基于热红外成像和机器学习的棉花黄萎病监测技术研究

王 驰，张真炜，刘 洋，郭冰玉，陈 灏

（石河子大学信息科学与技术学院，新疆 石河子 832000）

1 课题的提出

棉花黄萎病危害棉花生产，其使得棉花容易减产甚至绝收[1]。目前，棉花黄萎病病害监测主要依靠人工观察棉花叶片，基于经验监测棉花是否出现黄萎病病变。传统的监测手段过度依赖人的主观性，监测效率低，费时费力。因此，为棉花黄萎病病害的发现提供一种更为准确、实时的诊断措施具有重大意义。近年来，通过图像处理和机器学习监测植物病虫害已经成为新的发展趋势。本文采用基于机器学习分类方法，对比分析传统机器学习和深度学习效果，提出基于机器学习的图像（RGB图像和热红外图像）融合判断监测棉花黄萎病的方案，为植物病虫害监测领域提供宝贵的案例。

新疆是中国最大的产棉区。2020年新疆棉花的种植面积约占全国棉花种植总面积的78%，产量约占全国总产量的87%[2]。同时，在新疆地区，国家针对性实施棉花目标价格补贴政策，这保障了棉农的收益，调动了棉农的种植积极性，使得新疆棉花种植面积不断扩大。

棉花黄萎病是棉花生产的重大阻力，是棉花生育期间的“癌症”[3]。在棉花的整个生育期内都有可能被感染棉花黄萎病，七月中旬达到第一次发病高峰，八月底九月初到达一年之中的发病最高峰[4]。依据历年棉花生产经验，黄萎病对棉花的质量和产量都造成极其严重的影响，一般导致棉花减产20%左右，而病变严重的棉田减产可达70%，甚至绝收[5]。

刘海洋等[6]研究表明，棉花黄萎病作为目前危害棉花生产最主要的病害，近年来，在新疆的发作呈现加重趋势，到目前为止其已经造成了巨大损失，必须要引起足够的重视[7]。及时地发现感染黄萎病的植株，可以尽早进行治疗，防止病菌传播和蔓延，防止棉花产量大规模减少[8]。

中国棉花黄萎病分类识别工作主要依靠人工完成，而人工分类局限性大、缺陷明显，这对于棉花的最终产量有重大影响。利用计算机监测棉花黄萎病，可以克服传统人工分类方法过度依赖主观性、易疲劳、费时费力等缺点，从而更好避免了棉花黄萎病的危害。

近年来，机器学习发展迅猛，应用方面广泛并取得突破性进展。许多传统业务因和深度学习的结合进一步发展，不仅节省了人力物力，也提高了作业效率。现如今，通过机器学习算法将原本烦琐的任务交由计算机处理已成为时代的趋势。

因此，借助机器学习等新技术，研究一种切实可行、操作方便、探测准确的棉花黄萎病病发状况监测技术，这对于提高新疆乃至全国棉花生产地区的棉花产量，具有重要意义。

2 国内外研究现状

2.1 国外研究现状

TELLAECHE等[9]根据作物与杂草颜色不同的特点，实现了识别杂草，并在一定程度上消除了植物叶片重叠、不同相机的焦距、风速不同等环节造成的影响，从而使图像方法获得较高的实用性；KⅠM等[10]在研究患灰霉病的紫薇叶片的数字红外热成像时，经验证得出结论，数字化红外热像仪可以用来评估灰霉病对叶片温度变化的影响，从而做到对灰霉病的有效检测；JAFARⅠ等[11]在利用热视觉检测玫瑰白粉病和灰霉病前期症状的研究中发现利用热成像技术可以对玫瑰白粉病和灰霉病进行症状前检测；CAMARGO等[12]构建了一个机器视觉系统，利用彩色数字图像对作物病害视觉特征进行识别，从图像中提取一系列的病害特征，将这些特征输入到一个SVM分类器中，从而实现作物病害的识别。

2.2 国内研究现状

邓继忠等[13]利用采集的小麦病害显微图像为研究对象，采用图像分析、图像识别技术对小麦的三类病害进行识别；陈斌等[14]在利用红外热成像技术监测植物病害的研究中证实红外热成像技术在检测病害方面所具备的良好可行性；钱小燕等[15]为了增强融合效果，提高融合速度，提出了一种快速有效的红外与可见光图像融合算法，此算法获得的生成融合图像更加清晰、自然，速度更快、更简单；何永强等[16]结合红外图像和微光图像各自的特点，利用小波图像融合的方法把红外图像和微光图像进行融合，从大量的融合图像中提取不同物体的纹理特征，提出了一种基于图像融合的夜视图像彩色化方法。

总之，农作物病虫害识别方法的研究多在实验室环境中进行，实验室中的环境单一、噪声干扰较少，往往能够取得较好的效果，而在实际的大田环境中，存在各种各样的干扰。目前，没有相关学者对棉花的热成像特征进行病害监测，但是，已有相关学者在农作物病虫害领域使用热成像技术进行研究[17]，也已有学者利用机器视觉对棉花的病虫害领域进行研究[18]。在实际应用中，存在着许多图像融合算法，但并不都适用于红外与可见图像融合，因此需要根据项目实际选择适合的图像融合算法以满足项目的需求。

3 感染棉花黄萎病分类识别方案

3.1 实验设计

棉花黄萎病的分类识别过程包括图像数据的输入、对图像数据的预处理、对图像数据进行的提取、分类处理和输出结果。具体流程如下。

第一，在生长期间将部分棉花接种黄萎病，运用Pro高性能机载热红外成像仪（Workswell公司，捷克）拍摄热图像图片。设定镜头距离地面高度大于130 cm，用以确保图像可以完整捕捉棉株单株。

第二，设立对照组和真菌接种组，通过对40株接种棉花黄萎病菌和40株未接种棉花黄萎病菌的棉花观察，做图像数据采集，从而建立棉花黄萎病样本库，并提取感兴趣区，生成感兴趣区的RGB图像、红外图像和融合图像。完成机器分类前的人工处理，建立了样本库与测试库，便于之后的学习、测试。

第三，按照算法分析并计算棉花黄萎病的特征参数，得到从卷积神经网络（Convolutional Neural Networks，CNN）输出的分类器结果，按照结果，计算机进行自动分类，并输出棉花黄萎病分类结果。

3.2 图像数据采集

一般情况下，中红外区是2.5～25 μm的红外波段[19]。植被温度与大气温度接近。虽然大气温度每天都有变化，但不同部位会有所不同。也就是说，健康区域和不健康区域会有明显差异[20]。因此可以利用中红外热成像技术获取植株基于热图像特征的差异，从而形成对健康植株和不健康植株区分的分类依据。

在正式的采集前，先设立对照组和真菌接种组。接种一段时间后，使用Pro高性能机载热红外成像仪拍摄2组植株（对照组和真菌接种组）的热图像图片。

3.3 图像融合

红外图像具有全天候工作、抗干扰能力强的优点，但是红外图像存在对比度低、清晰度低、可视性差、细节信息匮乏、对温差敏感等缺点，使图像中的目标和场景难以识别、分析。因此，本文引入图像融合。

图像融合是将两幅或多幅图像利用特定的算法综合成一幅新的图像的方法。在进行融合之前要事先经过去噪、配准等处理过程，然后在利用特定的算法对图像进行融合。

图像融合的一般过程为特征提取、后期优化和融合3个步骤。特征提取是通过数学模型，从源图像中提取图像特征的过程，一般包括图像分割、特征表示和特征选择3步。后期优化是利用中心像素与邻域内像素的关系，对特征的优化。最后，图像融合是采用加权平均等规则完成图像的合并。

3.4 模型搭建

3.4.1 卷积神经网络

卷积神经网络是一类深度神经网络，其中包含卷积计算，是深度学习的代表算法之一[21-22]。CNN是为解决图像识别问题而专门设计的一种神经网络。在图像处理的相关领域，CNN有十分出色的表现[23]。实质上，CNN是一种由输入到输出的映射。CNN不需要任何确定的数学公式，而是通过大量的从输入到输出的映射关系的学习，从而获得了从输入到输出的映射能力[24]。CNN应用广泛，其应用领域涉及图像和视频的识别、图像分类、图像分割、医学图像分析、自然语言处理和推荐系统等[25]。

CNN一般由输入层、隐含层和输出层构成，其中隐含层一般包含卷积层、池化层和全连接层[26]。CNN的分类处理过程可概括如下：首先进行图像数据获取，并对图像数据进行简单的处理，如去噪等工作[27]。之后送入隐含层进行卷积、池化的运算。卷积层的功能是提取图像特征，池化层的功能是对池化层的特征进行选择和过滤。在反复地进行了卷积和池化的工作后，全连接层会将提取的特征进行线性组合而后输出结果。

3.4.2 优化改进

由于采用热红外成像技术获取图像数据，本文对卷积神经网络的网络结构提出了一种新的设计方案，包含卷积核数量的更变、卷积层数、卷积核的尺寸、激活函数等内容的优化，并采用多输入多输出模型。

网络结构设计完成之后，为了进一步提高卷积神经网络的准确性，降低损失度。建议采用多种改进方法：①增加迭代次数。一个拥有大量数据的卷积神经网络需要经过多次的迭代才能取得良好的训练成效，获得理想的训练成果，增加迭代次数，是直接提高稳定性和准确率的有效手段。②调整学习率。学习率决定了神经网络能否成功收敛到局部最小值。过高的学习率会使得神经网络跳过全局最小值，从而导致无法收敛。过低的学习率会增加花费的时间，最优的学习率能够获得高效而理想的局部最小值。③增加卷积神经网络的深度。通过增加神经网络的深度可以增加可学习参数的个数，从而使得神经网络的拟合能力提高，对于提高准确率有一定的帮助。但同时注意，过高的深度一定程度上会导致过拟合。④数据增强。在不实质性增加数据的前提下，对已有的数据集进行改变，诸如翻转、旋转等，从而获得增加数据的效果。在进行数据增强后，使得增强后的数据集代表更为全面的数据集合，卷积神经网络因而可以从原始数据集提取更多的特征信息，从而防止过拟合现象。

4 结论

本文介绍了一种基于卷积神经网络的棉花黄萎病监测方法，建立了CNN模型，在已有的比较成熟的算法上进行测试，建立适合棉花黄萎病监测的算法模型，最终获得能够成功辨识棉花是否感染黄萎病的成果。相较于传统的人工监测方法，该方法具有作业时间连续、效率高、准确率高的特点，克服了传统人工监测方法费时费力、主观性强的缺点。对于监测棉花黄萎病，有着不可多得的优势。但该方法也有局限性，对于有着轻微感染情况的棉花植株，难以完全准确地作出监测判断。在后续研究中，可以通过对算法的进一步优化来解决。