光谱技术按检测结果的类型可分为成像光谱和非成像光谱两类。 按检测尺度可从细胞、 显微、 植物组织、 植株、 冠层一直到遥感尺度的检测。 光谱成像仪是基于光谱图像研究的核心传感器, 有文献认为^[13]成像光谱传感器比非成像光谱传感器的优势是在于可进行像素尺度分析, 可以分析成像面每一点的光谱特性, 而不仅是整个成像面的。 表1列出了近几年文献中出现的不同高光谱成像仪的主要参数, 包括: 品牌名称、 波段范围、 光谱分辨率、 空间分辨率、 光源、 采集软件等。 由于用于作物病害检测的仪器与养分检测的仪器是雷同的, 表1中也包括了用于不同尺度作物多信息检测的仪器。

表1

Table 1

表1(Table 1)

表1 常用的光谱成像系统 Table 1 Commonly used imaging spectrometer 光谱成像系统 文献 光谱范围 光谱分辨率 空间分辨率 光源 Vertex 80 V(Bruker) Hyperion 3000红外显微镜 LN2 cooled FPA 检测器 [14] 中红外 range 4 cm-1 40 μ m 钻石光源 改造的Nikon7000单反 [15] 650~950 nm 6个不同的波段 HyperSpec VNIR HeadwaU Photonics公司 [15] 400~1 000 nm 1.9 nm 8.0 μ m 卤光灯 ImSpector V10E, 芬兰 [16] 400~1 000 nm 1.24 nm 1 mm 150 W卤素钨灯 Headwall Photonics, Fitchburg [17] 400~1 000 nm 4.7 nm 0.22 mm 卤素灯 ImSpector V10E, 芬兰 [13, 18-21] 390~1 050 nm 2.8 nm 150 W卤素钨灯 Hypersis-VNIR-PFH卓立汉光, 北京 [22] 380~1 000 nm ImSpector V10E芬兰Specim公司的 SWIR相机 [23] 400~1 000 nm(V10E) 1000~2 500 nm(SWIR) ImSpector N17E 1 000~1 700 nm 7 Resonon [24] 350~1 700 nm 2.1 卤素灯 SPECIM [24] 400~1 000 nm 2.8 0.19 nm 因应用而异 Norsk Elektro Optikk [24] 400~2 500 nm 3.7 LED CytoViva [24] 400~1 000 nm 2.0 高功率卤素灯 P& P Optica [24] 350~2 500 nm 0.1 卤素灯 Photon Etc [24] 400~1 000 nm 0.2 可调谐激光器 Surface Optics Corporation [24] 400~1 000 nm 4.68 卤素灯 Gooch & Housego [24] 400~1 000 nm 0.6 卤素灯 PARISS [24] 365~920 nm 1 0.6 μ m× 0.6 μ m 因应用而异 HyperSIS-VNIR, 北京 [25] 400~1 000 nm 2.5 卤素灯 Hyper Spec VNIR, 美国Headwall公司 [26] 400~1 000 nm 2.5 63 nm 卤钨灯 德国Golden Eye/P3810 [27] 371~1 023 nm 0.51 卤素灯

表1 常用的光谱成像系统 Table 1 Commonly used imaging spectrometer

由表1可见, 在可见近红外的光谱成像研究中, 测量范围主要集中在400~1 000 nm, 部分研究扩展到了1 000 nm以上。 光谱分辨率主要集中在2~4 nm, 光源主要有卤素灯、 线光源等, 空间分辨率为0.19 nm~1 mm, 变化范围较大。 空间分辨率对于检测较小尺度的作物病害是十分关键的。 有研究^[13]表明: 0.2 mm· 像素^-1的分辨率适用于检测由甜菜褐斑病菌(Cercospora beticola)引起的叶片损伤点。 当空间分辨率降低, 每像素上混合的信息增加, 染病与健康部位的光谱反射差异就会减少。 当空间分辨率降低到3.1 mm· 像素^-1时, 就无法检测到病斑信息, 当空间分辨率降低到17.1 mm时, 检测结果类似于非成像光谱传感器。 在各种成像光谱仪中, ImSpectorV10E系统的成像光谱仪应用较多。 有部分研究需要将光谱仪结合红外显微镜以展开更微观尺度的研究; 另有部分研究则在改进的普通家用数码相机上展开, 如文献[15]移除Nikon7000单反相机内部原装的红外截止镜(IR cur-off filter, ICF), 保证外界的红外光能够映射到成像原件表面, 从而使相机具备了拍摄红外图像的能力, 并设计了650~950 nm六种长通滤光片以获取不同波段的图像。 高光谱成像仪从仪器功能来看, 逐渐从线扫描转向焦平面探测器(focal plane array, FPA), FPA是大规模集成电路和控测器制造技术的产物, 越来越多的研究采用与文献[14]所采用的LN2 cooled FPA类似的焦平面探测器, 使所采集的数据从线成像转向面成像, 提高了数据采集效率。

近红外光谱图像很少用于植物细胞尺度的研究, 仅有少量针对藻类细胞或是花粉细胞光谱相关技术的研究, 如: 文献[28]在普通荧光显微镜的基础上, 研制出一种基于液晶可调谐滤光器(liquid crystal tunable filter, LCTF)的显微光谱成像分析系统, 通过荧光成像定量描述水稻花粉细胞内一些多糖物质含量的变化规律, 判定败育时期和败育程度。 文献[29]通过荧光光谱仪分析了水华微囊藻叶绿素a的荧光激发特性, 利用图像处理技术, 提出了基于藻类荧光激发效应的水华微囊藻浓度自动检测方法。 实验证明: 此方法能够很好地区分藻类和杂质, 浓度测量结果精准。 鲜见近红外光谱图像植物细胞尺度上的病害检测, 其他光谱技术相关研究, 如: Heraud等^[30]采用拉曼光谱定位高粱细胞质中的生氰糖体蜀黍苷, 生氰糖苷在抗病虫害方面有重要作用, 而蜀黍苷是生氰糖苷的一种结构表型。 光谱图像在动物细胞成像方面有更多的应用。 如: 文献[31]分析了基底细胞癌症组织显微荧光图像特征, 建立了八层组织光学模型, 并采用蒙特卡罗模拟分析基底细胞癌组织在可见光波段的漫反射特征。

上述研究表明, 细胞尺度光谱成像必须与显微技术相结合。 从实际的研究成果来看, 目前采用荧光成像技术、 拉曼成像技术等有较好的效果, 但较少采用可见近红外技术。

较少采用可见近红外技术的原因之一是缺少适合的红外光源用于细胞尺度可见近红外成像研究。 荧光成像和拉曼显微成像通常采用激光作为光源, 激光光源有利于在细胞上聚集较强的能量, 使细胞成像清晰。 而可见近红外只能采用太阳光或卤素灯等光源, 细胞尺度的近红外光谱及成像会因光源过弱、 信号过弱而导致较低的成像分辨能力。 为提高红外部分的光照强度, 目前可采用同步辐射光源(synchrotron radiation)。 采用了同步辐射光源的研究如: Murdock和Heraud运用红外成像的方法对不同营养条件下的微藻细胞生理变化进行研究, 从单细胞水平观测到了细胞内脂类、 多糖和蛋白质等各类细胞组分的差异^{[32, 33]}。 刘京华^[34]采用高空间分辨率的傅里叶变换红外光谱显微成像技术, 对不同时期的单一雨生红球藻细胞中的类胡萝卜素的空间分布和含量进行了观测, 根据红外光谱成像数据证实了类胡萝卜素为虾青素合成的前体。 但同步辐射光源属大型仪器设备, 只能在国家级的大型光源中心才可以进行实验, 限制了该设备在这个领域研究的进一步展开。 也有学者用常规FTIR光谱, 同步辐射FTIR光谱, 量子级联激光FTIR(quantum cascade laser, QCL)三种光谱技术测试了单个活体癌细胞。 虽然是在动物细胞领域的一项研究, 但其结果表明, 量子级联激光FTIR在细胞级的红外测量上很有潜力。

显微尺度比细胞尺度大一个量级。 在显微尺度, 显微红外光谱的应用非常广泛, 但针对病害的研究较少。

作物的病害绝大部分可引起全身症状, 但是由于其致病的病原物不同, 使得其对作物的主要危害部位也不尽相同。 可见近红外光谱图像主要集中在作物器官尺度上, 特别是叶片上。 表2是近几年基于光谱图像方法的部分作物器官尺度的病害检测研究。

表2

Table 2

表2(Table 2)

表2 近期基于光谱图像方法的部分作物器官尺度的病害检测研究 Table 2 Recent researches of crop organ disease based on spectral imaging 被测物 被测部位 病害名称 病害信息 文献 波段 水稻 叶片 稻瘟病、 纹枯病 显现 [35] RGB 玉米 叶片 小斑病 显现 [36] RGB 黄瓜 叶片 黄瓜植株常见病害: 红粉、 白粉、 黑星、 褐斑、 霜霉 [37] 400, 434.8, 460, 490, 515.7, 530, 546, 589, 600, 620, 635, 650, 670, 700和850 nm, 及全色 黄瓜 叶片 霜霉病、 白粉病 [38] 435, 551, 645, 840 nm 茄子 叶片 灰霉病 显现 [1] (过氧化氢酶) 柑橘 果实 青霉菌侵染, 损伤 [39] 小麦 叶片 叶锈病 显现 [40] 黄瓜 叶片 花叶病毒, 绿斑驳花叶病毒白粉病 显现 [21] 油菜 叶片 链格孢属真菌侵染 显现 [41] 小麦 叶片 颖枯壳多孢 早期 [42] 1 384, 1 510, 1 650 nm 生菜 叶片 脱色生菜 显现 [43] 547, 552/701, 557/701 nm 鳄梨 叶片 月桂枯萎病, 疫霉菌感染, 盐度损害 早期 [44] 早: 806, 761, 548, 638, 885, 941, 537, … nm; 后: 817, 829, 761, 409, 941, 548, 560, 421, … nm 烟草 叶片 TMV菌 早期 [45] 697.44, 639.04, 938.22, 719.15, 749.90, 874.91, 459.58, 971.78 nm 玉米 籽粒 寄生曲霉 早期 [45] 1 145, 1 408, 1 935, 2 103, 2 383 nm 大豆 叶片 叶斑病, 白粉病, 叶锈病 早期 [13]

表2 近期基于光谱图像方法的部分作物器官尺度的病害检测研究 Table 2 Recent researches of crop organ disease based on spectral imaging

从研究对象来看, 常见的农作物是主要的研究对象, 如水稻、 玉米、 黄瓜、 小麦、 番茄、 茄子、 油菜、 马铃薯等, 以研究作物植株的根、 茎、 冠层(叶、 花、 果实)等的形态特征作为检测判读的目标, 而植物叶片是最为常见的研究对象, 少量研究涉及籽粒或果实。 主要的原因是由于叶片贯穿了整个作物的生命期, 叶片相对于其他组织有较大的成像表面, 以叶片为样本较易获取数据、 易于展开实验; 另一方面, 大多种病害在叶片上会有一定的表征, 如会在叶片上生成各类病斑、 会滋生霉状物、 局部干枯、 局部穿透等; 病害引起的理化指标变化能通过叶片测量出来。

从研究的病害类型来看, 通常对某一类作物来说, 较为常见的病害会被作为主要的研究对象, 如水稻的稻瘟病、 纹枯病; 玉米纹枯病、 小斑病; 黄瓜白粉等。 在所涉及的病害中, 大部分是真菌引起的病害, 如灰梨孢、 瓜亡革菌、 立枯丝核菌、 长蠕孢菌、 粉红单端孢等, 引起真菌的病害如果按门来分, 包括了半知菌亚门、 担子菌亚门、 子囊菌亚门、 鞭毛菌亚门, 真菌中的接合菌亚门相关的研究较少, 可能是由于由接合菌亚门引起的病害种类相对较少, 而由半知菌亚门引起病害较多, 如稻瘟病、 谷瘟病、 枯萎病等。 细菌引起的病害较少, 已有的研究中有与假单胞杆菌、 韧皮杆菌等有关病害。 少部分研究涉及了病毒引起的病害, 如油菜的草花叶病毒、 黄瓜的花叶病毒、 雀麦花叶病毒等。 近几年的研究已表明, 近红外光谱图像可用于判别真菌、 细菌、 病毒三大病源中任意一种病源引起的病害。

但是, 同一种病有可能是不同的真菌、 细菌或病毒引起的。 如枯萎病, 有可能是真菌或细菌引起, 最后会导致点斑、 凋萎或叶、 花、 果、 茎或整株植物的死亡。 相似的症状也同样可能有不同的病因。 黄瓜叶片的褐斑病在某个时期会有大小不等的圆形或近圆形边缘不太整齐的淡褐色或褐色病斑; 黄瓜叶片的红粉病, 也会形成形状不规则的浅褐色病斑; 而且褐色病斑还是其他多种病害常见叶片表症之一。 植物对不同病害相似的反应也给基于光学原理的病害快速诊断带来困扰, 有效的快速检测方法往往不能简单地基于1~2种病害特征。

从研究的方法来看, 大部分有关病害的快速检测方法研究可分为三大类。

(1)基于计算机图像处理和模式识别的病害信息和诊断。 根据植物病虫害学, 受病虫害侵袭植物的病症诊断多数是根据病株的外部症状进行, 这种方法采用计算机图像处理和模式识别技术识别病斑的灰度图像、 彩色图像、 光谱图像和遥感图像等。 由于植物病害情况复杂, 研究大多是病斑显现后针对有病无病进行分类, 采用纹理特征分析法、 形状特征分析法等方法, 有部分研究仅采用RGB图像或RGB中的两个波段与一个近红外波段组合, 再用图像分割等方法, 通过计算病斑大小或形状来评价作物的病害严重程度^{[35, 36]}; 此类研究通常针对特定的1~2种病害, 对有病无病进行分类判断, 不涉及病理方面的深入讨论, 适用于某已知病害在病斑完全显现后的病害严重程度的判断。

(2)将化学计量学方法用于高光谱图像的感兴趣区域(region of interest, ROI)。 这类方法与前一类方法的相似之处在于: 都是对特定作物是否染病进行分类判别, 但前一类方法更多地考虑基于特定病害引起的图像纹理变化, 而后一种更多地考虑了特定病害引起的光谱特征变化。 此类方法通常可以针对全波段建立分类模型, 或是建立基于几个或几十个特征波段的分类模型。 多数此类研究表明基于ROI的光谱特征分类效果优于直接的基于图像纹理特征的分类。

表2中也列出了已有研究涉及的部分特征波段, 大部分是分类相关特征波段, 也有成分相关特征波段。 大部分文献没有展开对找到的波段进行进一步理论分析, 通常只根据分类效果来选择波段。 表3列出了常用的光谱建模方法。

表3

Table 3

表3(Table 3)

表3 常用的光谱图像数据处理方法 Table 3 Methods of spectral image data processing 方法缩写 名称 用途、 效果及文献举例 PLS-DA 偏最小二乘判别分析 partial least squares discriminant 西瓜种子细菌性果斑病染病分类, 91.7%[47] 烟草花叶病毒侵染分类, 81.7%[45] LS-SVM 最小二乘支持向量机 least square support vector machines 西瓜种子细菌性果斑病染病分类, 90.5%[47] 烟草花叶病毒侵染分类, 96.7%[45] SVM 支持向量机 (support vector machines) 烟草花叶病毒侵染分类, 88%[45] 玉米籽粒的寄生曲霉, 91.67%[46] BPNN 反向传播人工神经网络 (back propagation neural network ) 烟草花叶病毒侵染分类, 95%[45] ELM 极限学习机(extreme learning machine) 烟草花叶病毒侵染分类, 90%[45] RF 随机森林(random forest) 烟草花叶病毒侵染分类, 93%[45]

表3 常用的光谱图像数据处理方法 Table 3 Methods of spectral image data processing

除了表3中的常用方法, 还有一些其他的方法用于染病程度的分类判别, 如用光谱角制图算法(spectral angle mapper, SAM)表达病害从初期到后期的发展变化差异^[13]。 通过各种相关性分析方法, 找到不同波段的不同组合方式, 也是一个重要的作物病害或其他生长信息的表征方法, 如相关分析^[48], 互信息^[49], 最小冗余最大相关差准则^[50]等, 文献[39] 针对葡萄茎杆的葡萄金黄化病对比了多篇论文中提出的12种光谱疾病指数, 大部分指数的分类准确率大于90%。

(3)建立与作物病害有关的叶片某些理化参数的光谱模型, 从而量化病害的程度。 如分析病变后的POD化学成分变化与光谱之间的模型; 分析病变后过氧化氢酶变化与光谱之间的模型^[1]; 根据苹果花叶病与花青素之间的关系等; 这类方法比简单的病害程度分类模型更进了一步, 最后也是建立全波段模型或是基于特征波段的模型。

目前, 多光谱成像、 高光谱成像技术在更大尺度上的农业方面研究, 更多地集中在远距离、 大面积的田间养分信息的监测检测研究, 如基于高光谱遥感的水稻氮素营养参数监测^[51], 而作物病害监测相关以及近地整株多光谱成像的研究相对较少。

近地整株多光谱的2D成像受到植株的三维结构的干扰, 活体冠层高光谱病害诊断仍然存在着较大的难度。 在实验室人工光源条件下, 在较低的检测高度范围内, 植株整株的高光谱图像噪声非常大, 标准实验条件所建的模型完全不适用于预测整株扫描情况下植物叶片。 这是因为高光谱成像仪在实验室人工光源条件下以及离被测物较近时会出现图像扭曲, 光照不均匀的情况。 Behmann等^[23]为探究植物光谱信息的测量易受植物复杂几何结构的影响, 搭建了一套同时测量植物高光谱图像和植物3D点云模型的系统。 采用该系统对甜菜褐斑病展开了研究, 结果表明以2D图像作为病害检测数据, 对于发病晚期的叶片, 检测结果会偏小; 对于发病早期的叶片, 检测结果会偏大, 偏差百分比高达13%。 可见, 从叶片到植株体或近地冠层的可见/近红外光谱图像的检测存在较大技术问题需要解决, 在这一尺度上成功的病害相关研究很少。

而多光谱成像、 高光谱成像在更大尺度上有一定量的研究, 因为在更大尺度上, 植株的高度差引起的信号差异不太明显, 与叶片的光谱成像类似, 在数据处理方法相类似, 但单个象素体现的地物远多于叶片尺度的图像, 另外, 大尺度成像会产生一定的几何畸变, 因此在算法上涉及光谱解混等处理, 但在分类方法与叶片尺度的数据处理相似。 如: Dhau^[52]针对玉米的灰色叶斑病进行了研究, 数据源是WorldView-2, Quickbird, RapidEye and Sentinel-2多光谱图像数据, 采用随机森林(Random Forest)算法, 完成了玉米的灰色叶斑病(grey leaf spot, GLS)三个病害严重程度的分类。 Das^[53]在350~2 500 nm波段对细菌性叶疫病(bacterial leaf blight, BLB)进行了分析, 采用的方法是逐步判别分析(step-wise discriminate analysis, SDA), 确定了4个可用于区分有病叶片和无病叶片的特征波段, 760, 990, 680和540 nm; 并计算了12个窄波段宽度的植被指数, 结果发现: 只有植物衰老指数(plant senescence index, PSRI; pigment-specific simple ratio, PSSRb)及红边位置对该病害较为敏感。 而后, 把这个结果有效地用于LISS IV卫星数据, 对卫星遥感的每一个像素都计算相应的指数值, 进行区域性病害胁迫的分析。 但是缺少对卫星数据处理模型精度验证。 样本涉及5个村子, 每个村子5~7个健康及染病的作物。 这是一个从冠层到卫星遥感尺度的研究。