基于数字图像棉花黄萎病诊断与防治的管理远程监测

石志钰，裴雅琨，朱玉涛，贾玉姣，胡晓倩，侯士聪，侯玉霞

(中国农业大学理学院，北京 100193)

0 引 言

【研究意义】棉花黄萎病(CottonVerticilliumwilt)对棉花生产危害大。为了增强棉花黄萎病的快速诊断识别，及时采取防治措施，提高棉花病害的远程监测水平是保证有效防治病害的关键所在，通过便捷、快速的数字图像准确获取棉花黄萎病症状特征，以此为依据对棉花黄萎病进行监测，获得病害防治的及时推荐，防止过量施用杀菌剂带来的农药残留以及随之而来的生态环境污染问题，提高杀菌剂的利用率。建立快速、便捷、对棉花无损伤的病害诊断和防治管理的远程监测,对诊断和防治棉花黄萎病具有重要的应用价值。【前人研究进展】国内外学者利用遥感技术对小麦、水稻、玉米、大豆等农作物病害远程监测具有研究报道[1-5]，但有关棉花黄萎病的远程监测研究相对甚少。黄萎病病菌(Verticilliumdahliae)侵染棉花后，V.dahliae不断产生分生孢子破坏叶片叶绿素，而在可见光波段内植物光谱特性主要受叶片内色素含量的影响，尤其是叶绿素含量对可见光波段植物光谱特性起着重要的作用。感病棉株生长发育受阻，叶绿素含量下降，叶绿素在蓝红波段的吸收减少，而反射增强，特别是红光波段反射率升高，叶片变为黄色(红色+绿色=黄色)，相似于黄萎病危害棉花叶片的褪绿、发黄症状[6]。随着棉花黄萎病严重度增加，近红外波段光谱反射率下降，并且棉花黄萎病严重度与近红外波段冠层光谱反射率的相关性大于可见光波段，此结果与陈兵等[7]采用近地高光谱数据监测棉花黄萎病不同病情严重度的冠层光谱特征的变化规律相似。目前，研究主要集中在光谱位置变量[8-9]、光谱特征吸收参量[9]、植被指数[7,9-10]建立病情严重度监测模型等。这些病害植被指数是基于特定植被类型与发病条件获取的数据集通过光谱特征提取建立。在作物叶片尺度上利用二阶光谱导数设计有关黄萎病病害指数，如利用可见光谱计算获得大豆黄萎病黄度指数[11]是通过可见光谱计算获得，对叶片结构、叶绿素等参量变化不敏感，在植株冠层尺度上进行遥感应用还需验证。棉花和大豆的生长环境、种植模式、冠层结构、病原菌致病症状等方面存在差异，需要基于棉花黄萎病症状的特征及其光谱特性构建棉花黄萎病指数，提高病害诊断的敏感性与准确性，及时防治棉花黄萎病，阻止病害扩展传播。【本研究切入点】在现代农业中，随着当前社会整体发展水平的提升，信息技术在各个领域中的应用越来越广泛[12-13]。对棉花黄萎病的监测的要求越来越高，需要更精准、更快捷、更简洁的数字图像技术。传统的棉花病害诊断识别采用田间调查、采样、实验室病原菌的观察，存在主观性、时效性较差, 难以满足随时监测棉花病害。研究在基于数字图像的棉花黄萎病诊断与防治管理远程监测。【拟解决的关键问题】采集与结构、叶绿素相关的植被指数与棉花黄萎病症状特征的数字图像，与病害植被指数和病害严重度等级的识别有较好的对数关系。获得病害症状特征变化的典型谱段，构建棉花黄萎病病情指数，建立病害病情监测模型。建立网络数据库系统对棉花黄萎病信息进行远程监测，应用于棉花病害和防治远程管理。

1 材料与方法

1.1 材 料

试验在北京市海淀区上庄试验基地进行，以中植棉2号和新陆早33号2个棉花品种为供试材料。棉田土壤质地土层有机质含量为8.65 g/kg、速效磷为 10.34 mg/kg、速效钾为 117.4 mg/kg、全氮为0.71 g/kg，肥力中等。图像采集时间为 2019年8月，获得数字图像，提取健康棉株和不同严重度的感病棉株冠层光谱数据、病害植被指数、棉花黄萎病病情指数等。

田间数字图像获取主要采用OLYMPUS SP-565UZ数码相机拍摄。RGB颜色空间使用红R、绿G和蓝B基色显示彩色，首先对病害棉株冠层RGB图像通过HIS变换、分类、定量统计冠层危害程度，通过分析感病棉株冠层光谱的特征，明确病害光谱响应的变化，引入Relief-F算法[14]，寻找对病情发展敏感的单波段光谱特征集合与归一化差异波段，通过线性加权组合构建棉花黄萎病病情指数(Cotton Verticillium Wilt Index, CVWI)，监测棉花黄萎病病情严重度，对影像进行几何校正和图像融合的预处理。

棉花冠层尺度上的病斑面积与叶片总面积的比值称为冠层受害程度(Canopy Disease Severity, CDS)。为了定量计算CDS，将棉花冠层图像利用RGB至HIS空间的变换消除光强度变化的影响，对S和H成分进行分类，提取病害区域[15]。数据采集过程中，光谱信号受环境与仪器等影响，必需对光谱数据进行预处理，图像融合采用Savitzky-Golay(S-G)平滑滤波器降低数据采集中光谱信号的噪声。

1.2 方 法

1.2.1 棉花黄萎病严重度的分级[7]

依据分级标准(GB/T 22101.5-2009)棉花黄萎病严重度分为5级[7]：0级为健康(发病为0%)、1级为轻度发病(0%～25%)、2级为中度发病(25%～50%)、3级重度发病(50%～75%)、4级极重度发病(75%～100%)。

1.2.2 Relief-F算法获取棉花黄萎病症状变化敏感的特征

通过Relief-F算法[14]，由SG滤波后的光谱数据获得各波段用于棉花黄萎病严重度等级的权重分布。可见光波段光谱反射率与棉花黄萎病病情严重度呈正相关，随黄萎病病情严重度增加，可见光波段光谱反射率增大。近红外波段光谱反射率随黄萎病病情严重度增加，植被指数值下降，近红外波段光谱反射率减少，植被指数与病情严重度呈负相关。在可见光和近红外波段，权重分别表现为增加、减少的趋势。由于病害植被指数有效的综合有关的光谱信号，在增强植被信息的同时使非植被信号最小化，比用单波段探测绿色植被更具有灵敏性、准确性、可靠性，研究表明，多数植被指数与棉花黄萎病病情严重度的相关性优于单波段。研究选取Relief-F算法得到权重最大的2个波段701 nm、1 300 nm用于棉花黄萎病病情指数CVWI的构建。

利用Relief-F算法[14]提取对棉花黄萎病症状变化敏感的特征波长。Relief-F算法是一种特征权重算法(feature weighting algorithms)，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。特征选择算法中Relief-F算法使用Matlab的实现。

Relief-F算法基于权重寻找特征值，常用于解决多分类与回归问题，其思路是通过计算特征与类别间的距离赋予各光谱特征不同的权重[16]。

1.2.3 典型病害植被指数

V.dahliae侵染棉花后，引起可见光、近红外波段等光谱反射率的改变。选用反映棉花冠层结构、色素含量等典型病害植被指数，作为回归分析的入选变量。表1

表1 典型病害植被指数及其公式Table 1 Vegetation indices of typical diseases and their equations

1.2.4 监测模型构建和模型精度评价

利用支持向量机(support vector machines, SVM)已用于植物病害病情的诊断，SVM根据结构风险最小化准则构建最优分类超平面，提高模型的泛化能力，解决非线性、高维数、局部极小点等问题，已成功用于病害病情的诊断。为验证棉花黄萎病病情指数的有效性，精准诊断病害危害程度，利用SVM建立棉花黄萎病的远程监测模型，比较色素比值指数(PSSRb)与黄萎病病情指数(CVWI)的分类精度，评价指标采用决定系数(determination coefficient,R2)、均方根误差(root mean square error,RMSE)和相对误差(relative error,RE)。R2越接近于1，而RMSE和RE越接近于0，模型预报值与实测值越吻合，模型精度越高。评价指标的计算公式分别为：

1.2.5 权重计算和CVWI的获取

1个样本S从训练集中取出，在同类样本S找出邻近样本集H(Near Hits)，在同类S样本异类的每个样本集中找出邻近样本集M(Near Misses)，每次找出ρ个邻近样本，重复n次取样，同类样本距离越小、异类样本距离越大，则权重值越大。结果均值作为每个特征的最终权重值。权重公式为：

ω(Fi) ←ω(Fi) - 1/nρΣh∈H|Si-hi|+ 1/nρΣm∈M|Si-mi|.

式中Σh∈H|Si-hi|、Σm∈M|Si-mi|分别表示ρ个同类、异类邻近样本与样本S在特征i的距离和；F-特征集合；ω(Fi)-特征i的权重值。

CVWI=α×B1 300+β×B701+γ×NDVI(B700,B532)

式中系数α、β、γ取值为-1-1，步长为0.1。通过分析棉花黄萎病病情严重度等级的相关性，进行最佳加权组合，获得CVWI。

CVWI= -0.1×B1 300+0.1×B701+0.5×NDVI(B700,B532)

把表1的典型植被指数和公式中CVWI与棉花黄萎病病情严重度等级进行相关性分析，分别以NDVI、RDVI、SR、PSSRa、PSSRb、CVWI为自变量，以棉花黄萎病病情严重度为因变量y建立一元回归模型。

1.2.6 棉花黄萎病诊断

对数字图像与人机交互数据的分析与判断, 实现棉花黄萎病的诊断。通过对数据的推理, 病害症状的类别，并与病害防治相对接, 试验结果与方法的同步显示。图1

图1 棉花黄萎病诊断
Fig.1 Diagnosis of Cotton Verticillium Wilt

2 结果与分析

2.1 被V. dahliae感染棉花的病害症状和棉花黄萎病严重度的诊断

研究表明,在棉田获取被V.dahliae感染棉株冠层光谱数据，依据分级标准(GB/T 22101.5-2009)棉花黄萎病严重程度的分级，诊断实验棉田病害严重度为1级、3级、4级的冠层光谱和0级健康棉株光谱，随着棉花黄萎病发病程度加重，叶片组织边界变模糊，细胞间隙增大，细胞排列疏松，细胞失水叶片变小，细胞数目减少，导致棉花叶片颜色由绿变黄，伴有叶缘焦枯，直至干枯死亡。V.dahliae侵入棉花根表层导致棉花净光合速率、气孔导度、蒸腾速率等降低，棉株萎蔫死亡，诊断到3级、4级严重度的棉花黄萎病症状。通过实验棉田诊断的病害病情严重程度的分类确定植被冠层受损面积，计算获得冠层受害程度(CDS)，因为CDS是由于V.dahliae感染棉花破坏了组织结构相关植被、叶绿体相关植被所致。图2

注：A: 健康棉株; B:不同严重度的棉花黄萎病; C健康和不同严重度的感病棉花叶片

图2 黄萎病对棉花叶片造成的可视化症状
Fig.2Verticilliumwiltcaused the visible symptoms of cotton leaf

2.2 被V. dahliae感染棉株冠层光谱特征

随着棉花黄萎病严重度的增加，绿色反射峰的平坦化以及波长为660～680 nm的红光区域反射率增加，近红外波段在棉株光谱反射率主要受叶绿素、冠层结构的影响。由于棉花黄萎病造成叶绿素降低、叶片内部结构被破坏，改变冠层结构。在近红外波段健康棉株冠层的光谱反射率大于病株的光谱反射率；近红外陡峭的红边被逐渐拉平，感病棉株冠层光谱反射率在近红外波长(780～1 300 nm)显著低于健康棉株冠层；随黄萎病病情严重度增加，可见光波段光谱反射率增大，其光谱反射率主要受叶绿素含量的影响，被V.dahliae侵染棉花的叶绿素含量减少，棉叶变枯黄，对蓝光、绿光、红光的吸收减弱，反射增强，而绿光波段的反射率逐渐降低，导致叶绿素的绿色强反射峰区和强吸收区逐渐拉平。光谱数据监测棉花黄萎病病情严重度的不同与冠层光谱特征的变化规律相似。表1，图3

1：可见光波段 2：近红外波段

1： Visible band 2： Near infrared band

图3 不同严重度棉花黄萎病冠层光谱
Fig.3 Canopy spectrum of cottonVerticilliumwiltof different severity

2.3 棉花黄萎病病情指数CVWI的构建

通过Relief-F算法由SG滤波后的光谱数据得到各波段的棉花黄萎病症状严重度等级的权重分布。植被可见光波段光谱反射率与棉花黄萎病症状严重度呈正相关，随着病害症状严重度增加，植被可见光波段光谱反射率增大。近红外波段光谱反射率随着棉花黄萎病症状严重度增加，植被指数值下降，近红外波段光谱反射率减少，植被指数与病害症状严重度呈负相关。因此，在植被可见光和近红外波段，权重分别表现为增加、减少的趋势。由于感病植被指数有效地综合相关的光谱信号，在植被信息增强时非植被信号最小化。本论文研究选取Relief-F算法得到权重最大的2个波段701 、1 300 nm，用于获取CVWI。植被光谱特征随着棉花黄萎病症状严重度增加呈平行移动，光谱的归一化差异有助于区别棉花黄萎病危害严重度的等级，对于权重大的450～950 nm波段，参照归一化植被指数(NDVI)的形式构建归一化波段组合特征。通过Relief-F算法从归一化特征组合中提取权重最大的归一化波段组合NDVI(532 、 700 nm)，诊断棉花黄萎病发病情况。通过方法归一化差异组合表示与结构相关植被指数和叶绿素相关植被指数与棉花黄萎病病情严重度的相关性。把权重最大的单波段特征、归一化差异波段进行线性组合，获取CVWI。表2,图3

表2 病害监测指数与病情严重度等级线性Table 2 Linear analysis of disease vegetation indices with diseases levels

注：＊＊表示显著性水平为 0.01

研究表明，典型病害植被指数与棉花黄萎病严重度等级有相关性，是由于棉花黄萎病主要引起绿光、近红外和红外波段的反射率变化引起，其中，与叶绿素相关植被指数(PSSRb)与棉花黄萎病严重度等级的相关性最高(R2=0.897,RMSE=0.363)，PSSRb由波长652和700 nm组成，表明建立在叶绿素含量与结构变化基础上的植被指数可用于棉花黄萎病严重度等级的划分。因此，研究通过Relief-F算法提取健康棉株和不同严重程度的感病棉株冠层光谱特征谱段构建棉花黄萎病病情指数CVWI，指示棉花黄萎病严重度等级的识别(R2=0.917,RMSE=0.324)构成植被指数的关键波段。

CVWI由位于532、700、701、1 300 nm波长处的光谱反射率组成，这些光谱代表不同的外部结构植被指数、病害植被指数。据报道，700 nm邻近的反射光谱是由植被生物化学和物理参量产生的基本特征[23]，而被V.dahliae侵染棉花叶绿素含量减低、棉株冠层结构发生变化，所以700 nm邻近光谱特征是监测病害严重度等级的重要指标。研究表明，532 nm波长处的反射率能够监测叶黄素循环，叶黄素是与光系统Ⅱ光能利用效率相关的调节色素[24]，包含532 nm反射率的植被指数指示光合作用的变化，从而揭示棉花叶片中V.dahliae的变化。1 300 nm是绿色植被水分吸收峰所在位置，表明植物水分含量的变化，所以包含1 300 nm邻近的CVWI表明水分含量随病害严重度的变化而变化。表2

2.4 病害监测模型构建与精度评价

为了确定CVWI的有效性，诊断棉花黄萎病发病、扩展程度，利用支持向量机(support vector machines, SVM)对棉花黄萎病进行监测，利用遗传算法(genetic algorithm, GA)优化的SVM建立了棉花黄萎病的监测模型(GASVM)。将色素比值指数PSSRb与黄萎病病情指数CVWI分别作为模型的输入，对应的病害严重度等级作为输出，划分训练样本与测试样本，通过网格搜索确定最优超参数，获取最优棉花黄萎病的远程监测模型。通过PSSRb与CVWI的分类精度，评价指标采用决定系数R2、均方根误差RMSE和相对误差RE。R2越接近于1，而RMSE和RE越接近于0，表示病害监测模型预报值与实测值越吻合，病害监测模型精度越高。与PSSRb作为输入的病害监测模型相比，基于CVWI的棉花黄萎病监测模型精度更高。

2.5 防控棉花黄萎病数据的安全架构

研究表明，数字图像采用多层次的深度防治棉花黄萎病模式，提高棉花黄萎病严重度等级数据的病害防治策略。病害病情发生数据在采用深度防治棉花黄萎病数据的安全架构时，优化防治棉花黄萎病的模块，保障病害病情发生数据的持续安全运行。图4

图4 基于防治棉花黄萎病数据的架构
Fig.4 The framework based on data of cottonverticilliumwiltcontrol

3 讨 论

由于被V.dahliae侵染棉花有效地综合有关的光谱信号，在增强与结构相关植被和叶绿素相关植被的信息时，使非植被信号最小化，精准选用植被指数与棉花黄萎病病情严重度组合波段[23-24]。研究获取的数字图像和数据受监测尺度、棉花生长发育期、棉花黄萎病发病和扩展情况、病害病情严重度等级等多因素的影响，造成CVWI的特征谱段的变化，今后将获取全生育期内棉花黄萎病病情等级的光谱数据进行深入研究。

在冠层尺度上筛选出适合冠层尺度病害监测的特征变量，通过实验测定了棉花黄萎病及健康样本的冠层光谱数据，分别利用光谱反射率特征、与结构相关植被指数特征、叶绿素相关植被指数特征和细节特征结合相关分析，以及SVM、GASVM方法[25]建立了基于冠层尺度的棉花黄萎病监测模型。筛选出对病敏感度且差异较显著的特征波段。通过Relief-F算法计算出各特征的权重系数，对特征集进行加权；利用支持向量SVM对棉花黄萎病进行监测，并用遗传算法GA优化的SVM建立了棉花黄萎病的监测模型。

研究结果为准确诊断和防控棉花黄萎病提供有效的工具，建立的系统为病害发生情况的监测和病害防控管理提供了决策支撑，实现了棉花黄萎病病情信息的实时、快速、无损诊断和防控管理的远程监测，为棉花黄萎病大面积精准监测提供新的思路，也为病害监测以及病害防控提供理论依据。

4 结 论

4.1 利用与结构相关植被和叶绿素相关植被冠层RGB图像，通过精准分类统计棉花冠层损害程度，定量计算CDS，诊断棉花黄萎病病情严重度等级，明确植被冠层图像RGB至HIS空间变换与典型病害植被指数的相关性。棉花冠层光谱随着棉花黄萎病病情严重度的变化而变化。

4.2 被V.dahliae侵染棉花可见光波段光谱反射率与棉花黄萎病病情严重度呈正相关，随着病害病情严重度增加，与结构相关植被和叶绿素相关植被可见光波段光谱反射率增加。近红外波段光谱反射率随着棉花黄萎病病情严重度增加，被V.dahliae侵染棉花冠层光谱反射率在近红外760～1 300 nm波段处低于健康植株冠层光谱反射率，红光到近红外陡峭的红边被逐渐拉平

4.3 利用Relief-F算法提取光谱特征，结合病害症状的特征，获取CVWI。CVWI涉及感病棉花的结构、色素、光合特性等变化的综合因素，与病害病情严重度等级的相关性R2为0.962，明确棉花黄萎病病情严重度与相应位置的数字影像存在相关性。

4.4 构建了棉花黄萎病监测模型。

4.5 构建了棉花黄萎病的数字图像信息化系统管理，建立一个系统的、完善的棉花黄萎病数据安全架构。