«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第50卷

期数:

2022年第8期

页码:

49-55

栏目:

专论与综述

出版日期:

2022-04-20

文章信息/Info

Title:

Research progress of hyperspectral images in detection and identification of crop diseases

作者:

胡政¹;  张艳¹; 2;  尚静²;  张楷文²

1.贵州大学大数据与信息工程学院，贵州贵阳 550025； 2.贵阳学院/农产品无损检测工程研究中心，贵州贵阳 550005

Author(s):

Hu Zheng; et al

关键词:

高光谱成像; 病害无损检测; 深度学习; 图像识别

Keywords:

-

分类号:

S127；TP391.41

DOI:

-

文献标志码:

A

摘要:

农作物病害无损检测是保证作物产量和质量的关键环节，起到及时发现病害、指导农药的使用、减少经济损失等作用。本文介绍了高光谱成像技术用于农作物病害检测的原理；从支持向量机、偏最小二乘回归、深度学习识别算法方面综述了2017—2021年高光谱成像技术在农作物病害检测中的国内外研究进展；分析了作物病害高光谱图像识别算法的原理和分类流程，对3种深度学习算法：［深度置信网络(DBN)、基于自编码网络(AE)的栈式自编码网络(SAE)、卷积神经网络(CNN)］在农作物病虫害高光谱图像识别方面的应用进行优缺点对比；对常见深度学习分类指标计算过程和原理进行说明；指出高光谱检测识别农作物病害中面临的问题：异物同谱、数据预处理特征提取过程繁杂、数据量小且训练数据不平衡，并针对这些问题给出未来的研究方向。

Abstract:

-

参考文献/References:

［1］刘万才，刘振东，黄冲，等. 近10年农作物主要病虫害发生危害情况的统计和分析［J］. 植物保护，2016，42(5)：1-9.
［2］Khan S，Tufail M，Khan M T，et al. Deep learning-based identification system of weeds and crops in strawberry and pea fields for a precision agriculture sprayer［J］. Precision Agriculture，2021，22(6)：1711-1727.
［3］张德荣，方慧，何勇.可见/近红外光谱图像在作物病害检测中的应用［J］. 光谱学与光谱分析，2019，39(6)：1748-1756.
［4］党满意，孟庆魁，谷芳，等. 基于机器视觉的马铃薯晚疫病快速识别［J］. 农业工程学报，2020，36(2)：193-200.
［5］杨成娅，张艳，赵明珠，等. 基于红外热像的农作物早期病害检测识别技术的研究进展［J］. 激光杂志，2020，41(6)：1-4.
［6］张初.基于光谱与光谱成像技术的油菜病害检测机理与方法研究［D］. 杭州：浙江大学，2016.
［7］韩雨，刘焕军，张新乐，等. 基于冠层光谱的水稻穗颈瘟病害程度预测模型［J］. 光谱学与光谱分析，2021，41(4)：1220-1226.
［8］Riefolo C，Antelmi I，Castrignanò A，et al. Assessment of the hyperspectral data analysis as a tool to diagnose Xylella fastidiosa in the asymptomatic leaves of olive plants［J］. Plants，2021，10(4)：683.
［9］Manganiello G，Nicastro N，Caputo M，et al. Functional hyperspectral imaging by high-related vegetation indices to track the wide-spectrum Trichoderma biocontrol activity against soil-borne diseases of baby-leaf vegetables［J］. Frontiers in Plant Science，2021，12：630059.
［10］Bendel N，Backhaus A，Kicherer A，et al. Detection of two different grapevine yellows in Vitis vinifera using hyperspectral imaging［J］. Remote Sensing，2020，12(24)：4151.
［11］宫铭. 计算机图像识别技术的应用及细节问题阐述与分析［J］. 信息与电脑(理论版)，2019(1)：7-8.
［12］Zhao J L，Fang Y，Chu G M，et al. Identification of leaf-scale wheat powdery mildew (Blumeria graminis f. sp. tritici) combining hyperspectral imaging and an SVM classifier［J］. Plants，2020，9(8)：936.
［13］Garriga M，Romero-Bravo S，Estrada F，et al. Estimating carbon isotope discrimination and grain yield of bread wheat grown under water-limited and full irrigation conditions by hyperspectral canopy reflectance and multilinear regression analysis［J］. International Journal of Remote Sensing，2021，42(8)：2848-2871.
［14］Yang W，Nigon T，Hao Z Y，et al. Estimation of corn yield based on hyperspectral imagery and convolutional neural network［J］. Computers and Electronics in Agriculture，2021，184：106092.
［15］褚璇. 谷物霉菌的高光谱成像辨识方法和霉变玉米籽粒检测方法研究［D］. 北京：中国农业大学，2018.
［16］Baek I，Kim M，Cho B K，et al. Selection of optimal hyperspectral wavebands for detection of discolored，diseased rice seeds［J］. Applied Sciences，2019，9(5)：1027.
［17］Bohnenkamp D，Behmann J，Mahlein A K. In-field detection of yellow rust in wheat on the ground canopy and UAV scale［J］. Remote Sensing，2019，11(21)：2495.
［18］蒋锦琳. 基于高光谱成像技术的辣椒疫病和品质分析研究［D］. 杭州：浙江大学，2019.
［19］刘爽. 小麦赤霉病高光谱信息多循环提取及组合式识别研究［D］. 北京：中国科学院大学，2019.
［20］Zeng W Z，Zhang D Y，Fang Y H，et al. Comparison of partial least square regression，support vector machine，and deep-learning techniques for estimating soil salinity from hyperspectral data［J］. Journal of Applied Remote Sensing，2018，12：022204.
［21］程帆，赵艳茹，余克强，等. 基于高光谱技术的病害早期胁迫下黄瓜叶片中过氧化物酶活性的研究［J］. 光谱学与光谱分析，2017，37(6)：1861-1865.
［22］Gold K M，Townsend P A，Chlus A，et al. Hyperspectral measurements enable pre-symptomatic detection and differentiation of contrasting physiological effects of late blight and early blight in potato［J］. Remote Sensing，2020，12(2)：286.
［23］Pérez-Roncal C，López-Maestresalas A，Lopez-Molina C，et al. Hyperspectral imaging to assess the presence of powdery mildew (Erysiphe necator) in cv. carignan noir grapevine bunches［J］. Agronomy，2020，10(1)：88.
［24］段艳杰，吕宜生，张杰，等. 深度学习在控制领域的研究现状与展望［J］. 自动化学报，2016，42(5)：643-654.
［25］周峰. 基于深度学习的光谱图像分类方法研究［D］. 南京：南京信息工程大学，2021.
［26］王建涛，吴叶兰，廖禺，等. 基于卷积神经网络的柑橘病叶高光谱分类［J］. 信息技术与信息化，2020(3)：84-87.
［27］桂江生，吴子娴，李凯. 基于卷积神经网络模型的大豆花叶病初期高光谱检测［J］. 浙江大学学报(农业与生命科学版)，2019，45(2)：256-262.
［28］黄双萍，孙超，齐龙，等. 基于深度卷积神经网络的水稻穗瘟病检测方法［J］. 农业工程学报，2017，33(20)：169-176.
［29］金秀，卢杰，傅运之，等. 基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法［J］. 浙江农业学报，2019，31(2)：315-325.
［30］Kutluk S，Kayabol K，Akan A. A new CNN training approach with application to hyperspectral image classification［J］. Digital Signal Processing，2021，113：103016.
［31］Nguyen C，Sagan V，Maimaitiyiming M，et al. Early detection of plant viral disease using hyperspectral imaging and deep learning［J］. Sensors，2021，21(3)：742.
［32］王国伟，刘嘉欣. 基于卷积神经网络的玉米病害识别方法研究［J］. 中国农机化学报，2021，42(2)：139-145.
［33］樊湘鹏，周建平，许燕，等. 数据集对基于深度学习的作物病害识别有效性影响［J］. 中国农机化学报，2021，42(1)：192-200.
［34］李建华，郝炘，牛明雷，等. 基于卷积神经网络的农作物病害识别［J］. 中国农业信息，2019，31(3)：39-47.
［35］孙俊，谭文军，毛罕平，等. 基于改进卷积神经网络的多种植物叶片病害识别［J］. 农业工程学报，2017，33(19)：209-215.
［36］郑二功，田迎芳，陈涛. 基于深度学习的无人机影像玉米倒伏区域提取［J］. 河南农业科学，2018，47(8)：155-160.
［37］张善文，张传雷，丁军. 基于改进深度置信网络的大棚冬枣病虫害预测模型［J］. 农业工程学报，2017，33(19)：202-208.
［38］周翔宇，程勇，王军. 基于改进深度信念网络的农业温室温度预测方法［J］. 计算机应用，2019，39(4)：1053-1058.
［39］谭建灿，毛克彪，左志远，等. 基于卷积神经网络和AMSR2微波遥感的土壤水分反演研究［J］. 高技术通讯，2018，28(5)：399-408.
［40］戴泽翰，郑正，黄莉舒，等. 基于深度卷积神经网络的柑橘黄龙病症状识别［J］. 华南农业大学学报，2020，41(4)：111-119.
［41］Lowe A，Harrison N，French A P.Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress［J］. Plant Methods，2017，13：80.

相似文献/References:

[1]马燕飞,坎杂,张若宇,等.加工番茄可溶性固形物近红外高光谱反射成像检测[J].江苏农业科学,2013,41(08):311.
　Ma Yanfei,et al.Near infrared high spectral reflection imaging detection of processing tomato soluble solid content[J].Jiangsu Agricultural Sciences,2013,41(8):311.
[2]袁自然,叶寅,武际,等.基于高光谱成像技术的辣椒叶片叶绿素含量估算[J].江苏农业科学,2021,49(16):189.
　Yuan Ziran,et al.Estimation of chlorophyll content in pepper leaves based on hyperspectral imaging technology[J].Jiangsu Agricultural Sciences,2021,49(8):189.
[3]沈梦姣,侯海敏,赵宏,等.茄科作物常见病害早期检测技术的研究进展[J].江苏农业科学,2023,51(9):17.
　Shen Mengjiao,et al.Research progress on early detection techniques for common diseases of Solanaceae crops[J].Jiangsu Agricultural Sciences,2023,51(8):17.
[4]马玲,杜明华,孟露,等.基于高光谱成像技术的番茄叶片叶绿素含量检测[J].江苏农业科学,2023,51(11):167.
　Ma Ling,et al.Detection of chlorophyll content in tomato leaves based on hyperspectral imaging technology[J].Jiangsu Agricultural Sciences,2023,51(8):167.
[5]谭涛,冯树南,温青纯,等.高光谱成像技术在水果品质检测中的应用研究进展[J].江苏农业科学,2024,52(6):11.
　Tan Tao,et al.Research progress on application of hyperspectral imaging technology in detection of fruit quality[J].Jiangsu Agricultural Sciences,2024,52(8):11.

备注/Memo

备注/Memo:

收稿日期：2021-07-09
基金项目：贵州省科技学术新苗培养及创新探索专项［编号：GYU-KJT(2019)-18］；贵州省教育厅青年科技人才成长项目［编号：黔教合KY字(2018)290］；贵州省普通高等学校农产品无损检测工程研究中心项目［编号：黔教合KY字(2016)017］。
作者简介：胡政(1996—)，男，贵州毕节人，硕士研究生，主要从事早期疾病无损检测研究。E-mail：1778347059@qq.com。
通信作者：张艳，博士，教授，主要从事生物信息无损检测、激光雷达研究。E-mail：eileen_zy001@sohu.com。

常用功能

更新日期/Last Update: 2022-04-20