的受害等级等；专业评审人员对各指标逐一给出具体值，取其平均值作为该指标的最终值；在线采集用以感知稻飞虱及水稻受害情况的各类传感器的测量信息；利用专业工作人员评审得到的数据信息与传感器的测量数据信息，经过数据预处理、特征提取、关联分析及模式识别等过程，建立稻飞虱的检测识别模型和水稻受害程度等级评定模型。

在实际应用时，具体实施流程如图中的实线箭头所示，通过在线采集用以感知实际被测稻飞虱及水稻受害情况的各类传感器的测量信息，在采集图像信息和光谱信息时，采用人工主动光源进行照明。然后对各类传感器的原始数据进行预处理，进行特征量提取，提取表征稻飞虱及水稻受害情况相应指标的特征信息：对于图像信息，主要进行图像的增强、背景分割等预处理，提取颜色、纹理、形状等特征；对于光谱信息，主要进行平滑、校正、求导、归一化及基于主成分分析的降维等预处理，提取光谱曲线特征及有用的光谱指数等；对于气体挥发物信息，主要进行基线修正和基于小波分析的噪声滤除等预处理，提取气体挥发物指纹图谱等；对于水稻温度信息，主要进行环境温度、湿度补偿校正等预处理，提取水稻温度指数等特征。最后，在信息融合及检测判别阶段，利用人工神经网络将提取的各种传感器信息的特征量进行特征层信息融合，由所建立的稻飞虱的检测识别模型和水稻受害程度等级评定模型进行在线检测识别和受害程度等级评定，根据模型的输出，采用D-S证据理论进行决策层的融合处理，输出最终的检测结果。

图2为本发明用于水稻稻飞虱发生早期检测的多传感器信息融合检测装置实施例的结构原理示意图。

图中，1-托架、2-电源模块、3-光源模块、4-传感器、41图像信息传感器、42光谱信息传感器、43气体挥发物信息传感器、44作物温度信息传感器、5-数据处理及控制模块、6-数据传输模块。

该实施例中，将电源模块2、光源模块3、图像信息传感器41、光谱信息传感器42、气体挥发物信息传感器43、作物温度信息传感器44、数据处理及控制模块5、数据传输模块6安装于托架1上。托架1可根据病虫害检测的需要在水平和高程两个方向自由调节，以使安装于托架上的传感器处于较佳的数据采集位置和角度。电源模块为整个检测装置提供电力供应。检测装置具有“关机”、“待机”和“检测”三种工作状态，通常检测装置处于“待机”工作状态，在需要进行作物病虫害检测时，可通过数据处理及控制模块5的定时激活检测程序或数据传输模块6接收外部的激活检测指令，使装置切换到“检测”工作状态。进入“检测”工作状态后，数据处理及控制模块5中的控制程序根据当前检测装置的环境自动调节托架的水平角度和离地高度，根据光照条件的需要启动光源模块3，为图像信息传感器41、光谱信息传感器42提供合适的光照条件；然后启动传感器4开始采集数据，并处理加工传感器中的获得的数据。处理后的数据及检测结果通过数据传输模块6以有线或无线的方式将检测装置的检测结果输出。

Claims (9)

1.一种多传感器信息融合的作物病虫害检测方法，其特征在于包括以下步骤：

a、模型建立阶段，选取侵害物及受害作物样本；确定侵害物及受害作物的检测指标以及各指标的权重；在线采集用以感知侵害物及受害作物受害情况的各类传感器的测量信息；将检测指标以及各指标的权重与传感器的测量数据信息，经过数据预处理、特征提取、关联分析及模式识别后，建立该侵害的检测识别模型和作物受害程度等级评定模型；

b、信息采集阶段，在线采集用以感知实际被测侵害物及受害作物对象受害情况的各类传感器的测量信息；

c、特征量提取阶段，首先对各类传感器的原始数据进行预处理，然后进行特征量提取，提取表征待测侵害物及作物对象相应指标的特征信息；

d、信息融合及检测判别阶段，将提取的各种传感器信息的特征量进行特征层或决策层融合处理，由所建立的侵害检测识别模型和作物受害程度等级评定模型进行在线检测识别和受害程度等级评定。

2.根据权利要求1所述的多传感器信息融合的作物病虫害检测方法，其特征在于：检测指标主要包括侵害物的生物型、侵害物的数量、侵害物的发生等级、侵害物的发生趋势及作物的受害等级；并对各指标逐一给出预定值，取其平均值作为该指标的最终值。

3.根据权利要求1所述的多传感器信息融合的作物病虫害检测方法，其特征在于：所述传感器包括以下中的两种或两种以上的组合：

图像信息传感器，其在数据采集过程中，图像信息为紫外、可见光、近红外或红外波长范围内的图像，图像信息处理包括图像的增强、分割、目标特征提取；

光谱信息传感器，其在数据采集过程中，光谱信息经过平滑、校正或求导和归一化预处理后，提取特征波长以及表征待测侵害物及作物对象相应指标的特征信息；

气体挥发物信息传感器，其在数据采集过程中，首先用基线冲洗气体冲洗气体挥发物传感器阵列，接着将样本气体的采样罐排空，从被检测的环境中抽取一定量的样本气体到采样罐中，并进行富集，然后将富集后的样本气体抽入气体挥发物传感器阵列，进行作物受侵害后的气体挥发物信息采集，最后对采集到的气体挥发物传感器数据进行预处理，得到其响应谱，并提取相应指标的特征信息；

作物温度信息传感器，其在数据采集过程中，所述的作物温度为冠层温度或作物的茎秆温度，作物温度数据经过环境温度、湿度补偿校正后，得到用以表征相应指标的作物温度指数。

4.根据权利要求1所述的多传感器信息融合的作物病虫害检测方法，其特征在于：所述图像信息传感器、光谱信息传感器的光源为人工光源或自然光光源。

5.根据权利要求1所述的多传感器信息融合的作物病虫害检测方法，其特征在于：步骤c中，所述原始数据预处理包括小波分析、独立分量分析及主成分分析对原始数据进行滤噪、去野值和降维的预处理方法。

6.根据权利要求1所述的多传感器信息融合的作物病虫害检测方法，其特征在于：所述提取的各传感器的表征待测侵害物及作物对象相应指标的特征信息利用人工神经网络、支持向量机方法进行特征层信息融合；采用D-S证据理论、贝叶斯网络方法进行决策层信息融合。

7.一种多传感器信息融合的作物病虫害检测装置，其特征在于：包括托架(1)及安装在托架(1)上的电源模块(2)、光源模块(3)、传感器(4)、数据处理及控制模块(5)、数据传输模块(6)；电源模块(2)为整个检测装置提供电力供应；光源模块(3)为传感器(4)提供所需的光照条件；数据处理及控制模块(5)与传感器(4)相连接，处理加工传感器(4)中的获得的数据，并控制检测装置上其他模块的工作状态；数据传输模块(6)与数据处理及控制模块(5)相连接，通过有线或无线的方式将检测装置的检测结果输出。

8.根据权利要求7所述的多传感器信息融合的作物病虫害检测装置，其特征在于：所述托架(1)在水平和高程两个方向自由调节。

9.根据权利要求7所述的多传感器信息融合的作物病虫害检测装置，其特征在于：所述传感器(4)包括图像信息传感器、光谱信息传感器、气体挥发物信息传感器、作物温度信息传感器中的两种或两种以上的组合。

Images