CN113109269A - 一种柑橘黄龙病快速检测装置及检测方法 - Google Patents

一种柑橘黄龙病快速检测装置及检测方法 Download PDF

Info

Publication number
CN113109269A
CN113109269A CN202110478694.XA CN202110478694A CN113109269A CN 113109269 A CN113109269 A CN 113109269A CN 202110478694 A CN202110478694 A CN 202110478694A CN 113109269 A CN113109269 A CN 113109269A
Authority
CN
China
Prior art keywords
focus lens
short
gray
detection device
citrus
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
CN202110478694.XA
Other languages
English (en)
Inventor
蔡健荣
许骞
孙力
白竣文
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 CN202110478694.XA priority Critical patent/CN113109269A/zh
Publication of CN113109269A publication Critical patent/CN113109269A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/21—Polarisation-affecting properties
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • 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
    • G06T2207/10141—Special mode during image acquisition
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种柑橘黄龙病快速检测装置及检测方法，包括图像采集单元和控制单元；图像采集单元包括遮光箱体以及设置在遮光箱体内的偏振相机、短焦镜头、窄带LED光源、均光板、线偏振片、样品压板和样品台，短焦镜头安装于偏振相机上，均光板重叠放置于线偏振片上，均光板和线偏振片上均设有第二通孔，短焦镜头穿过第二通孔，短焦镜头与第二通孔相切，线偏振片与短焦镜头的最底端齐平，线偏振片的线偏振方向平行于偏振相机的0°方向；窄带LED光源发出的光，经过均光板的匀光处理后，由线偏振片转换成线偏振光，经样本反射和散射后，被偏振相机采集，传输至控制单元进行下一步处理。本发明能够实现柑橘黄龙病的早期现场快速检测。

Description

一种柑橘黄龙病快速检测装置及检测方法
技术领域
本发明涉及植物病害的检测领域，尤其涉及一种柑橘黄龙病快速检测装置及检测方法。
背景技术
柑橘是我国第一大水果，占全国水果产量的20.4％。柑橘黄龙病(Huanglongbing,HLB)，以传染性强、破坏力大著称，被称为“柑橘癌症”，一直以来严重影响着我国柑橘种植业的发展，并且无根治手段，被列为强制检疫性疾病。
目前对于柑橘黄龙病主要采取以防为主的控制策略，对植株进行早期筛查，发现染病植株后立即清除以控制黄龙病蔓延，主要检测方法包括：肉眼观察法、显微镜观察法、PCR检测法、近红外光谱法等，其中肉眼观察法和显微镜观察法依赖于检测人员的主观经验，评价不够客观；PCR检测法需要在实验室完成，该方法耗时且昂贵，不适合果园大范围检测；近红外光谱法通过光学传感器对柑橘植株的黄龙病感染情况进行评估，通过提取的光谱特征区分黄龙病叶片和健康叶片，该方法检测速度快，但易受季节和柑橘品种的影响，准确性差。柑橘黄龙病与宿主、病原菌、传播媒介以及环境条件(天气和土壤营养水平等)均有关系，且时常与缺素症状混杂，目前未见便携高效的黄龙病快速检测方法和装置。
叶绿素含量及其分布是植物生长各阶段光合作用能力、营养胁迫、病害胁迫等的指示剂，叶绿体的破坏导致叶绿素流失，叶黄素占比上升，该变化可以表征植物营养胁迫和病害胁迫。感染黄龙病的叶片，因其韧皮部形成阻塞，阻碍了光合作用产物的输送，从而在叶面形成积累，表现为不规则、无规律分布；缺素叶片，由于光合作用产物从叶绿体中转移受阻，淀粉颗粒的积累发生在所有叶绿体中，表现为有规律、均匀的分布。淀粉颗粒的大量积累导致叶绿体结构破坏，叶绿素流失，叶黄素占比上升，叶片出现黄化。不同染病程度的黄龙病叶片表现为不同程度的黄化，黄龙病叶片黄化的深浅程度以及叶黄素分布的不规则、无规律性是黄龙病早期快速检测的依据。
现有技术公开了一种基于可见光图像的柑橘黄龙病检测方法，在自然光下采集染病叶片和健康叶片的图像，提取纹理特征和HSV颜色特征，将上述特征值输入到BP神经网络进行训练、学习，得到最优的BP神经网络模型，提取待识别叶片的图像特征，输入BP神经网络模型中进行判断。该方法直接采用自然光为照明条件，受室外光照强度、天气因素影响严重，降低了图像采集的一致性、检测结果的稳定性，且使用的是全波段光作为照射光源，叶片内不同的色素物质对于光谱的吸收率相近，不利于区分叶片表面病变位置。
发明内容
针对现有技术中存在不足，本发明提供了一种柑橘黄龙病快速检测装置和方法，能够实现柑橘黄龙病的早期现场快速检测。
本发明是通过以下技术手段实现上述技术目的的。
一种柑橘黄龙病快速检测装置，包括图像采集单元和控制单元；
所述图像采集单元包括遮光箱体以及设置在所述遮光箱体内的偏振相机、短焦镜头、窄带LED光源、均光板、线偏振片、样品压板和样品台，所述偏振相机设置于所述遮光箱体的顶壁内侧，所述短焦镜头安装于所述偏振相机上，所述均光板重叠放置于所述线偏振片上，所述均光板和所述线偏振片上均设有第二通孔，所述短焦镜头穿过所述第二通孔，所述短焦镜头与所述第二通孔相切，所述线偏振片与所述短焦镜头的最底端齐平，所述线偏振片的线偏振方向平行于所述偏振相机的0°方向；
所述窄带LED光源发出的光，经过所述均光板的匀光处理后，由所述线偏振片转换成线偏振光，照射到所述样品台上的叶片样本，经样本反射和散射后，被所述偏振相机采集，传输至所述控制单元进行下一步处理。
优选的，所述窄带LED光源采用660nm窄带光源，所述窄带LED光源包括基板、若干个灯珠，所述基板为铝板，若干灯珠串联，且若干灯珠以第一通孔的轴线为圆心，沿周向均匀分布。
优选的，所述短焦镜头的主要参数如下：焦距8mm、500万像素、最小工作距离50mm。
优选的，所述短焦镜头与所述样品台之间的距离为130mm。
优选的，还包括散热铝板，所述散热铝板放置于所述均光板上方，所述散热铝板上设有第一通孔，所述短焦镜头穿过所述第一通孔，所述灯珠安装在基板上，所述基板粘连在所述散热铝板上。
优选的，所述均光板与所述散热铝板之间的距离为50mm，所述样品压板选用低反光光学玻璃。
优选的，所述样品台的上表面设有一层黑色吸光布。
一种柑橘黄龙病快速检测装置的检测方法，其特征在于，包括：
步骤一：采集不同病害种类柑橘叶片和健康叶片的图像；
步骤二：提取纹理特征、灰度直方图特征以及灰度方差的空间分布图像特征；
步骤三：将提取的图像特征输入随机森林分类器中进行训练，建立RF分类模型；
步骤四：提取待识别样本的纹理特征、灰度直方图特征以及灰度方差的空间分布图像特征，在RF分类模型中进行分类，对于一个输入样本，N棵树会产生N个分类结果，随机森林算法集成所有的分类投票结果，将投票次数最多的类别指定为最终的输出。
优选的，所述步骤一具体为：以所述窄带LED光源作为照明光源，通过所述偏振相机，采集四个偏振角度的灰度图像，选取其中的90°图像作为分类模型的输入图像进行训练。
优选的，所述步骤二具体为：
将所有图像中的叶脉方向统一，通过全局阈值分割算法将叶片区域与拍摄背景区域分离；
计算取距离d＝1时的灰度共生矩阵，分别得到0°、45°、90°、135°角度下的四个灰度共生矩阵，提取其中能量、对比度、相关和逆差距4个特征作为纹理特征值，具体公式为：
能量E的计算公式：E＝∑i,jp(i,j)2、
对比度Con的计算公式：Con＝∑i,j(i-j)2p(i,j)、
相关Cor的计算公式：
Figure BDA0003047881500000031
逆差矩H的计算公式：
Figure BDA0003047881500000032
将0°，45°，90°，135°四个方向上获取的上述四个特征的特征值分别求均值和方差，最终获得八个特征值，作为RF分类模型的输入特征；
从灰度直方图中提取灰度均值、灰度方差，作为提取的灰度直方图特征；
以图谱的方式突出显示叶片中黄化区域的大小以及分布情况，获取灰度方差的空间分布曲线，沿叶脉垂直方向，以像素为单位，计算输入的叶片图像各列的灰度方差，沿叶脉方向，以像素为横坐标，灰度方差为纵坐标，统计输入图像的灰度方差值的空间分布。
本发明的有益效果：
1)本发明根据黄龙病病害胁迫对叶片叶绿素分布产生的特异性影响出发，筛选660nm特征波段作为图像的采集光源波段，利于突出叶片中的病害胁迫区域，提升成像质量，有效提高了识别准确率，且由于早期黄龙病的黄化不易被人眼识别，而660nm特征波段对于黄龙病早期的轻微黄化比较敏感，所以对于早期黄龙病的检测具有较好的效果。
2)本发明将偏振光与偏振相机结合，利用偏振光经过叶片散射导致的退偏特性，选取90°图像作为输入图像，有效地去除了叶片表面蜡质层导致的表面反光；本发明用低反光光学玻璃作为叶片压板以减少玻璃反光，同时使采集的叶片图像平整，避免卷曲造成的图像变形。
3)本发明选取特定的4个特征在4个方向上的均值和方差取代单个方向上的上述4个特征值，减少了输入特征的数量，在简化算法的同时，有效提高了分类准确率。
4)本发明统计输入图像的灰度方差值的空间分布，能有效地表征黄龙病感染叶片不规则的斑驳状分布。
5)本发明选用随机森林算法，减小了由于样本数量有限带来的影响，避免了过拟合问题，可以有效地提高判别的准确率。
附图说明
图1为根据本发明实施例的一种柑橘黄龙病快速检测装置的结构示意图；
图2为图1的剖面图；
图3为本发明实施例的窄带LED光源灯珠分布图；
图4为本发明实施例的灰度方差的空间分布曲线获取示意图；
图5不同病害叶片的灰度方差的空间分布曲线图；
图6本发明实施例的随机森林算法分类流程图；
图7为偏振相机里的偏振单元示意图。
图中：
1.遮光箱体，2.相机固定件，3.偏振相机，4.短焦镜头，5.散热铝板，6.灯珠，7.均光板，8.线偏振片，9.样品压板，10.样品台。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面首先结合附图具体描述根据本发明实施例的一种柑橘黄龙病快速检测装置。
请参照图1，根据本发明实施例的一种柑橘黄龙病快速检测装置，包括图像采集单元和控制单元。
具体的，如图2所示，图像采集单元包括遮光箱体1以及设置在遮光箱体1内的相机固定件2、偏振相机3、短焦镜头4、窄带LED光源、均光板7、线偏振片8、样品压板9和样品台10，控制机构包括光源控制器和计算机。
遮光箱体1使用厚度为5mm的黑色亚克力板搭建，箱体为160mm×160mm×250mm的长方体，遮光箱体1的顶板中心留有长方形布线孔，用于将偏振相机3和窄带LED光源分别与计算机和光源控制器连接。
偏相机振3通过相机固定件2安装于遮光箱体1的顶壁内侧，并且偏振相机3位于遮光箱体1的中心，偏振相机3的型号为LUCIO PHX050S-P，集成了微偏振元件，可拍摄0°、45°、90°、135°四个偏振角度的灰度图像，且增益从0dB到48dB可调。短焦镜头4主要参数如下：焦距8mm、500万像素、最小工作距离50mm，短焦镜头4通过螺纹口与偏振相机3连接。
散热铝板5尺寸为150mm×150mm×2mm，且中心留有直径为32mm的第一通孔，用于穿过短焦镜头4，散热铝板5放置于均光板7上方，且距均光板750mm。
窄带LED光源采用660nm窄带光源，窄带LED光源包括基板、若干个灯珠和散热铝板，基板为铝板，若干灯珠6串联，灯珠6的分布图如图3所示，若干灯珠6以第一通孔的轴线为圆心，沿周向均匀分布，通过散热硅脂粘连在散热铝板5上。本实施例中灯珠6的个数为六个，灯珠6的型号为美国科瑞公司CREE XPE2 660nm灯珠，单个灯珠最大功率3W。
均光板7尺寸为150mm×150mm×2mm，且中心留有直径为32mm的第二通孔，线偏振片8尺寸为150mm×150mm×2mm，且中心留有直径为32mm的第二通孔，重合放置于均光板7下方。短焦镜头4穿过均光板7和线偏振片8上的第二通孔，短焦镜头4与第二通孔相切，线偏振片8与短焦镜头4最底端齐平，线偏振片8的线偏振方向平行于偏振相机3内的偏振单元的0°方向，偏振相机3里的偏振单元示意图如图7所示。样品台10尺寸为150mm×150mm×2mm，距离短焦镜头4最底端130mm，样品台10上敷一层黑色吸光布，用于简化图像分割的背景。
样品压板9选用低反光光学玻璃材质，放置于样品台10上，用于压平叶片样品，使采集的叶片图像平整，避免卷曲造成的图像变形。
窄带LED光源发出的光，经过均光板7的匀光处理后，由线偏振片8转换成线偏振光，照射到样品台10上的叶片样本，经样本反射和散射后，被偏振相机3采集，传输至控制单元进行下一步处理。
上述基于窄带可见光成像的柑橘黄龙病快速检测装置的检测方法，包括以下步骤：
S1：采集不同病害种类柑橘叶片和健康叶片的图像；具体为：
以窄带LED光源作为照明光源，利用该波段下色素对光的吸收率差异，突显病害胁迫区域。通过偏振相机，采集四个偏振角度的灰度图像，为提高成像质量，消除反光，选取其中的90°图像作为分类模型的输入图像进行训练；
S2：提取纹理特征、灰度直方图特征以及灰度方差的空间分布等图像特征；
S201：图像旋转，使叶脉方向统一，通过全局阈值分割算法将叶片区域与拍摄背景区域分离；
S202：计算取距离d＝1时的灰度共生矩阵，分别得到0°、45°、90°、135°角度下的4个灰度共生矩阵，提取其中能量、对比度、相关和逆差距4个特征作为纹理特征值，将0°，45°，90°，135°，4个方向上获取的上述4个特征的特征值分别求均值和方差，最终获得8个特征值，作为RF分类模型的输入特征；
距离差分值a，b取不同的数值组合，可以得到不同情况下的联合概率矩阵。a，b的取值需根据纹理周期分布的特性来选择，对于较细的纹理，选取1,0、1,1、2,0等小的差分值。
当a＝1，b＝0时，像素对水平，即0度扫描；当a＝0，b＝1时，像素对垂直，即90度扫描；当a＝1，b＝1时，像素对为右对角线，即45度扫描；当a＝-1，b＝-1时，像素对为左对角线，即135度扫描。这样两个像素灰度级同时发生的概率，就将x，y的空间坐标转化为“灰度对”g1，g2来描述，形成了灰度共生矩阵。
由于图像纹理特征中的能量、对比度、相关和逆差距可以较为全面地反映黄龙病叶片黄化的深浅程度以及叶黄素的不规则、无规律分布，因此本发明选取其中较为典型的能量、对比度、相关和逆差距4个特征作为提取的纹理特征：
能量E
E＝∑i,jp(i,j)2
能量反映了图像灰度发布均匀程度和纹理粗细度。
对比度Con
Con＝∑i,j(i-j)2p(i,j)
对比度反映了图像的清晰度和纹理沟纹深浅的程度。
相关Cor
Figure BDA0003047881500000061
相关用于度量空间灰度共生矩阵元素在行或列方向上的相似程度。
逆差距H
Figure BDA0003047881500000071
逆差距反映图像纹理的同质性，度量图像纹理局部变化的多少，值越大，说明图像纹理的不同区域间缺少变化，局部非常均匀。
实验证明，使用上述能量、对比度、相关和逆差距四个特征在四个方向上的均值和方差作为输入特征时的分类准确度高于单个方向上四个特征作为输入特征时的分类准确度，因此将0°，45°，90°，135°，四个方向上获取的上述四个特征的特征值分别求均值和方差，最终获得8个特征值，作为RF分类模型的输入特征。
S203：从输入图像灰度直方图中提取灰度均值、灰度方差，作为提取的灰度直方图特征；其中，灰度均值Mean
Mean＝∑ip(i)
灰度方差σ2
σ2＝∑i(i-μ)2p(i)
S204：如图4所示，为增强黄龙病叶片黄化的不规则、无规律的分布特征，沿叶脉垂直方向，以像素为单位，计算输入的叶片图像各列的灰度方差，沿叶脉方向，以像素为横坐标，灰度方差为纵坐标，统计输入图像的灰度方差值的空间分布，获取灰度方差的空间分布曲线，如图5所示，由于黄龙病叶片中的黄化区域为斑驳状分布，所以黄龙病叶片的灰度方差分布曲线中存在峰值明显高于其他位置的点，而缺素叶片的黄化较为均匀，灰度方差分布曲线的峰值大小相差不大，峰值的分布具有规律性，健康叶片的灰度方差分布曲线则无明显波动。
S3：将提取的特征输入随机森林Random Forest，RF分类器中进行训练，建立RF分类模型；
S4：提取待识别样本的上述特征，在RF分类模型中进行分类，分类流程图如图6所示，对于一个输入样本，N棵树会产生N个分类结果，随机森林算法集成所有的分类投票结果，将投票次数最多的类别指定为最终的输出。
选取赣南脐橙和柚子的黄龙病、健康和缺素叶作为实验对象，实验表明单个品种病害识别准确率93％以上。
与已有技术相比，本发明根据黄龙病病害胁迫对叶片叶绿素分布产生的特异性影响出发，筛选660nm特征波段作为图像的采集光源波段，利于突出叶片中的病害胁迫区域，提升成像质量，有效提高了识别准确率，且由于早期黄龙病的黄化不易被人眼识别，而660nm特征波段对于黄龙病早期的轻微黄化比较敏感，所以对于早期黄龙病的检测具有较好的效果；将偏振光与偏振相机结合，利用偏振光经过叶片散射导致的退偏特性，选取90°图像作为输入图像，有效地去除了叶片表面蜡质层导致的表面反光；本发明用低反光光学玻璃作为叶片压板以减少玻璃反光，同时使采集的叶片图像平整，避免卷曲造成的图像变形；选取特定的4个特征在4个方向上的均值和方差取代单个方向上的上述4个特征值，减少了输入特征的数量，在简化算法的同时，有效提高了分类准确率；统计输入图像的灰度方差值的空间分布，能有效地表征黄龙病感染叶片不规则的斑驳状分布；选用随机森林算法，减小了由于样本数量有限带来的影响，避免了过拟合问题，可以有效地提高判别的准确率。
说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种柑橘黄龙病快速检测装置，其特征在于，包括图像采集单元和控制单元；
所述图像采集单元包括遮光箱体(1)以及设置在所述遮光箱体(1)内的偏振相机(3)、短焦镜头(4)、窄带LED光源、均光板(7)、线偏振片(8)、样品压板(9)和样品台(10)，所述偏振相机(3)设置于所述遮光箱体(1)的顶壁内侧，所述短焦镜头(4)安装于所述偏振相机(3)上，所述均光板(7)重叠放置于所述线偏振片(8)上，所述均光板(7)和所述线偏振片(8)上均设有第二通孔，所述短焦镜头(4)穿过所述第二通孔，所述短焦镜头(4)与所述第二通孔相切，所述线偏振片(8)与所述短焦镜头(4)的最底端齐平，所述线偏振片(8)的线偏振方向平行于所述偏振相机(3)的0°方向；
所述窄带LED光源发出的光，经过所述均光板(7)的匀光处理后，由所述线偏振片(8)转换成线偏振光，照射到所述样品台(10)上的叶片样本，经叶片样本反射和散射后，被所述偏振相机(3)采集，传输至所述控制单元进行下一步处理。
2.根据权利要求1所述的柑橘黄龙病快速检测装置，其特征在于，所述窄带LED光源采用660nm窄带光源，所述窄带LED光源包括基板、若干个灯珠所述基板为铝板，若干灯珠(6)串联，且若干灯珠(6)以第一通孔的轴线为圆心，沿周向均匀分布。
3.根据权利要求1所述的柑橘黄龙病快速检测装置，其特征在于，所述短焦镜头(4)的主要参数如下：焦距8mm、500万像素、最小工作距离50mm。
4.根据权利要求1所述的柑橘黄龙病快速检测装置，其特征在于，所述短焦镜头(4)与所述样品台(10)之间的距离为130mm。
5.根据权利要求2所述的柑橘黄龙病快速检测装置，其特征在于，还包括散热铝板(5)，所述散热铝板(5)放置于所述均光板(7)上方，所述散热铝板(5)上设有第一通孔，所述短焦镜头(4)穿过所述第一通孔，所述灯珠(6)安装在基板上，所述基板粘连在所述散热铝板(5)上。
6.根据权利要求5所述的柑橘黄龙病快速检测装置，其特征在于，所述均光板(7)与所述散热铝板(5)之间的距离为50mm，所述样品压板(9)选用低反光光学玻璃。
7.根据权利要求1所述的柑橘黄龙病快速检测装置，其特征在于，所述样品台(10)的上表面设有一层黑色吸光布。
8.一种根据权利要求1所述的柑橘黄龙病快速检测装置的检测方法，其特征在于，包括：
步骤一：采集不同病害种类柑橘叶片和健康叶片的图像；
步骤二：提取纹理特征、灰度直方图特征以及灰度方差的空间分布图像特征；
步骤三：将提取的图像特征输入随机森林分类器中进行训练，建立RF分类模型；
步骤四：提取待识别样本的纹理特征、灰度直方图特征以及灰度方差的空间分布图像特征，在RF分类模型中进行分类，对于一个输入样本，N棵树会产生N个分类结果，随机森林算法集成所有的分类投票结果，将投票次数最多的类别指定为最终的输出。
9.根据权利要求8所述的柑橘黄龙病快速检测装置的检测方法，其特征在于，所述步骤一具体为：以所述窄带LED光源作为照明光源，通过所述偏振相机(3)，采集四个偏振角度的灰度图像，选取其中的90°图像作为分类模型的输入图像进行训练。
10.根据权利要求8所述的柑橘黄龙病快速检测装置的检测方法，其特征在于，所述步骤二具体为：
将所有图像中的叶脉方向统一，通过全局阈值分割算法将叶片区域与拍摄背景区域分离；
计算取距离d＝1时的灰度共生矩阵，分别得到0°、45°、90°、135°角度下的四个灰度共生矩阵，提取其中能量、对比度、相关和逆差距4个特征作为纹理特征值，具体公式为：
能量E的计算公式：E＝∑i,jp(i,j)2、
对比度Con的计算公式：Con＝∑i,j(i-j)2p(i,j)、
相关Cor的计算公式：
Figure FDA0003047881490000021
逆差矩H的计算公式：
Figure FDA0003047881490000022
将0°，45°，90°，135°四个方向上获取的上述四个特征的特征值分别求均值和方差，最终获得八个特征值，作为RF分类模型的输入特征；
从灰度直方图中提取灰度均值、灰度方差，作为提取的灰度直方图特征；
以图谱的方式突出显示叶片中黄化区域的大小以及分布情况，获取灰度方差的空间分布曲线，沿叶脉垂直方向，以像素为单位，计算输入的叶片图像各列的灰度方差，沿叶脉方向，以像素为横坐标，灰度方差为纵坐标，统计输入图像的灰度方差值的空间分布。
CN202110478694.XA 2021-04-30 2021-04-30 一种柑橘黄龙病快速检测装置及检测方法 Pending CN113109269A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110478694.XA CN113109269A (zh) 2021-04-30 2021-04-30 一种柑橘黄龙病快速检测装置及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110478694.XA CN113109269A (zh) 2021-04-30 2021-04-30 一种柑橘黄龙病快速检测装置及检测方法

Publications (1)

Publication Number Publication Date
CN113109269A true CN113109269A (zh) 2021-07-13

Family

ID=76720641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110478694.XA Pending CN113109269A (zh) 2021-04-30 2021-04-30 一种柑橘黄龙病快速检测装置及检测方法

Country Status (1)

Country Link
CN (1) CN113109269A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113984657A (zh) * 2021-09-26 2022-01-28 淮阴工学院 基于光谱技术的便携式苹果糖度仪及苹果糖度测量方法
CN117269102A (zh) * 2022-10-12 2023-12-22 衢州学院 一种基于黄龙病的快速检测仪及其使用方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008551A (zh) * 2014-06-10 2014-08-27 华南农业大学 一种基于可见光图像的柑橘黄龙病检测方法
US20170131200A1 (en) * 2014-06-15 2017-05-11 The State of Israel, Ministry of Agriculture & Rural Development Agricultural Research Organizati Method for huanglongbing (hlb) detection
CN108489908A (zh) * 2018-03-02 2018-09-04 浙江大学 一种基于偏振光技术的柑橘黄龙病快速检测装置和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008551A (zh) * 2014-06-10 2014-08-27 华南农业大学 一种基于可见光图像的柑橘黄龙病检测方法
US20170131200A1 (en) * 2014-06-15 2017-05-11 The State of Israel, Ministry of Agriculture & Rural Development Agricultural Research Organizati Method for huanglongbing (hlb) detection
CN108489908A (zh) * 2018-03-02 2018-09-04 浙江大学 一种基于偏振光技术的柑橘黄龙病快速检测装置和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113984657A (zh) * 2021-09-26 2022-01-28 淮阴工学院 基于光谱技术的便携式苹果糖度仪及苹果糖度测量方法
CN117269102A (zh) * 2022-10-12 2023-12-22 衢州学院 一种基于黄龙病的快速检测仪及其使用方法

Similar Documents

Publication Publication Date Title
Mahajan et al. Image acquisition techniques for assessment of legume quality
CN203275285U (zh) 一种基于高光谱成像的大米品质在线无损检测装置
Kim et al. Classification of grapefruit peel diseases using color texture feature analysis
CN105181611B (zh) 类球形水果透射高光谱成像无损检测装置
Yu et al. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing
CN102621077B (zh) 基于高光谱反射图像采集系统的玉米种子纯度无损检测方法
CN113109269A (zh) 一种柑橘黄龙病快速检测装置及检测方法
CN104034710B (zh) 基于叶绿素荧光及成像技术的植物病害检测方法
CN103063585A (zh) 瓜果成熟度快速无损检测装置及检测系统建立方法
US20090171591A1 (en) Methods for classification of somatic embryos comprising hyperspectral line imaging
CN101756696A (zh) 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法
CN104749134A (zh) 一种检测叶菜类作物冠层水分含量的方法
CN110163101B (zh) 中药材种子区别及等级快速判别方法
CN103954570A (zh) 一种基于光谱成像技术的粮食虫害程度判别方法
CN110763698A (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN109684906A (zh) 基于深度学习的检测红脂大小蠹的方法
Wenting et al. Detecting maize leaf water status by using digital RGB images
Xue et al. Automated Chinese medicinal plants classification based on machine learning using leaf morpho-colorimetry, fractal dimension and visible/near infrared spectroscopy
CN106546569B (zh) 一种高通量的植物抗旱性突变体的筛选方法及装置
CN115456960A (zh) 一种柑橘黄龙病虫害的监测预警系统及方法
Tan et al. Identification of soybean seed varieties based on hyperspectral image
Shao et al. Detection and analysis of sweet potato defects based on hyperspectral imaging technology
CN114674759A (zh) 一种柑橘黄龙病快速检测装置及检测方法
CN112903602A (zh) 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统
Torres et al. Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging

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

Application publication date: 20210713

RJ01 Rejection of invention patent application after publication