CN109389581A - 基于红外热成像边缘检测处理的小麦叶锈病分级的方法 - Google Patents

基于红外热成像边缘检测处理的小麦叶锈病分级的方法 Download PDF

Info

Publication number
CN109389581A
CN109389581A CN201811048222.5A CN201811048222A CN109389581A CN 109389581 A CN109389581 A CN 109389581A CN 201811048222 A CN201811048222 A CN 201811048222A CN 109389581 A CN109389581 A CN 109389581A
Authority
CN
China
Prior art keywords
thermal imaging
infrared thermal
disease
wheat
infrared
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811048222.5A
Other languages
English (en)
Inventor
朱文静
李林
李晋阳
刘继展
魏新华
毛罕平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201811048222.5A priority Critical patent/CN109389581A/zh
Publication of CN109389581A publication Critical patent/CN109389581A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了基于红外热成像边缘检测处理的小麦叶锈病分级的方法，涉及小麦锈病的检测技术领域。首先采集整株小麦样本的红外热成像图，分别计算健康植株、潜育期植株和显症植株的平均叶温，探明真菌入侵过程中的温度变化规律；然后将经过直方图均衡化和中值滤波预处理的红外热像中低于显症植株温度阈值的区域提取出来；通过温度区域划分、低温区域提取和阈值分割，计算病灶面积在整体植株热成像总面积中的占比；最后与病情指数进行相关分析，获得相关系数为0.9755，预测均方根误差RMSE为9.79％，总体识别率为90％。本发明与一般的近红外检测病害的方法相比，检测速度快、发现病害更早。

Description

基于红外热成像边缘检测处理的小麦叶锈病分级的方法
技术领域
本发明涉及小麦锈病的检测技术领域，特指一种红外热成像边缘检测处理的小麦叶锈病分级的方法。
背景技术
小麦锈病对我国小麦生产危害巨大，实现小麦锈病的快速监测和分级是进行科学生产管理的基础，同时也是实现尽早施药的前提。小麦在生长过程中常受到病害侵袭并造成减产，严重时绝收。全世界正式记载的小麦病害约200种，我国报道过的有60余种，常见38种，重要的有小麦锈病(条锈、叶锈、秆锈)，白粉病、叶枯病、赤霉病、全蚀病、纹枯病、黑穗病、叶斑根腐病等。其中叶部病害在我国多发的有条锈病、叶锈病、白粉病、叶枯病等。根据中国小麦网2017年2月15日数据，仅条锈病已在全国共8省53市210个县见病，发病县数和面积分别是2011年以来同期平均值的1.7倍和3倍，分别比同期重发的2012年增加 84.2％和94.3％，是历年同期发生范围最广、病情最严重的一年。2018年1月8日数据，预计2018年小麦病害发生面积可达4.8亿亩次，病情重于往年，特别是条锈病、白粉病对小麦主产区安全生产威胁极大。传统的病害监测方法主观性强，费时费力；除了人工感官判定外还包括生物学检测法、电镜检测技术、血清学方法，指纹图谱技术、基于核酸的分子生物学检测技术和基因芯片技术等等，这些方法的缺陷在于易受主客观因素影响，对植物体造成破损，确诊时间晚、存在假阳性问题，样品需前处理步骤繁冗，理化试验污染环境、成本较高且时效性差。因此迫切需要探索新的方法实现作物病害早期准确监测。
红外线辐射是自然界存在的一种最为广泛的电磁波辐射，所有温度在绝对零度(-273℃) 以上的物体均会由于物质运动不停地发出热红外线。红外热成像的原理是通过记录物体表面的红外辐射来实现对物体的检测。红外热成像技术以其对温度的高敏感性和在线检测的可行性，目前在农业生产的诸多领域也有相关的应用，在植物病害的检测研究方面也有颇多研究，例如Oerke E等用此技术区分苹果黑星病的病变叶与健康叶片(Thermogra-phic assessment of scab disease on apple leaves[J].PrecisionAgriculture,2011,12(5):699-715.BelinRousseau D, Boureau T,et al.Thermogra-phy versus chlorophyll fluorescence imaging for detection and quantificationof apple scab[J].Computers and Electronics in Agriculture,2013,90:159-163.)；Fei Wang利用红外热成像探明日本海衛矛树和女贞树的叶片水分和生理胁迫状态，尤其是叶片焦痕区的鉴别(Fei Wang,Kenji Omasa,Shangjun Xing,et al.Ther-mographicanalysis of leaf water and energy information of Japanese spindle and glossyprivet trees in low temperature environment[J].Ecological Informatics,2013,16:35-40.)；Wang M等利用热成像观测感染尖孢镰刀菌的黄瓜叶片(Wang M，Ling N，DongX，et al.Thermographic visualization of leaf response in cucumber plantsinfected with the soilborne pathogen Fusarium oxysporum f.sp. Cucumerinum[J].Plant Physiology and Biochemistry,2012,61:153-161.)；徐小龙等结合用红外热成像结合冰箱低温冷藏方式检测番茄花叶病的病变区域(徐小龙，蒋焕煜，杭月兰.热红外成像用于番茄花叶病早期检测的研究[J].农业工程学报，2012,28(5):145-149.)；李小龙等提出红外热成像能够提前5天区分感染条锈病的小麦叶片等(李小龙，王库，马占鸿，等.基于热红外成像技术的小麦病害早期检测[J].农业工程学报，2014,30(18): 145-149.183-189.)。目前红外热成像的图像处理研究基本围绕温度的测量和分析展开，无论是生物或非生物胁迫，主要评价指标有叶片和植株平均温度(average temperature,AT)，叶片的最大温度差(maximum temperature difference,MTD)等(A.-K.Mahlein,E.-C.Oerke,U.Steiner,et al.Recent advances in sensing plant diseases for precision cropprotection[J].European Journal of Plant Pathology,2012,133(1):197-209.)。
边缘检测是数字图像处理的重要内容，是对作物图像处理时解析图像的前提，能够为后续的精准施药、少量用药提供指导。边缘检测的基本原理是利用图像在边缘处的阶跃性，按照某种方法检测出边缘点并将其链接构成分割区域，从而实现目标与背景的分离。国内外已有研究人员将边缘检测用于红外热像的分析研究。Sanchez等提出了采用静态小波变换能够成功提取病害植物的热像图和可见光图轮廓并进行配准(Sanchez,V,Prince,G,Clarkson,JP,et al.Regi-stration of thermal and visible light images ofdiseased plants using silhouette extraction in the wavelet domain[J].PatternRecognition,2015,48,2119-2128.)。Jiao等研究了桃子表面腐烂部分的监测方法和腐烂边缘的提取和计算方法(Jiao,L,Wu,W,Zheng,W,et al.The Infrared thermal image-based monitoring process of peach decay under uncontrolled temperatureconditions. Journal of animal and plant sciences,2015,25:202-207.)。王栋等提出一种改进的蚁群算法，能够在热像图边缘丰富的区域搜索的同时抑制算法结果早熟，缩短运行时间(王栋，尚堃.基于改进蚁群算法的红外图像边缘检测方法[J].四川兵工学报,2014，(7):87-90.Wangdong, Shang Kun.Edge Detection Algorithm of Image Based onImproved Ant Colony Optimization. Journal of Sichuan Ordnance[J],2014，(7):87-90.)。陈浩等将蚁群算法引入到玉米干旱的热成像图处理中，并提出边缘检测用于红外热像分析尚处于初始阶段(陈浩，方勇，朱大洲，等.基于蚁群算法的玉米植株热红外图像边缘检测[J].农机化研究，2015，(6):49-52.)。李存兵等提出基于小波变换的水果边缘检测方法，识别结果优于拉普拉斯等其他算法(李存兵，姜伟，华金.基于小波变换的水果红外图像目标识别[J].机电工程，2007，24(8):24-26.)。周建民等利用高低帽算子结合基于直方图的全局阈值分割红外热像图，来识别树上板栗的空心果和坏死果(周建民，尹洪妍，张瑞丰，等.2012基于红外热成像树上板栗机器识别研究.中国农机化学报132-136.)。目前利用红外热成像的边缘检测处理开展作物病害分级的研究较少。
发明内容
本发明为了克服上述现有技术中的不足，以感染叶锈病(Puccinia triticina)的小麦叶片为检测对象，利用基于红外热成像的边缘检测处理算法提取病斑的具体区域，通过病斑与叶面积占比的计算确定染病的轻重程度和病害等级识别，最后与病情指数结果进行相关分析和识别分级，以期为建立精准施药的专家系统提供方法参考。
本发明基于红外热成像边缘检测处理的小麦叶锈病分级的方法，按照下述步骤进行：
(1)样本培育，
(2)采集红外热成像图，
(3)病情指数获取，
(4)红外热成像图预处理，
(5)建立识别模型，
(6)利用上述模型检测作物潜育期是否发病及病害轻重程度。
其中步骤(1)所述的样本培育是指：小麦样本的培育在人工智能生长室进行，设定条件如下，温度范围：最高15℃，最低11℃；光照：白天12h，夜间12h；光照强度：10000lux，湿度范围：60～70％。
其中步骤(2)所述的采集红外热成像图是指通过热成像仪采集小麦叶片的红外热成像图。
其中步骤(2)采集红外热成像图时：温度热灵敏测量精度为<0.06℃；测温范围：-20℃至250℃；拍摄模式为中央点偏重测光模式；视场角：<水平45°×垂直34°；瞬时视场5.2mrad；红外图像分辨率：160×120像素。
其中步骤(2)红外热像图采集期间，室温保持在20℃，相对湿度50％，采集背景保持一致。
其中步骤(3)所述的病情指数获取是指接种12天后叶面开始出现孢子堆，接种三周后病害进入盛发期。根据我国小麦条锈病测报技术规范(GBT 15795-2011)，严重度指病叶上条锈菌夏孢子堆所占据的面积与叶片总面积的相对百分率，用分级法表示，设1％、5％、10％、 20％、40％、60％、80％和100％八个级别。每个级别选取10个叶片作为重复。每个样本拍摄完红外热像图后同时记录下人工调查法获得的病害等级归属。
其中步骤(4)所述的红外热成像图预处理是指对样本的红外热像图原图进行直方图均衡化处理
其中步骤(5)所述的建立识别模型是指通过基于温度边缘的病灶面积提取，并与总体叶面积占比指数进行计算后，与其病情指数DI作相关分析，建立回归模型。
其中步骤(6)所述的利用上述模型检测作物潜育期是否发病及病害轻重程度是指病灶与总体叶面积的占比指数，须归入GBT 15795-2011所对应的级别，根据级别判断病害的轻重程度。
本发明的有益效果：
本发明综合考虑通过红外热成像图定位潜育期病害的敏感部位信息，利用红外热成像能够“早发现”的优势和近红外光谱能够包含分子内部信息的特性在肉眼无法观察到的潜育期实现植物病害的早诊断，以提高检测的可靠性和准确性。采用人工接种病毒方式培育样本，利用自行构建的红外热成像图像采集系统采集数据；计算MTD以与CG组的差值确定近红外光谱采集时光纤探头测量所处的位置区域；在此区域测量三次近红外光谱后求平均值；利用 SNV进行光谱预处理，采用主成分分析对2 151个波长点的光谱信息进行压缩；对所有样本采用SVM算法建立识别模型进行判别分析，模型的总识别率为99.77％，精度明显高于随机采集近红外光谱所建立的识别模型。
本发明与一般的近红外检测病害的方法相比，检测速度快、发现病害更早；与单一的近红外光谱技术手段相比，得到的信息更准确，检测结果的精确性和稳定性都有所提高。本发明提供的基于红外热成像与近红外技术结合的潜育期番茄花叶病的快速检测方法，可以实现番茄生长过程病害信息快速探测。该发明为科学精确及时灌溉提供参考，对提高智能化管理水平、建立更为精准的温室智能专家系统提供理论和方法依据。
附图说明
图1为样本培育和喷雾接种现场，其中a为人工智能生长室，b为小麦样本，c为喷雾接种后覆盖高压蒸汽袋的小麦样本。
图2为小麦红外热成像预处理后的图像，其中a为直方图均衡化处理图像，b为中值滤波图像。
图3为小麦叶锈病平均叶温变化趋势。
图4为小麦叶锈病单叶可见光灰度图以及四种常规边缘检测算子的识别结果。其中a为小麦叶锈病单叶可见光图灰度图(VIS)，b为Prewitt(PO)算子识别结果，c为Sobel(SO)算子识别结果，d为Laplacian(LO)算子识别结果，e为Canny(CO)算子识别结果。
图5为基于温度边缘的单叶病害面积提取步骤。其中a为单叶红外热成像原图的灰度图， b为温度区域划分，c为低温区域提取，d为图像二值化，e为总面积提取，f为病斑提取。
图6为基于温度边缘的整株病害面积提取。其中a为整株红外热成像原图的灰度图，b 为温度区域划分，c为低温区域提取，d为图像二值化，e为总面积提取，f为病斑提取。
图7为小麦的预测值及其病情指数DI的相关分析结果。
具体实施方式
下面结合附图和实施例对本发明进行详细阐述。
实施例
一、样本培育与病毒接种
小麦样本的培育在加拿大阿尔伯塔大学北校区农业生命与环境科学学院人工智能生长室进行，如图1a所示。设定条件如下，温度范围：最高15℃，最低11℃；光照：白天12h，夜间12h；光照强度：10000lux，湿度范围：60～70％。选育的小麦品种为加拿大春小麦易感病品种Peace。待小麦生长至两片真叶时进行喷雾接种，如图1b所示。接种步骤为：①用蒸馏水淋湿生长室内壁，让小麦在湿度较大的空间平衡约30～45分钟。②准备和配置叶锈病(Puccinia triticina)真菌孢子喷雾液，先从超低温冰箱取出装有橙红色粉状孢子的小瓶，在 45℃水浴锅中放置5分钟发生热休克反应，然后用吐温20配置成悬浮液，浓度为3克/毫升。③在通风橱内进行喷雾接种，通风橱在喷雾前和使用后均需用70％乙醇消毒，喷雾器用70％酒精彻底清洗后用蒸馏水洗净，喷雾时从上至下进行，喷至麦秆有水滴状液滴落下即可。④每盆植株在喷雾后使用一个透明高压蒸汽袋覆盖，如图1c所示。⑤高压蒸汽袋覆盖24个小时取下，将花盆放回到生长室。
二、试验仪器与图像采集
红外热成像图采集所用的相机为美国菲力尔公司FLIR E6,USA。该热成像仪可同时拍摄可见光图和红外热成像图；温度热灵敏测量精度为<0.06℃；测温范围：-20℃至250℃；拍摄模式为中央点偏重测光模式；视场角：<水平45°×垂直34°；瞬时视场5.2mrad；红外图像分辨率：160×120像素。
红外热像图采集期间，室温保持在20℃，相对湿度50％，采集背景保持一致。拍摄时将植株按照编号顺序取出，拍摄后立即放回生长室，以保障每个样本的拍摄一致性。
三、病情指数获取
接种12天后叶面开始出现孢子堆，接种三周后病害进入盛发期。根据我国小麦条锈病测报技术规范(GBT 15795-2011)，严重度指病叶上条锈菌夏孢子堆所占据的面积与叶片总面积的相对百分率，用分级法表示，设1％、5％、10％、20％、40％、60％、80％和100％八个级别(Grade，G)(王海光，马占鸿，王韬，等.高光谱在小麦条锈病严重度分级识别中的应用.光谱学与光谱分析2007,(27):1811-1814.)。每个级别选取10个叶片作为重复。每个样本拍摄完红外热像图后同时记录下人工调查法获得的病害等级归属。具体方法为在每盆的8株小麦苗中，每株调査倒三叶、倒二叶、旗叶三片叶子，每盆共计24个叶片；根据式 (1)计算反映发病程度的普遍率I；根据式(2)计算平均严重度最后根据式(3)计算病情指数(Disease Index，DI)。
式中n为发病叶片数，个；N为每盆小麦叶片总数，个；S为严重度，％；ni为i级严重度的病叶数，个。
四、红外热成像图预处理
整盆拍摄了小麦植株样本的红外热像图，如图2a所示。每个样本的热成像原图均被进行直方图均衡化处理。彩色图像的直方图均衡化主要是将各个像素归一化后的灰度值赋给这个像素，对图像的色彩、亮度等信息进行修正，使增强后的图像更加生动、色彩更加鲜艳，细节更加突出，如图2b所示。中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，是在“最小绝对误差”准则下的最优滤波，中值滤波处理后的图像如图2b所示。
对小麦叶锈病的红外热像图的分析和处理是基于FLIR Tools software工具软件和Matlab V.7.10.0(R2010a)MathworksCo.，USA软件平台。
五、计算健康植株、潜育期植株和显症植株的平均叶温，探明真菌入侵过程中的温度变化规律；
(1)热成像图随病害发展的温度动态分析
小麦感染叶锈病菌侵染后连续12d内整个植株的红外热成像图平均温度的变化状况如图 3所示。健康小麦植株的平均温度在整个检测期内的波动范围为19.5℃～19.8℃，而发病期小麦植株为18.3℃～18.7℃。潜伏期内的小麦植株的平均温度呈现逐步下降的趋势，降温区间从 1d的19.9℃降至12d的18.8℃。通过连续的温度监测，表明接种后第6d染病的叶片的温度较正常叶温下降达0.4℃，随后逐渐拉开温差，能够将接种小麦植株和健康小麦植株区分开，比肉眼观察孢子堆提前了7d检测到病菌的感染。一方面表明红外热成像能够在显症之前就检测到病菌的感染，及早施药可减少用药量；另一方面，在后续的边缘检测处理算法中，选用潜育期的红外热像图更为合理。
(2)病灶区域常规算法边缘提取
边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个重要研究方法。然而在可见光图像中，自然界图像的边缘并不总是理想的阶梯边缘。相反，可见光图像通常受到诸多因素的影响，例如有限场景深度带来的聚焦模糊，光滑物体边缘的阴影，以及物体边缘附近的局部镜面反射或漫反射等。图4a显示红外热像仪同时采集到的小麦叶片的可见光图像，首先尝试采用较为常用的一阶导数中的最大和最小值来检测边界的Prewitt算子(PO)，Sobel 算(SO)，其次通过寻找图像二阶导数过零点来寻找边界的Canny算子(CO)，Laplacian 算子(LO)对可见光图像进行边缘提取，提取结果如图4所示。
从图4的四种常规算子的识别结果看，PO和SO对病斑区域的边缘提取结果存在对混合复杂噪声处理效果不理想的问题，边界灰度区域重影严重。而LO和CO由于太追求过细的边缘，检测精度降低，背景的误测也较大。显然直接运用常规的边缘检测算子不能满足实现病害快速分级的最终目的。
(3)基于温度边缘的病灶面积提取
相对于直接使用常见的边缘提取算法，本研究着重考虑通过首先提取红外热成像图的温度信息，并对温度信息的边界进行划分，提出一种基于红外热成像的温度边缘提取基础上计算病灶与总体叶面积占比的小麦叶锈病分级方法。图5显示了基于温度边缘的病害面积提取步骤，图5a为红外热成像原图。随着叶锈病真菌的不断侵入，病菌经微伤口进入临近的活体细胞繁殖，蒸腾作用的加剧导致感病部位水分大量散失，局部温度下降。由2.1节的分析可知，叶片的平均温度在潜伏期内会随着真菌繁殖的加剧从20℃左右下降至18.5℃左右。因此以18.5℃为临界值对温度实施阈值划分，如图5b所示，通过温度阈值的划分，将叶片内低于 18.5℃的温度边缘提取出来，用蓝色显示，如图5c所示。采用最大类间方差法寻找最合适的阈值，该方法计算出的阈值通常比人为设定的阈值能够更好地把灰度图像转换为二值图像，如图5d所示。进一步对图像进行分割，计算出叶片总面积和病灶区域面积，分别如图5e和图5f所示。用病灶区域面积除以叶片的总面积可以获得病害的占比指数。
单叶的病灶面积占比是将小麦的叶片单独拍摄的红外热成像，从整体检测处理的结果看，通过基于温度边缘的面积占比计算，对于实现叶锈病的等级识别是可行的。为了实现快速在线检测的要求，下面进一步对整株染病小麦的热成像进行分析。分析流程和结果如图6所示。
去除花盆的部分，仅保留小麦植株的部分进行提取，从整株小麦的提取结果看，基于温度边缘的面积占比计算的方法可以顺利提取整株的病害区域，较单叶病灶的区域提取结果误差略大，但提取效果和最终计算结果也较为满意。
(4)分级识别结果与分析
将试验的40盆的小麦植株样本，采用基于红外热成像的温度边缘提取基础上计算出的病灶与总体叶面积占比指数，得到的预测值，并归入相应级别，将每盆小麦的预测值与其病情指数DI作相关分析，结果如图7所示，得到相关系数R为0.9755，预测均方根误差RMSE为9.79％。
表1为40个小麦叶锈病整株识别样本的预测结果。从中可以看出，样本号为9、16、33 和40号的整株识别的定级有误。9号和16号样本将4级误判为3级；33号样本将4级误判为5级；40号样本将2级误判为3级，其余36个样本均评级正确，总识别率达到90％。
40个样本中有4个样本定级错误，36个样本定级正确，识别率为90％。说明红外热成像的温度边缘检测处理方法对小麦叶锈病进行诊断是可行的。
表1基于红外热成像边缘检测处理后的预测值和定级结果
G:级别,Grade；T-Test％:预测值。

Claims (9)

1.基于红外热成像边缘检测处理的小麦叶锈病分级的方法，其特征在于按照下述步骤进行：
(1)样本培育，
(2)采集红外热成像图，
(3)病情指数获取，
(4)红外热成像图预处理，
(5)建立识别模型，
(6)利用上述模型检测作物潜育期是否发病及病害轻重程度。
2.根据权利要求1所述的基于红外热成像边缘检测处理的小麦叶锈病分级的方法，其特征在于其中步骤(1)所述的样本培育是指：小麦样本的培育在人工智能生长室进行，设定条件如下，温度范围：最高15℃，最低11℃；光照：白天12h，夜间12h；光照强度：10000lux，湿度范围：60～70％。
3.根据权利要求1所述的基于红外热成像边缘检测处理的小麦叶锈病分级的方法，其特征在于其中步骤(2)所述的采集红外热成像图是指通过热成像仪采集小麦叶片的红外热成像图。
4.根据权利要求1所述的基于红外热成像边缘检测处理的小麦叶锈病分级的方法，其特征在于其中步骤(2)采集红外热成像图时：温度热灵敏测量精度为<0.06℃；测温范围：-20℃至250℃；拍摄模式为中央点偏重测光模式；视场角：<水平45°×垂直34°；瞬时视场5.2mrad；红外图像分辨率：160×120像素。
5.根据权利要求1所述的基于红外热成像边缘检测处理的小麦叶锈病分级的方法，其特征在于其中步骤(2)红外热像图采集期间，室温保持在20℃，相对湿度50％，采集背景保持一致。
6.根据权利要求1所述的基于红外热成像边缘检测处理的小麦叶锈病分级的方法，其特征在于其中步骤(3)所述的病情指数获取是指接种12天后叶面开始出现孢子堆，接种三周后病害进入盛发期；根据我国小麦条锈病测报技术规范(GBT 15795-2011)，严重度指病叶上条锈菌夏孢子堆所占据的面积与叶片总面积的相对百分率，用分级法表示，设1％、5％、10％、20％、40％、60％、80％和100％八个级别；每个级别选取10个叶片作为重复；每个样本拍摄完红外热像图后同时记录下人工调查法获得的病害等级归属。
7.根据权利要求1所述的基于红外热成像边缘检测处理的小麦叶锈病分级的方法，其特征在于其中步骤(4)所述的红外热成像图预处理是指对样本的红外热像图原图进行直方图均衡化处理。
8.根据权利要求1所述的基于红外热成像边缘检测处理的小麦叶锈病分级的方法，其特征在于其中步骤(5)所述的建立识别模型是指通过基于温度边缘的病灶面积提取，并与总体叶面积占比指数进行计算后，与其病情指数DI作相关分析，建立回归模型。
9.根据权利要求1所述的基于红外热成像边缘检测处理的小麦叶锈病分级的方法，其特征在于其中步骤(6)所述的利用上述模型检测作物潜育期是否发病及病害轻重程度是指病灶与总体叶面积的占比指数，须归入GBT 15795-2011所对应的级别，根据级别判断病害的轻重程度。
CN201811048222.5A 2018-09-10 2018-09-10 基于红外热成像边缘检测处理的小麦叶锈病分级的方法 Pending CN109389581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811048222.5A CN109389581A (zh) 2018-09-10 2018-09-10 基于红外热成像边缘检测处理的小麦叶锈病分级的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811048222.5A CN109389581A (zh) 2018-09-10 2018-09-10 基于红外热成像边缘检测处理的小麦叶锈病分级的方法

Publications (1)

Publication Number Publication Date
CN109389581A true CN109389581A (zh) 2019-02-26

Family

ID=65418797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811048222.5A Pending CN109389581A (zh) 2018-09-10 2018-09-10 基于红外热成像边缘检测处理的小麦叶锈病分级的方法

Country Status (1)

Country Link
CN (1) CN109389581A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026050A (zh) * 2019-11-22 2020-04-17 北京航空航天大学 基于倍福工业以太网的热旋压加工智能控制系统
CN111062251A (zh) * 2020-03-23 2020-04-24 乔红波 基于无人机成像的农田棉蚜为害等级模型的监测方法
CN112001910A (zh) * 2020-08-26 2020-11-27 中国科学院遗传与发育生物学研究所 一种自动识别植株穗数的方法、装置、电子设备和存储介质
CN116735527A (zh) * 2023-06-09 2023-09-12 湖北经济学院 一种近红外光谱优化方法、装置、系统以及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104730027A (zh) * 2015-02-03 2015-06-24 中国农业大学 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法
CN105760871A (zh) * 2014-12-14 2016-07-13 仲恺农业工程学院 一种植物叶斑类病害抗性鉴定新方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760871A (zh) * 2014-12-14 2016-07-13 仲恺农业工程学院 一种植物叶斑类病害抗性鉴定新方法
CN104730027A (zh) * 2015-02-03 2015-06-24 中国农业大学 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
中华人民共和国国家质量监督检验检疫总局与中国国家标准化管理委员会: "小麦条锈病测报技术规范（GB/T15795-2011）", 《中华人民共和国国家标准》 *
刘国华: "《Halcon数字图像处理》", 30 June 2018, 西安电子科技大学出版社 *
朱文静: "红外热成像与近红外光谱结合快速检测潜育期番茄花叶病", 《光谱学与光谱分析》 *
马香花: "《小麦遗传改良与栽培技术研究》", 30 September 2008, 中原农民出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026050A (zh) * 2019-11-22 2020-04-17 北京航空航天大学 基于倍福工业以太网的热旋压加工智能控制系统
CN111062251A (zh) * 2020-03-23 2020-04-24 乔红波 基于无人机成像的农田棉蚜为害等级模型的监测方法
CN112001910A (zh) * 2020-08-26 2020-11-27 中国科学院遗传与发育生物学研究所 一种自动识别植株穗数的方法、装置、电子设备和存储介质
CN116735527A (zh) * 2023-06-09 2023-09-12 湖北经济学院 一种近红外光谱优化方法、装置、系统以及存储介质
CN116735527B (zh) * 2023-06-09 2024-01-05 湖北经济学院 一种近红外光谱优化方法、装置、系统以及存储介质

Similar Documents

Publication Publication Date Title
Yuan et al. Detection of anthracnose in tea plants based on hyperspectral imaging
CN109389581A (zh) 基于红外热成像边缘检测处理的小麦叶锈病分级的方法
Oberti et al. Automatic detection of powdery mildew on grapevine leaves by image analysis: Optimal view-angle range to increase the sensitivity
Verma et al. Prediction models for identification and diagnosis of tomato plant diseases
Zhao et al. Detection and discrimination of disease and insect stress of tea plants using hyperspectral imaging combined with wavelet analysis
Dreccer et al. Yielding to the image: How phenotyping reproductive growth can assist crop improvement and production
Zhang et al. Discrimination of winter wheat disease and insect stresses using continuous wavelet features extracted from foliar spectral measurements
Lin et al. A review on computer vision technologies applied in greenhouse plant stress detection
US7271386B2 (en) Method for detecting and managing nematode population
CN105067532B (zh) 一种鉴别油菜菌核病和灰霉病早期病斑的方法
Smigaj et al. Combined use of spectral and structural characteristics for improved red band needle blight detection in pine plantation stands
Samanta et al. Scab diseases detection of potato using image processing
CN108519346A (zh) 红外热像与近红外光谱结合检测潜育期番茄花叶病的方法
Lu et al. Hyperspectral imaging with machine learning to differentiate cultivars, growth stages, flowers, and leaves of industrial hemp (Cannabis sativa L.)
Kaiyan et al. Measurement of plant leaf area based on computer vision
Zhang et al. Chlorophyll content detection of field maize using RGB-NIR camera
Zhang et al. High-throughput phenotyping of plant leaf morphological, physiological, and biochemical traits on multiple scales using optical sensing
CN111751347A (zh) 基于拉曼光谱的白粉病胁迫下大麦叶片色素成像方法
Xu et al. Study of monitoring maize leaf nutrition based on image processing and spectral analysis
CN108846370A (zh) 一种小麦白粉病中晚期病害严重度自动分析方法
CN102184389A (zh) 用于心材与边材高色差树种的年轮自动识别方法
Watt et al. Previsual and early detection of myrtle rust on rose apple using indices derived from thermal imagery and visible-to-short-infrared spectroscopy
Lu et al. Hyperspectral imaging with cost-sensitive learning for high-throughput screening of loblolly pine (pinus taeda L.) seedlings for freeze tolerance
AU2021101996A4 (en) Nutrient deficiency stress detection and prediction in corn fields from aerial images using machine learning
Fevgas et al. Detection of biotic or abiotic stress in vineyards using thermal and RGB images captured via IoT sensors

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190226