|
果蔬病害实时检测方法研究进展 果蔬在生长过程中，无时无刻不在受病害威胁，损失巨大。据联合国粮农组织统计，世界粮食生产因植物病虫草鼠害造成的年损失为总量的25%~35%，其中，病虫害造成的损失居于首位。而在我国，病害也是主要的农业灾害。传统的依靠人工观察的病害检测具有实时性差，主观性强的缺点；而生物分子学检测的方法虽然最为精准，但是检测成本高，实时性差。为了及时检测果蔬病害，提高果蔬生产的经济效益，如何更高效、准确地实现果蔬病害检测逐渐成为研究焦点。 果蔬病害自动检测是指基于物理、生物、计算机等学科的基本原理分析果蔬特征，判断其感病情况，要求具有及时性、准确性、全面性。根据研究经验，果蔬在感染病害时，感病部位的颜色、形状、纹理、温度等特征会发生变化，利用这些特征信息的变化结合特定原理方法即可达到病害检测的目的。 随着工业化、信息化的发展，果蔬病害检测的方法日益增多。近年来基于红外热成像技术、机器视觉、光谱技术的病害检测方法及建立病害预警系统等方法不断更新和发展。本文对果蔬病害检测方法的发展历程及现状进行整理总结和展望。 图像处理技术于20世纪80年代开始被用于植物病害诊断，具有实时性好、效率高的特点。随着计算机技术和机器视觉的发展，运用图像处理技术识别果蔬病害渐渐成为农业病虫害监控的研究热点。目前国内外对农作物病害识别的诊断方法主要集中在图像分割、特征提取和病害识别三个方面。目前，对部分特征明显的病害，如白粉病、灰霉病、炭疽病等取得了一些进展。但对果蔬品种及病害种类的覆盖率，检测算法的鲁棒性仍非常有限。 在国外，印度的MoreS等建立基于网络的病害检测系统检测石榴病，该系统可以对用户上传的图像进行尺寸调整、特征提取、K均值算法聚类，最后利用支持向量机识别石榴是否染病，准确率达84%。Ali和Francisco等对柑橘病害检测进行了研究，Ali运用ΔE色差算法对病变区域进行分离，病变区域提取如图1所示，最后应用彩色直方图和纹理特征对柑橘病害进行分类，准确度达99.9%。瑞士的Mohanty等利用基于机器视觉的深度学习对26种病害进行病害检测，准确率达99.35%。 虽然人们广泛关注运用图像处理技术检测病害，但对于植株实时进行病害检测的方法和装备研究还很少。近来，Schor等研发了一套实验室内的辣椒机器人病害检测系统，该系统具有携带检测传感器的移动机械臂，用于白粉病和番茄斑萎病的联合检测。该系统结构如图2所示，包括机械臂、末端执行器和传感装置。传感装置包括RGB照相机和激光传感器，安装在与6自由度工业机械臂相连的末端执行器上。该系统利用阈值分割进行图像处理，再基于主成分分析和变异系数进行病害检测，其中对番茄斑萎病的检测准确性高达90%。 国内，王娜等综合运用图像纹理、颜色、形状特征分析方法，遗传算法，费歇尔判别分析方法识别普通锈病、大斑病和褐斑病3种玉米叶部病害，准确率达90%以上。贾建楠等利用最大类间方差法进行图像分割，对形状特征进行特征提取，将训练样本输入神经网络识别黄瓜细菌性角斑病和黄瓜霜霉病，正确识别率达100%。2016年，袁媛等对水稻R分量图像进行中值滤波的预处理，用改进的图像分割算法进行病斑分割，提取病斑颜色特征和纹理特征，运用支持向量机法识别病害，准确率达95%。任守纲等提出了一种基于显著性检测的黄瓜叶部病害图像分割算法，有效解决了冗余分割问题，经实验验证，错分率在5%以内，分割效果较传统算法更加精确。田凯等提出了一种基于叶片病斑特征的茄子褐纹病识别方法，利用H分量提取茄子褐纹病病斑，重点分析病斑纹理、形状、颜色特征参数，与非褐纹病病斑特征向量组成测试集，构建费歇尔判别函数对其分类，准确率达90%。 红外热成像技术，即利用各种装置探测到物体的红外辐射图像后，利用光电技术进行处理，最后将其转换为可视图像的技术。红外热成像技术具有测量范围大，灵敏度高，敏感性强，测量准确快速等优点，基于该技术可以看到物体各部分的温度分布状况。植物叶片的蒸腾作用与温度成负相关性，随着病害的发生,植物叶片表面的温度也会随之产生一定的变化。因此，利用红外热成像技术可以实时检测植物的病害和生理状况。 自20世纪90年代以来，国内外研究人员便开始了利用红外热成像技术进行植物病害检测的研究。1999年Laury等利用红外热图像技术研究植物-病毒相互作用的先期症状的可视化（图3）。 根据病原体的类型，植物可以表现出抗性或者易感性，抗性烟草与烟草花叶病毒相互作用，导致局部细胞病变死亡。作用期间，植物会因抵制病菌而产生一种信号——水杨酸。内源性水杨酸可以增加抗性植物与病原体的相互作用，从而增加新陈代谢，加快产热。试验通过局部感染方法和高分辨率红外相机获得病状出现之前叶片的红外热图像，得出了局部受感染区温度在细胞死亡开始显现前的8h迅速上升的结论，即温度升高是植物抑制病菌作用的重要表现之一。2011年Oerke等利用数字红外热成像技术研究在不同时期接种苹果黑星病病菌后的苹果叶片的发病程度，及其对苹果叶片蒸腾作用的影响（图4）。 研究发现，随着病变区域的增大，叶片的蒸腾作用会不断增强，从而导致叶片最大温差不断变化，即叶片最大温差与病变区域占叶片总面积的比例密切相关。因此，红外热成像技术为量化叶片的病变程度提供了可能。2012年Berdugo等使用红外热成像技术，通过测量接种立枯丝核菌AG2-2IIIBandAG4后的甜菜叶片温度差异，测试了7种甜菜品种对立枯丝核菌AG2-2IIIBandAG4的抗性。测试发现不同甜菜品种之间的发病率有显著差异，接种和非接种植株之间的叶片温度存在显著差异，表明该技术可以作为育种者筛选新品种抗性的一种新工具。 国内，2012年徐小龙建立并完善了适合利用红外热成像技术对植物病害和植物生理状况进行检测的可见光图像采集系统和红外热图像采集系统；通过对比分析健康黄瓜和霜霉病黄瓜叶片红外热图像，得出了在人肉眼可见的病症出现之前，受霜霉病感染的黄瓜叶片温度低于正常叶片温度0.2~1.4℃的结论，为黄瓜霜霉病的早期检测提供了依据。通过对比分析健康番茄和花叶病番茄叶片红外热图像，得出了可以通过番茄叶片表面的温差来区分是否感染番茄花叶病的结论。中国农业大学的李小龙等利用红外热成像技术分别采集健康小麦植株、条锈病潜育期和发病期小麦植株的叶片温度，对小麦病害的早期检测进行了研究。研究发现，接种后第3天处于条锈病潜育期的小麦植株叶片平均温度比健康植株叶片低0.08℃，而其不同部位最大温差比健康植株叶片高0.04℃，而且随着接种时间的增加，这些差异逐渐增大。这项研究说明热红外成像技术作为一种小麦病害早期检测的方法是可行的。 光谱图像分析技术，即根据物质具有吸收、发射或散射光谱谱系的特征，来测定其性质、结构或含量的一类分析技术。光谱技术具有灵敏度高、特征性强、准确、快速、无损等优点，在植物病害与生理状况检测领域中得到了广泛的应用。 Purcell等利用近红外光谱技术解决了甘蔗对澳大利亚最严重的甘蔗病害之一Fijileavegall的抗性/易感性的评定问题。在甘蔗茎被移除之后2~4天，用傅立叶变换-近红外仪器分析甘蔗茎的叶片样品，获得了在11000~4000cm-1的范围内的光谱信号，信号在光谱范围内的二阶导数也验证了信号能够对病害进行分析。基于偏最小二乘的方法可以有效地预测甘蔗的疾病等级。Blasco等利用多光谱技术，使用不可见光（紫外线，红外和荧光）和可见光谱分别将柑橘分类。实验结果表明，不可见光可以改善一些缺陷的检测和识别。相比于彩色图像，近红外图像检测炭疽病的准确率86%以上；荧光图像检测绿霉素的准确率从65%提高到94%。表明利用高光谱成像技术可以检测单个问题的不同方面，也即，高光谱成像技术可以通过检测植物内的不同特征来检测病害。Naidu等利用光谱反射技术在2种红浆果葡萄品种中检测葡萄卷叶病毒glrav3，通过对比观察感染病毒和未感染病毒葡萄叶片光谱反射变化的能力，开发了实时诊断葡萄卷叶病的技术（图5）。研究结果表明，可以通过不同的植被指数或单个波长的波段在检测葡萄卷叶病的能力上是否存在差异来判断被病毒感染的叶片是否存在明显的症状。 国内的张初利用高光谱成像技术、叶绿素荧光成像技术等5种光谱技术对油菜菌核病进行检测，通过实验发现以紧邻病斑区域模拟病害侵染早期，高光谱成像技术结合判别分析模型可用于油菜叶片和茎秆菌核病早期检测。通过分析染病叶片和染病茎秆中15个不同叶绿素荧光参数的分布发现，染病叶片和茎秆的健康及病斑区域叶绿素荧光参数具有较大差异，因此，可用叶绿素荧光参数统计分析对油菜叶片和茎秆菌核病进行检测。郑志雄等利用高光谱成像系统采集受稻叶瘟病侵染后不同病害等级的水稻叶片高光谱图像。如图6为正常部位及稻叶瘟病斑敏感区域光谱曲线。 分析叶瘟病斑区域与正常水稻植株相同部位的光谱特征，提出了一种基于高光谱成像技术的水稻叶瘟病病害程度分级方法，试验结果表明，使用这种方法对水稻叶瘟病的病害程度分级的准确率高达96.39%。这项研究为高光谱成像技术在检测病害的基础上对病害程度进行分级提供了基础。 新兴的植物病害对农作物的威胁与日俱增，这对全球范围内的农作物健康构成了重大威胁。一旦病原物引入并在新的地区扩散开来，对环境和经济将造成重大影响。大多数情况下，在病原物早期确认病害并对其进行遏制最为有效。而农业病害预警用于对农作物可能产生的病害进行提前预测，以规避经济损失。农业病害预警与其他预警相比具有复杂性、提前性、积累性、持续性的特点。2010年，李明等借鉴此前众多学者在经济预警、森林预警等领域的预警研究，总结了温室蔬菜病害预警的基本逻辑过程，包括从明确警义、监测警兆、追溯警源、预报警情以及排除警情的一系列相互衔接的过程。 事实上，早在20世纪80年代初中国便开始了农业病害预警系统的研究，近年来随着物联网技术的发展，结合物联网的预警系统能对蔬菜病害进行更及时高效、准确率更高的预警。2015年，马宁针对寒地玉米大斑病设计了集成基于物联网的农田信息采集设备、寒地玉米大斑病预警模块和寒地玉米病害诊断决策模块的寒地玉米大斑病预警诊断系统，实现对寒地玉米大斑病的实时预警。农业病害预警实质是通过分析大量数据样本，找到环境、病原物和人工干扰等因素与病害间产生的关系，从而提前预防病害。基于这一逻辑，可以通过多种技术手段实现病害预警。2016年，纪思琪等分别使用LVQ神经网络、BP神经网络两种算法构建黄瓜黑星病静态预警模型，2种模型对黄瓜黑星病的预测准确率相差无几，均高达90%左右。 2017年，纪思琪等采用决策树C4.5算法同样对黄瓜黑星病进行预警，在结果正确率达到90%的基础上耗时更少。近年来随着物联网传感器、电子显微及光谱检测等技术的发展，如果将这些技术综合运用，并结合机器学习算法，构建设施蔬菜病害预警模型并进行优化验证，就能有效避免单一预警方式预警结果不精确的现象，提高预警的时效性和精确度。 总观目前的果蔬病害检测方法，可以看出以下发展趋势： 一是对于病害检测的研究越来越重视，各种新的研究方法和成果不断提高； 二是整体而言，果蔬遭受病害时颜色、形状、纹理、温度等特征会发生变化，根据其变化特征的不同，选择的理论知识不同，使检测方法呈现多样性、发散性； 三是对于某一方法的研究愈发具体细致，不少研究者着力于研究其中某一环节、某一算法，效果显著。 但就目前研究成果来看，仍主要集中于机理性的研究，局限于良好地采集到所需作物叶片病害信息的情况下的分析，各种方法还难以直接用于田间病害的实时检测，自动化程度和复杂环境下病害检测准确度仍需要进一步提高。其主要难点是检测方法对检测对象多态性及复杂检测环境的适应性上仍有待提高。 对象多态性的适应性 由于物种多样性的影响，农产品果蔬及其病害之间差异巨大，我国常见的农产品果蔬有数百种，农作物病虫害多达一千余种，常年发生且可能造成严重危害的也有近百种，不同的农产品果蔬有不同的生长特征及患病特征，因此，建立拥有良好适应对象多态性能力的果蔬病害检测方法是关键难点。 多样、复杂环境的适应性 农产品生长环境多样复杂，不同的地域、不同的农产品生长环境千差万别，如在提取果蔬患病区域的特征时，由于遮挡、光照、温度等因素的影响可能会对患病特征的提取造成一定的干扰。因此，建立拥有适应多样、复杂环境能力的果蔬病害检测方法也是了发展的关键之一。 近几十年来，植物实时病害检测快速发展，在病害预警系统、基于机器视觉的病害检测方法、基于红外热成像技术的病害检测方法、基于光谱技术的病害检测方法等多个方面进行了大量的实验与研究，取得了丰硕的成果，为保障粮食安全、保护作物经济效益起到了重要的作用，也显示出了这一新兴领域的巨大发展前景。然而，目前的实时病害检测方法仍难以从实验直接运用到生产实践当中。在今后的发展中，应重点研究各种检测方法适应多种对象及复杂环境的能力，提升各种检测方法的准确度与效率，果蔬病害实时检测方法的繁荣发展将不断推动现代农业发展的步伐，为现代农业的发展方式提供新的活力。 作者：许蕾，侯泽禹，陈科涵，张俊雄（中国农业大学工学院） 本公众号欢迎分享，凡转载文章，除了为作者署名外，还请在文章最前或者最后注明：本文转载自：温室园艺农业工程技术公众号。 |
|
|
