引言
隨著人們對農產品質量和品質要求的不斷提高，大面積地毯式的農藥噴灑技術已經不能滿足要求，并且造成了大量的資源浪費和環境污染。因此，近年來精準農藥噴灑技術日益成為眾多學者研究的重點。
該技術旨在保證消除病害的前提下，使得農藥用量最低，以降低農藥殘留。作物受到病害侵染以后，外部形態及生理效應均發生一定的變化，其圖像及光譜特征與健康作物相比均存在不同程度差異，這使得光譜技術、圖像處理技術、光譜成像技術在病害快速檢測技術成為了可能[1]; 而機器視覺、光譜及高光譜成像技術能夠較準確地確定病害位置甚至類別，通過計算機、光譜成像儀及相應設備，對患病害作物噴灑農藥，可以使損失降到最低。
1 病蟲害檢測技術概述
傳統的病害檢測是人工檢測，檢測者通過積累的實踐經驗來確定作物是否患病，甚至確定出患有哪種病害。這要求檢測人員具有較豐富的經驗，對病害非常熟悉。若檢測者經驗不足不但影響檢測速度、增大勞動強度，而且還會造成誤判和經濟損失。因此，目前已經開發出相應的病害識別專家系統來輔助人工識別。光譜技術對檢測作物病害的生化信息具有較好的效果，它能夠直接反映分子內部結構及運動狀態。
因其采集到的光波段是肉眼不能感知的，從而使得光譜技術采集的樣本信息量大大增加。光譜儀器能夠感知的波段范圍包括紫外波段（ 0. 3 ~ 0. 4μm） 、可見波段（ 0. 38 ~0. 76μm） 、紅外波段（ 0. 7 ~ 2. 5μm） 、熱紅外波段（ 3 ~14μm） 和微波波段（ 1mm ~100cm） 中的一個或多個。其應用原理是基于不同的病害對不同波段光線吸收和反射光線效果也不同。因此，光譜分析的主要任務是尋找敏感光譜段，通過統計分析確定出作物是否患有病害，甚至確定出患有哪種病害，而后將信號傳遞給病害防治系統，實現病害治理。光譜技術由于其檢測時間較短、準確率較高，因此被廣泛地應用于工業產品無損檢測及農作物在線檢測的科學研究中。
機器視覺檢測法是模仿人眼在可見光波段 R（ 紅） 、G（ 綠） 、B（ 藍） 3 個光譜段來獲取作物病害的顏色、大小、紋理及形狀等特征，以達到識別病害目的。
其采用相機（ CCD 相機或 COMS 相機） 將被檢測的目標轉換成圖像信號，傳送給專用的圖像處理單元（ 或圖像采集卡） ,經圖像處理軟件根據像素分布和亮度、顏色等信息進行處理，轉變成數字化信號，再對這些信號進行各種運算來抽取目標的特征。典型的圖像采集系統如圖 1 所示。
光譜與圖像處理技術相融合是目前農業領域發展的一個新熱點，目前光譜成像技術越來越受到眾多學者的關注。光譜分辨率小于 10nm 的光譜成像技術被稱為高光譜成像技術（ Hyperspectral Imaging） ,包括小尺度分析的光譜成像技術和大尺度分析的高光譜遙感技術。高光譜成像設備在廣泛的電磁波譜范圍內以數十至數百個連續且細分的光譜波段對目標區域同時成像，在獲得樣本圖像信息的同時也獲得其光譜信息，真正做到了光譜與圖像相結合，使得對病害識別系統更具有通用性和適用性，可以實現對作物病害的實時、早期診斷。典型的高光譜成像系統如圖 2所示。
2 基于光譜技術的病害檢測研究及應用
基于光譜良好的光學性能，將光譜技術應用于農作物病蟲害檢測一直是國內外眾多學者研究的熱點。
目前，通過眾學者多年研究，應用光譜技術對病害檢測已經取得了一定的成果，有些成果甚至已經應用于農業生產中。
2. 1 國外研究現狀
早在 1971 年，Beverly 等就提出利用玉米葉片的反射光譜來檢測玉米矮花葉病毒及小斑病菌的感染[2].1982 年，外國學者 Muir 等研究了利用光譜技術對肉眼不可見的受病菌感染馬鈴薯塊莖進行早期診斷[3].1993 年，Malthus 等利用地物光譜儀檢測了被斑點葡萄孢子侵染的蠶豆和大豆，結果表明： 其一階反射率能夠對蠶豆和大豆病害感染情況進行監測[4].1999 年，Adams 等利用光譜二階導數設計的發黃指數對大豆黃萎病病害程度進行病情評價[5].2001 年，Kobayashi 等利用多光譜技術實現了對水稻稻瘟病害程度的識別，通過對感染稻瘟病的幼穗期與黃熟期水稻多光譜數據進行分析，提取出稻瘟病的敏感波段為 485nm 和 675nm[6].2002 年，Rinehart 等利用可見光/近紅外分光鏡對患硬幣圓狀斑病和匍匐翦股穎褐斑病一年生牧草進行了研究，結果表明： 其病害光譜反射率一階導數在 700、1 400、1 930nm 處有明顯差異[7].2003 年，Bravo 等通過確定可見光到近紅外光波段的光譜反射率數據，對小麥黃銹病進行早期診斷[8].2003 年，Steddom 等通過采集甜菜叢根病高光譜遙感數據與冠層多光譜數據，并對 CRI、ARI、ND-VI、RGR、VARI 等植被指數進行分析，測得患有叢根病的甜菜與未患病甜菜植被指數存在顯著差異[9].
2003 - 2005 年，Haned 和 Moshou 等學者利用光譜技術分別對小麥真菌病和條銹病進行了分析[10 - 12].2006 年，Spinelli 等學者將近紅外光譜技術與電子鼻結合，實現了對梨樹火疫病的早期診斷[13].2008 年，Belasque 等利用 452、685、735nm 光譜段實現了柑橘潰爛病的檢測[14].2009 年，Rayapati 等利用光譜技術研究了葡萄感染卷葉病前后光譜反射數據，結果表明： 該方法是檢測葡萄卷葉病的有效手段[15].2010年，Jones 等學者利用可見近紅外光譜技術預測番茄細菌性葉斑病嚴重程度[16].2011 年，Sankaran 等提取了柑橘黃龍病光譜敏感波段和敏感植被指數，并利用兩種預測模型實現了病害鑒別，效果較好[17].2013年，Mathyam 等利用近紅外光譜多元邏輯模型，估計了黑豆黃色花葉病的相關色素損失和受害程度[18].
2013 年，Cao 等通過檢測冬小麥冠層光譜反射率和多種光譜參數實現了小麥感染白粉病檢測，發現紅邊峰值面積是白粉病的敏感光譜參數[19].同年，Mathyam等學者利用近紅外光譜多元邏輯模型檢測黑豆黃色花葉病的相關色素損失和受損程度[20].
2. 2 國內研究現狀
在國內，利用光譜技術在作物病害檢測方面的研究較國外起步較晚，作物檢測方面也多為品質分析；直到 20 世紀 90 年代，光譜技術逐漸用于作物病害的相關檢測，并取得了較好成效[21 - 22].2003 年，黃木易、王紀華等國內學者利用光譜技術定性和定量地分析了不同病情指數的冬小麥條銹病冠層光譜。試驗表明： 630 ~ 687nm、740 ~ 890nm 及 976 ~ 1 350nm 為條銹病敏感光譜段[23].同年，黃木易等人又應用光譜遙感技術在不同處理條件下對冬小麥條銹病病情指數進行了分析[24].2004 年，張寶棣與譚廣發等利用近紅外光譜技術確定水稻發病癥狀實現對水稻病害的診斷與防治[25 - 26].2007 年，吳迪等學者應用可見 - 近紅外波段的光譜信息對蔬菜灰霉病進行了早期診斷研究，還對不同程度水稻穗頸瘟的光譜預測進行了研究[27 - 29].同年，王圓圓、陳云浩等通過光譜分析發現： 光譜曲線中葉綠素的兩個吸收谷附近和紅邊附近的一階微分在預測病情指數時起著重要的作用[30].2008 年，馮世杰、戴小鵬等運用光譜技術，采取支持向量機的方法對鴨梨褐變病果進行識別，識別率達到了 95% 以上[31].同年，王加華、韓東海等提出了直接采用可見 - 近紅外能量光譜對蘋果褐腐病、水心鑒別的方法，并且實現了較好的鑒別效果[32].
2009 年，任先培、劉剛等利用光譜技術對病害煙葉和正常菜葉進行了研究，結果顯示此檢測方法具有準確、方便及快速等優點[33 - 34].2010 年，孫紅、李民贊利用光譜技術實現了水稻稻縱卷葉螟蟲害檢測，通過分析田間水稻稻縱卷葉螟蟲害區和對照區冠層反射光譜和一階微分光譜特征差異發現： 在可見光區（ 400~ 700nm） ,550nm 附近中度受害水稻冠層反射率明顯低于對照冠層反射率值，重度受害水稻冠層反射率則高于對照區冠層反射率[35].同年，競霞、王紀華等學者通過分析感染不同病情程度的黃萎病棉花光譜特征，篩選出了黃萎病敏感光譜段，并構建了基于光譜特征吸收參量的病情嚴重度評估模型[36].
3 基于圖像處理技術的病害檢測研究及應用
機器視覺包括三位空間信息獲取、識別和分析等過程，是計算機學、光學、自動化、人工智能和模式識別等技術的有機結合[37].機器視覺是采用可見波段來獲取農產品病害的紋理、形狀、大小、顏色等特性，通過圖像處理技術對其進行提取，以識別病蟲害。由于獲取的對象圖像中含有大量的適應性和魯棒性信息[38],使其在農業工程領域得以廣泛應用。
3. 1 國外研究現狀
自 20 世紀 60 年代至今，以圖像處理技術為基礎的機器視覺機器視覺技術取得了長足發展； 特別是 80年代后，由于計算機技術、傳感器技術等高速發展，以及人們對自動識別的深入研究，促進了機器視覺技術逐步走向成熟。機器視覺于 20 世紀 70 年代末期應用于農業生產中，主要進行農產品品質檢測、在線分級及作物種類的鑒別等[39 - 41],如水果、雞蛋、馬鈴薯、黃瓜、玉米和茶等通過識別其大小、形狀、紋理及顏色信息進行檢測分級。早在 1986 - 1987 年，ThomasonR. L. 和 Godinez P. A. 分別描述了一種具有使用價值機器視覺系統，此系統能夠區分不規則圖像信息特征和正常圖像信息特征，從而在農產品污點檢測、分級和 從 蔬 菜 中 去 除 雜 物 等 領 域 得 到 了 廣 泛 應用[42 - 43].2001 年，于新文等對棉鈴蟲圖像處理中的迭代法、Johannsen 法、P - 參數法、Yager、Kapur 法和平均值分割法進行了比較，認為迭代法更符合實際需求[44].這種把基于圖像處理技術的機器視覺檢測方法引入到植物生長的監測和管理中的思想為后續的深入研究奠定了基礎。2003 年，El - Helly 等國外學者利用圖像處理方法對黃瓜病害進行分割，通過數學形態學方法提取病斑區域形狀參數、矩形度、緊密度、歐拉數、圓形度及方向等形狀特征參數并且進行了特征優化，利用神經網絡對黃瓜病害進行識別，識別率達到了 80% 左右[45].2006 年，Pydipati 等以紋理特征作為判別依據，利用彩色共生矩陣法提取了 H、I、S這 3 個通道圖像，得到了 39 個紋理特征，通過所得紋理特征對柑桔瘡痂病、樹脂病等病害葉片進行識別[46].2008 年，Wijekoon 等學者利用圖像處理將多種作物真菌病害的葉片病斑面積進行了量化，通過識別病斑確定病害[47].2009 年，Gamargo 等建立了一種自動辨認作物病斑的圖像處理算法，并且取得了較好的效果[48].目前，利用機器視覺進行圖像處理時，一般處理的是某一光譜段的灰度圖像或由紅（ R） 、綠（ G） 、藍（ B） 3 個光譜分量組成的彩色圖像。
3. 2 國內研究現狀
在國內，隨著近年來國內學者不懈努力，利用以圖像處理技術為基礎的機器視覺檢測方法得到了迅猛發展，并取得了較好的成效。2008 年，中國農業科學院學者岑？鑫建立了計算機視覺采集系統，依托此采集系統構建了黃瓜葉部病害數字圖像數據庫，通過識別病斑區域圖像的顏色紋理和形狀進行多種病害的鑒別[49].2001 年，張香琴等利用計算機圖像識別技術來檢測家蠶粒子病，以機器視覺來代替人工鏡檢，并取得了較優的檢測效果[50].2006 年，田有文、李成華等利用色度距離提取了日光溫室黃瓜葉片病害，然后利用支持向量機分類法進行病害識別； 通過比對不同的分類函數，確定線性核函數最適合病害的分類識別[51].2007 年，趙玉霞、李少昆等學者利用樸素貝葉分類器的統計學習法，對灰斑病、銹病、褐斑病、小斑病和彎孢菌葉斑病等病斑圖像進行了分類識別，試驗結果表明： 貝葉斯分類器具有網絡結構簡單、易于擴展等特點，精確度達到 83% ,對其他的作物病害圖像識有很高的借鑒意義[52].2005 年，崔艷麗等人運用計算機圖像處理技術對生產中的斑疹病和角斑病進行了研究，主要以顏色特征作為判別依據，通過試驗發現： 色調在 48 ~ 50 和 45 ~ 47 區間內識別效果較好[53].2012 年，劉軍、王振中等提出一種基于彩色圖像處理的作物病害識別診斷系統，該系統對黃瓜、番茄等葉部病害識別診斷在特定條件下識別效率較高，對非結構環境下的識別率還需進一步改進[54].
4 光譜與圖像處理技術相融合
近年來隨著識別技術的不斷發展，光譜成像技術與圖像處理技術相融合是數字農業領域發展的一個新熱點，光譜成像技術應運而生。光譜成像技術是新一代光電探測技術，因其融合了空間和光譜信息，使其成為了各個領域科學研究的創新性尖端科技[55].光譜成像技術可以同時獲得研究對象的光譜和圖像信息，不但結合了機器視覺和光譜技術的優勢，而且克服了機器視覺和光譜技術各自的缺陷。機器視覺最大的缺陷是不能夠反應作物病害的生化信息，從而影響其檢測效果。光譜技術能夠檢測農產品病害的生化信息，但只能檢測樣本的一部分。這是由于作物發生病害時其空間參數分布不均勻，光譜信息不能代表整個農產品信息[56].光譜成像技術可為每個圖像的像素點提供上千波長的光譜信息，同時可對農產品進行可視化表達。
4. 1 國外研究現狀
20 世紀 80 年代初期，美國宇航局噴氣推進實驗室（ JPL） 首先提出光譜成像技術，從此以后光譜成像技術得到了迅猛發展。最初的光譜成像技術主要應用于軍事[57]; 而后，隨著檢測技術的不斷深入，特別是非結構環境下全面檢測和分析受害作物冠層信息，僅僅依靠圖像處理或光譜分析技術是不夠的，有時需要采用多光譜成像技術，甚至高光譜成像技術。早在2000 年，Delwiche 等利用高光譜成像技術和機器視覺技術區分受痂損和健康小麥籽粒，并且建立了線性判別函數[58].2004 ~2005 年，Moshou 等學者利用光譜圖像結合神經網絡、自組織圖和二次判別分析提取出了小麥條銹病信息[59 - 60].2005 年，Qin 等學者應用多光譜圖像技術對水稻紋枯病進行了檢測識別，通過試驗發現： 當病情指數大于 35 時，分類效果較好[61].
2005 年，Zhang 等學者分別利用 700 ~ 750nm、750 ~930nm 和 1 040 ~ 1 130nm 光譜段圖像，通過最小噪聲變換和光譜角填圖實 現 了 番 茄 晚 疫 病 的 無 損 檢測[62].2008 年，Qin 等學者利用便攜式高光譜成像系統，選擇 400 ~900nm 光譜段檢測柑桔潰瘍病，識別準確率高達92. 7% ; 選擇553、677、718、858nm 這4 個光譜段用于柑桔潰瘍病的自動分選[63].2009 年，Sighicelli 等學者利用 540、680nm 圖像對甜橘褐變腐爛和霜霉病進行了無損檢測，并取得了較好成果[64].
4. 2 國內研究現狀
近年來，由于國內學者在病蟲害檢測方面的研究不斷深入，光譜成像技術得以蓬勃發展。2005 年，吳迪、馮雷等利用地面多光譜成像技術，通過處理茄子灰霉病的紅外、紅、綠 3 個通道圖像，實現茄子灰霉病的識別檢測[65].2008 年，吳迪等學者利用多光譜技術處理紅、綠、近紅外 3 個波段的灰度圖像，實現了茄子灰霉病的無損檢測[66].2009 年，馮雷、樓兵干等利用多光譜成像技術，通過近紅外、紅、綠 3 個波段提取出了受葉霉病感染的水稻葉面及冠層圖像信息[67].2009 年，馮潔等利用窄帶多光譜成像技術在結構環境下獲取了黃瓜葉面的 14 個可見光通道、近紅外通道、全色通道的多光譜圖像，對黃瓜的紅粉病、白粉病、褐斑病、黑星病及霜霉病進行了識別[68].2010 年，田有文等采用高光譜圖像技術實現了溫室黃瓜霜霉病和白粉病的無損檢測，試驗采集了 645、551、435nm 組成的 RGB 彩色圖像； 840、551、435nm 組成的 RGB 彩色圖像，以及 840、840、645nm 的比值和 435nm 組成的RGB 圖像。對選出圖像進行預處理后提取其葉片色度距紋理特征向量，利用支持向量機方法對病害進行診斷[69].2010 年，柴阿麗等選擇 400 ~ 720nm 光譜波段采集高光譜圖像，實現了黃瓜白粉病、角斑病、霜霉病、褐斑病和無病區域的診斷，判別準確率達到了94%[70].2011 年，石吉勇、鄒小波等通過高光譜技術與獨立分量法（ ICA） 相結合，實現了黃瓜葉片葉綠素濃度分布的快速無損檢測[71].
5 存在的問題及展望
隨著無損檢測的不斷發展，特別是非結構環境下的病害檢測，單純的依靠光譜技術或圖像處理技術已經很難滿足生產實際的要求。光譜與圖像處理技術相結合的光譜成像技術是目前比較先進和準確高效的一種手段，不但能得到作物組織的內部物化信息，而且還能通過成像獲取光譜的逐點像素信息，可比較有效地實現快速、無損檢測。但是，目前病害檢測方面的研究主要存在以下幾個問題：
1） 光譜成像技術在病害檢測方面的應用研究起步較晚，大多處于試驗探索階段，技術并不成熟，離實際應用還有一定距離；2） 基于光譜成像技術構建的光譜圖像數據庫尚不完善，雖能進行初步提取，但是分類判別研究較少；3） 雖然國內外學者對病害檢測識別研究較深，但對病害程度、早期診斷預防研究較少；4） 近年來，光譜和圖像處理技術相結合的光譜成像技術病害檢測系統已經研究成功，并且在結構環境下得以應用，但在實際生產中識別率較低，誤識率和拒識率較高。
多年來，植物病理學得到迅猛發展，在保障世界糧食和食品安全方面起著重大作用，其發展主要集中在病害流行學、病原學、病害診斷與防治、分子植物病理學等方面。其中，植物病害診斷是植物病害防控體系中最重要的方面之一。長期以來，植物病害診斷常采用病害癥狀獲取與病原菌顯微形態鑒定相結合的方法，但近年來免疫學、分子生物學等診斷技術取得了較大發展，而信息技術、計算機技術和光譜技術等在植物病害檢測方面還僅僅處于試驗探索階段，難以應用于實際生產中。
綜上所述，出現上述問題的主要原因是： 植物病害診斷研究多以信息工作者為主體，對植物病理學知識較為缺乏，較少懂得病原。所以，應以對植物病害癥狀及病原等知識有較深造詣的植物工作者為主體，與生物學、光譜學、信息學、計算機工作者密切結合，把已有的其他學科領域較為成熟的理論和經驗引入到作物病害檢測診斷領域中來。同時，應把光譜和圖像處理技術相融合的光譜成像技術作為未來研究的重點，加強對病害的早期診斷及預防，使病害損失降到最低。另外，需要尋找最優算法，構建數據庫，使作物的數字化診斷研究更具有實用性，更好地應用于生產實踐。
