TWI656334B - 蘭花病蟲害高光譜成像早期偵測系統 - Google Patents

蘭花病蟲害高光譜成像早期偵測系統 Download PDF

Info

Publication number
TWI656334B
TWI656334B TW107105586A TW107105586A TWI656334B TW I656334 B TWI656334 B TW I656334B TW 107105586 A TW107105586 A TW 107105586A TW 107105586 A TW107105586 A TW 107105586A TW I656334 B TWI656334 B TW I656334B
Authority
TW
Taiwan
Prior art keywords
pests
orchid
diseases
spectral
hyperspectral
Prior art date
Application number
TW107105586A
Other languages
English (en)
Other versions
TW201934984A (zh
Inventor
蔣依吾
吳昭正
蘇俊峯
Original Assignee
國立中山大學
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 國立中山大學 filed Critical 國立中山大學
Priority to TW107105586A priority Critical patent/TWI656334B/zh
Application granted granted Critical
Publication of TWI656334B publication Critical patent/TWI656334B/zh
Publication of TW201934984A publication Critical patent/TW201934984A/zh

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

現行蘭花病蟲害之診斷方法多以病徵表現與病蟲鑑定為主，均於病蟲害發生後才能據以判斷，已喪失防治先機。蝴蝶蘭苗株於出口裝櫃前，均以人工檢視產品有無可見病徵及害蟲發生，惟無法辨識早期未發病或病徵尚不明顯之植株，且耗時費工。高光譜影像結合傳統成像和光譜學，利用受檢物之光譜吸收特性隨其成分特有分子類別及濃度呈現不同吸光值，據以反推受檢物之組成化合物種類及含量，定性與定量快速測定其成分含量和空間分佈，可用來確認被識別物體之組成成分。依花卉病理學理論分析蘭花病蟲害早期病理指標，建構高光譜檢測平台，藉由高光譜影像感測器針對樣本進行檢測，用以建立光譜資料庫，搜尋與病理指標關聯之光譜特徵或波段，並進行敏感度測試，確立蘭花病蟲害檢測準則與感染程度評量標準，完善蘭花真菌感染與蟲害檢測技術。

Description

蘭花病蟲害高光譜成像早期偵測系統
一種影像分析系統基於高光譜成像技術應用於蘭花病蟲害檢測具全面性、非侵入式、非破壞性、即時性，無繁瑣前置處理和化學反應過程、成本低、操作方便及檢測過程無污染等特點，藉由檢測是否感染白絹病、葉斑病與鐮胞菌，建立光譜特徵資料庫，用以分析檢體組成之化合物含量，進行蘭花品質篩選與健康分級，降低疾病傳染威脅。
花卉是臺灣少數能於國際舞台發光發熱之農作物，2015年外銷產值2.06億美元，其中又以蘭花出口值1.76億美元為最大宗，占整體花卉外銷量85.4%。蘭花生產栽培過程常遭遇病蟲害危害，若不能正確診斷病蟲害種類對症下藥，或疏於早期預防，貨品將無法達出口通關品質，進而喪失市場競爭力。更甚者，輸美蝴蝶蘭需經一個月海運抵達，通關時若檢疫出特定疫病蟲害，將面臨退貨或檢疫處理(如燻蒸)，導致到貨品質降低。面臨不得檢出任何有害生物之新開發外銷國家，更使蘭花外銷面臨非關稅之貿易障礙。
常見之蘭花蟲害包括介殼蟲類、薊馬類與葉蟎類等，寄生於花苞、葉片、葉鞘、莖部與根部。吸允植株汁液使被害葉片漸黃化枯萎， 最後脫落，嚴重影響植株生長，發生於花苞時，造成花芽萎縮、黃化脫落；成熟花苞被害後，花展開時花朵皺縮扭曲，被害之花朵失去豔麗色彩，影響美觀。常見之病害包括白絹病、葉斑病與鐮胞菌等真菌感染，遇環境適合時可侵害寄主之部位包括球莖、根、莖及與介質接觸之葉部等，產生不同程度之褐色到黑褐色壞疽，使植物失去生氣，地上部萎凋黃化，葉片乾枯捲曲死亡。蘭花屬於高經濟價值之賞花植物，帶有病斑之花朵會影響其觀賞價值，減低消費者選購慾望；若為切花之產品，則其商品價值降低，銷售無門，損失甚鉅。
高光譜影像收集及處理跨電磁波譜之整個資訊，工程界中已製造可用於農業、礦業、物理及監控領域之傳感器及處理系統，高光譜傳感器通過可見光至近紅外光之波段光頻譜探測物體，由於高光譜與空間解析度，物體會在電磁頻譜中留下具有唯一「指紋」，這些「指紋」稱為光譜特性。高光譜成像結合傳統成像和光譜學，利用受檢物之反射光譜特性用以偵測目標物，由於高光譜毋需依賴空間上特徵，因此可以用以檢測肉眼所無法看見之目標，並定量分析該成分含量，其擁有之分析能力遠高於傳統影像技術與一般光譜技術。
高光譜儀主要為量測樣品之吸收、穿透和反射量，其中反射光譜是量測樣品反射之光量，透過個波段反射特性建立量測目標物之關聯性。高光譜成像，隨圖像中每一像素之光譜信息不同，根據位置或空間分佈而形成一可被分析之三維數據，代表樣品之物理和化學特性，更可重複採集光譜以提高準確率，因此，高光譜成像同時具有對肉眼所無法辨識目標物偵測與定量之分析能力。反射式高光譜成像技術適用於即時和非破 壞性檢測，能快速測出含有細菌之腐敗農產品與農產品鮮嫩度，過去已有許多應用於農畜產品檢測。例如透過葉綠素與花青素含量推斷草莓成熟度，利用葉綠素評估植物健康狀況、分析植物含水量與營養狀態，檢測真菌病原體與鹽分，偵測蟲卵、蟲體、排泄物與菌類以避免作物感染病蟲害與蟲蛀、碰傷缺陷檢驗，測試健康與不健康新鮮肉品差異，檢測肉品新鮮度並得知肉品脂肪與水含量。在其他農畜品檢驗研究中，反射式高光譜儀已證實可用於檢驗黃瓜和蘋果是否有缺陷，蘋果、草莓、柳橙與麥片分類，牛肉肉質評估，牛肉摻水檢驗，家禽肉類檢查，大豆檢驗等方面。
由於病蟲害感染早期至發病初期，尚未出現病徵或病徵不明顯，透過肉眼難以察覺，但此時真菌已具有感染能力，一旦植株發病，感染擴散能力大增，嚴重影響植株健康，察覺時一般已造成龐大損害。透過比較各病蟲害早期產生之光譜特徵、菌絲分布與對植株之影響等獨特性狀，比對感染病蟲害植株與健康植株之各光譜波段特徵，可找出對此獨特性狀具鑑別力之光譜波段。
為偵測病蟲害感染早期之細微特徵，光譜識別之敏感度至關重要，敏感度影響特徵最小可偵測量與檢測細緻度，提升檢測系統鑑別力與敏感度可檢測微量病源。蘭花高光譜病蟲害偵測技術，透過即時檢驗與預警，提供早期防治預警措施，有效改善外銷蘭花通關與到貨品質及穩定供應機制，強化國際競爭優勢。
10‧‧‧紅外高光譜儀
11‧‧‧反射及透射廣波域鹵素光源
12‧‧‧電控移動台
13‧‧‧高度調焦模組
14‧‧‧反射及透射樣品台
15‧‧‧紅外高光譜系統暗箱
16‧‧‧紅外高光譜系統電源供應器
第1圖本發明系統圖。
第2圖本發明系統之檢測流程圖。
第3圖健康狀態(未接種前)病灶區域影像。
第4圖健康狀態(未接種前)病灶區域之發病梯度光譜波形。
第5圖接種後約兩小時病灶區域影像(目測與健康狀態一樣除因接種點之打傷黑點)。
第6圖接種後約兩小時病灶區域之發病梯度光譜波形(波形大致與健康狀態一樣)。
第7圖接種後約兩天病灶區域影像(目測與健康狀態一樣，接種點開始癒合)。
第8圖接種後約兩天病灶區域之發病梯度光譜波形(波形開始變化不同)。
第9圖接種後約三天病灶區域影像(目測與健康狀態一樣，接種點持續癒合)。
第10圖接種後約三天病灶區域之發病梯度光譜波形(波形持續變化)。
第11圖接種後約五天病灶區域影像(目測已開始發病變黑)。
第12圖接種後約五天病灶區域之發病梯度光譜波形(波形持續變化)。
請參考第1圖，蘭花病蟲害高光譜成像早期偵測系統以反射及透射樣品台14放置蘭花，再使用反射及透射鹵素光源11發出不同波長之光波，透過紅外高光譜系統暗箱15阻絕外部光線之干擾及高度調焦模組13微調清晰度，最後由紅外高光譜儀10擷取反射波長特徵圖像，並使用高光 譜成像系统軟體進行分析。
請參考第2圖，高光譜波長特徵圖像同時含有光譜資訊和圖像資訊，因此，高光譜成像系统軟體處理過程首先由參考白板進行初步校正，再區分為光譜處理和影像處理兩部分：
1.圖像分析
(1)圖像提取：對單一波段或不同波段比之圖片採用臨界值轉換。
(2)圖像預處理：圖像分析預處理是移除光譜資訊中物理影響(如表面不均勻引起之散射影響)，為後續資料處理做準備，可利用低通濾波器、高通濾器等降低雜訊。圖像分析擬採用典型判別分析(Canonical Discriminant Analysis，CDA)和臨界值轉換等自複雜背景圖中擷取樣品圖像。
(3)特徵提取：擬採用多變數圖像分析(Multivariate image analysis，MIA)技術直接在圖像空間提取顏色、紋理、形狀等特徵。同時辨識蓮霧是否有諸如蟲蛀、物理性傷口等外觀缺陷。
2.光譜分析
(1)光譜提取：在進行光譜分析時，首先從感興趣區域(ROI)提取出特徵光譜。
(2)光譜校正：分析預處理通常採用如光譜濾波器、基準線校正、多元散射校正、平滑化等，進行消除光譜背景雜訊，提高光譜解析度和靈敏度；針對表面不均勻與彎曲現象，進行散射校正；通過對波長採用均值中心化、標準化等方法進行增強光譜資料與認知品質關聯性。
(3)建立光譜資料庫：透過大量蓮霧病蟲害早期病理研究及實驗，用以建 立光譜資料庫，蒐集各項病蟲害於不同時期不同植株上之光譜反應，透過此一光譜資料庫，分析各項病蟲害之光譜特徵。
(4)光譜特徵分析：高光譜由於細微光譜解析度，不僅導致大量資料，也帶來許多非量測目標物之干擾，例如不同植株之間反應等，為偵測本計畫之目標病蟲害，將透過高光譜中波段選擇演算法(Band Selection Algorithms)、純物質萃取演算法(Endmember Extraction Algorithms)、異常物偵測演算法(Anomaly Detection Algorithms)針對病蟲害之光譜特徵進行分析。
(5)偵測病蟲害種類：利用各病蟲害之光譜特徵，並減少其餘干擾之信號源，用以偵測並辨識植株所感染之病蟲害種類，其中可以透過光譜相似性演算法(Spectral Angel Mapper,SAM及Spectral Information Divergence,SID)、限制能量最小化演算法(Constrained Energy Minimization,CEM)以及子空間正交投影(Orthogonal Subspace Projection,OSP)達成辨識與偵測之目的。
(6)各項病蟲害嚴重程度之分析：高光譜分析技術中濃度預估(abundance fraction estimation)可以針對各項物質所混合之濃度進行估算，透過此一概念可以分析各項病蟲害之嚴重程度，此一方式可以利用Abundance-Unconstrained Least Squares(UCLS)Method、Nonnegativity-Constrained Least Squares(NCLS)與Fully Constrained Least Squares(FCLS)等演算法進行分析。
蘭花病蟲害早期狀態無法以外觀判斷，需以水分、養分、病蟲害之光譜特徵做為標準檢測，利用高光譜成像與影像處理技術能達到 於病蟲害發生早期快速及客觀篩選及檢測。高光譜技術中大多利用線性分解模型，其模型如下式：r=Mα+n
其中r為所量測光譜信號，若假設此一信號是由p種不同物質混合，M代表p種物質之光譜反應，α則是各個化合物混合比例，最後n包含雜訊與模型錯誤。其中，找出p種物質之光譜反應是透過純物質萃取演算法(Endmember Extraction Algorithms)；用以偵測與辨別所量測光譜信號r之中，是否包含p種目標物質則為限制能量最小化演算法(Constrained Energy Minimization,CEM)以及子空間正交投影(Orthogonal Subspace Projection,OSP)；將量測信號r之光譜反應進行濃度分析，則可透過高光譜技術中Least Squares-Based Spectral Unmixing、Weighted Linear Spectral Unmixing、Kernel-Based Spectral Unmixing及Weighted Kernel-Based Spectral Unmixing等演算法。
請參考第3圖，健康植株接種前病灶點位置作為參考點，並使用本系統拍攝之光譜波形作為比對資料，如第4圖所示。請參考第5圖，在接種後約兩小時病灶點位置除接種傷口皆無異狀，病灶點波形與健康狀態相似，如第6圖所示。請參考第7圖，在接種後約兩天病灶點位置除接種傷口癒合皆無異狀，病灶點波形開始與健康狀態有所差異(已感染)，如第8圖所示。
利用高光譜儀器拍攝蘭花接種之病灶點發病前波形會和參考資料之健康蘭花(請參考第4圖)波形重疊，在發病(病灶範圍發黑)前幾天(請參考第5、7、9圖)，病灶點波形有下降趨勢(請參考第6、8、10圖)， 在發病(病灶範圍發黑)後(請參考第11圖)，病灶點波形低於參考資料波形(請參考第12圖)。蘭花之鐮胞菌病害早期偵測，找出常見蝴蝶蘭之鐮胞菌病害檢驗項目之特徵檢驗波長，例如波段950nm對健康與患病蘭花株具鑑別度。

Claims (4)

  1. 一種蘭花病蟲害高光譜成像早期偵測系統，包括：(a)紅外高光譜儀、(b)反射及透射廣波域鹵素光源、(c)電控移動台、(d)高度調焦模組、(e)反射及透射樣品台、(f)紅外高光譜系統暗箱、(g)紅外高光譜儀電源供應器、(h)紅外高光譜系統電源供應器、(i)高光譜成像系统軟體、(j)參考白板、(k)反射式高光譜成像分析、(l)蘭花病蟲害早期偵測敏感度及品質指標，其中前述(g)紅外高光譜儀電源供應器提供前述(a)紅外高光譜儀之操作電源，前述(h)紅外高光譜系統電源供應器提供蘭花病蟲害高光譜成像早期偵測系統中前述(b)反射及透射廣波域鹵素光源、(c)電控移動台及(d)高度調焦模組等構件之操作電源，可透過前述(c)電控移動台控制前述(e)反射及透射樣品台之移動位置，前述(b)反射及透射廣波域鹵素光源提供前述(a)紅外高光譜儀之取像光源，對放置於前述(f)紅外高光譜系統暗箱中之樣品進行取像，前述蘭花病蟲害包括白絹病、葉斑病與鐮胞菌病蟲害，蘭花病蟲害高光譜成像早期偵測系統首先透過系統硬體取像，再經系統軟體分析並偵測植株是否感染病害，前述步驟(i)高光譜成像系统軟體進行分析，步驟包括：(j)參考白板校正圖像、(m)圖像分析、(n)光譜分析，蘭花病蟲害高光譜成像早期偵測系統取像後先由(j)參考白板校正影像，再分別進行(m)圖像分析及(n)光譜分析。
  2. 根據申請專利範圍第1項之蘭花病蟲害高光譜成像早期偵測系統，其進一步包括：以(e)反射及透射樣品台放置蘭花，再使用(b)反射及透射鹵素光源發出不同波長之光波，透過(f)紅外高光譜系統暗箱阻絕外部光線之干擾及(d)高度調焦模組微調清晰度，最後由(a)紅外高光譜儀擷取反射波長 特徵圖像，並使用(i)高光譜成像系统軟體進行分析。
  3. 根據申請專利範圍第2項之蘭花病蟲害高光譜成像早期偵測系統，其中步驟(m)圖像分析，主要工作內容在於(k)反射式高光譜成像分析，包括：(o)圖像提取、(p)圖像預處理、(q)特徵擷取。(m)圖像分析首先進行(o)圖像提取，為更易於辨識特徵再進行(p)圖像預處理，最後根據病害特徵進行(q)特徵擷取。
  4. 根據申請專利範圍第2項之蘭花病蟲害高光譜成像早期偵測系統，其中步驟(n)光譜分析，主要工作內容在於(l)蘭花病蟲害早期偵測敏感度及品質指標，包括：(r)光譜提取、(s)光譜校正、(t)建立光譜資料庫、(u)光譜分析、(v)蘭花病蟲害之偵測、(w)病蟲害嚴重程度分析、(x)病蟲害於植株分布，(n)光譜分析首先對拍攝光譜影像進行(r)光譜提取，為降低光譜波形中的雜訊及誤差進行(s)光譜校正，依據光譜波形(t)建立光譜資料庫，再進行(u)光譜分析辨識病蟲害特徵，應用病蟲害特徵於(v)蘭花病蟲害之偵測，根據(v)蘭花病蟲害之偵測進一步對(w)病蟲害嚴重程度分析，最後辨識植株病蟲害輕重標示出(x)病蟲害於植株分布。
TW107105586A 2018-02-14 2018-02-14 蘭花病蟲害高光譜成像早期偵測系統 TWI656334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW107105586A TWI656334B (zh) 2018-02-14 2018-02-14 蘭花病蟲害高光譜成像早期偵測系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107105586A TWI656334B (zh) 2018-02-14 2018-02-14 蘭花病蟲害高光譜成像早期偵測系統

Publications (2)

Publication Number Publication Date
TWI656334B true TWI656334B (zh) 2019-04-11
TW201934984A TW201934984A (zh) 2019-09-01

Family

ID=66996090

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107105586A TWI656334B (zh) 2018-02-14 2018-02-14 蘭花病蟲害高光譜成像早期偵測系統

Country Status (1)

Country Link
TW (1) TWI656334B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098369A (zh) * 2020-08-18 2020-12-18 杭州电子科技大学 一种基于漫反射光的患霉心病苹果花检测方法及装置
CN112668404A (zh) * 2020-12-10 2021-04-16 哈尔滨师范大学 一种大豆病虫害的有效鉴定方法
CN113324927A (zh) * 2021-05-11 2021-08-31 四川省林业科学研究院 一种松材线虫病林间早期防治方法及监测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081039A (zh) * 2010-08-17 2011-06-01 江苏大学 一种环境可控的作物营养水分高光谱图像检测装置
TW201348695A (zh) * 2012-04-27 2013-12-01 Shibuya Seiki Corp 農產品檢查裝置及農產品檢查方法
CN105021529A (zh) * 2015-06-11 2015-11-04 浙江水利水电学院 融合光谱和图像信息的作物病虫害识别和区分方法
TWM512704U (zh) * 2015-03-10 2015-11-21 Isuzu Optics Corp 嵌入式繼光鏡顯微高光譜攝影系統

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081039A (zh) * 2010-08-17 2011-06-01 江苏大学 一种环境可控的作物营养水分高光谱图像检测装置
TW201348695A (zh) * 2012-04-27 2013-12-01 Shibuya Seiki Corp 農產品檢查裝置及農產品檢查方法
TWM512704U (zh) * 2015-03-10 2015-11-21 Isuzu Optics Corp 嵌入式繼光鏡顯微高光譜攝影系統
CN105021529A (zh) * 2015-06-11 2015-11-04 浙江水利水电学院 融合光谱和图像信息的作物病虫害识别和区分方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098369A (zh) * 2020-08-18 2020-12-18 杭州电子科技大学 一种基于漫反射光的患霉心病苹果花检测方法及装置
CN112098369B (zh) * 2020-08-18 2023-08-29 杭州电子科技大学 一种基于漫反射光的患霉心病苹果花检测方法及装置
CN112668404A (zh) * 2020-12-10 2021-04-16 哈尔滨师范大学 一种大豆病虫害的有效鉴定方法
CN113324927A (zh) * 2021-05-11 2021-08-31 四川省林业科学研究院 一种松材线虫病林间早期防治方法及监测系统

Also Published As

Publication number Publication date
TW201934984A (zh) 2019-09-01

Similar Documents

Publication Publication Date Title
Chandrasekaran et al. Potential of near-infrared (NIR) spectroscopy and hyperspectral imaging for quality and safety assessment of fruits: An overview
ElMasry et al. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality–a comprehensive review
Wu et al. Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging
Li et al. Fast detection and visualization of early decay in citrus using Vis-NIR hyperspectral imaging
Bauriegel et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging
Baiano et al. Application of hyperspectral imaging for prediction of physico-chemical and sensory characteristics of table grapes
Zhang et al. Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: A review
Yu et al. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing
Li et al. Hyperspectral imaging and their applications in the nondestructive quality assessment of fruits and vegetables
Liu et al. Information fusion of hyperspectral imaging and electronic nose for evaluation of fungal contamination in strawberries during decay
Baranowski et al. Detection of early bruises in apples using hyperspectral data and thermal imaging
Barbin et al. Near-infrared hyperspectral imaging for grading and classification of pork
ElMasry et al. Early detection of apple bruises on different background colors using hyperspectral imaging
Delalieux et al. Hyperspectral indices to diagnose leaf biotic stress of apple plants, considering leaf phenology
Chen et al. Machine vision technology for agricultural applications
Saldaña et al. Computer vision applied to the inspection and quality control of fruits and vegetables
Rodríguez-Pulido et al. Grape seed characterization by NIR hyperspectral imaging
Gowen et al. Hyperspectral imaging–an emerging process analytical tool for food quality and safety control
Li et al. Detection of common defects on oranges using hyperspectral reflectance imaging
Xiong et al. Applications of hyperspectral imaging in chicken meat safety and quality detection and evaluation: A review
Zhang et al. Quality and safety assessment of food and agricultural products by hyperspectral fluorescence imaging
Tian et al. Detection of early decay on citrus using hyperspectral transmittance imaging technology coupled with principal component analysis and improved watershed segmentation algorithms
Iqbal et al. An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control
Sun et al. Detecting decayed peach using a rotating hyperspectral imaging testbed
Li et al. Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees