作者简介:桂江生(1978—),男,安徽安庆人,副教授,博士,研究方向为生物图像处理与识别,E-mail:jsgui@zstu.com。
高光谱成像技术融合了传统的成像和光谱技术的优点,可以同时获取被检测物体的空间信息和光谱信息,作为一种简便、快捷、光学无损检测的新技术,已经在农业生产中受到广泛关注,并得到应用。本研究在梳理相关文献的基础上,分析了高光谱成像系统的构成,从高光谱成像技术在农畜产品质量和安全检测、农作物生长监测和产量估计、植物营养分析与施肥效果评估等多个方面,综述了高光谱成像技术在农业上的应用现状,并针对其在农业应用上的发展前景进行展望。
农业作为国民经济的三大产业之一, 是国民经济中最根本的物质需求基础。农业是人类生产与生活的衣食之源、生存之本[1]。农业生产的发展直接影响国民经济全局, 保证农作物的安全性、食用性和可靠性, 直接关系到消费者的饮食安全和健康[2]。由于生产技术粗糙, 为了提高农作物的产量, 过量使用农药和化肥等化学物品的现象在我国农业生产中仍普遍存在, 使得农产品质量无法从源头上得到保证。传统的检测方法主要基于化学检测和物理检测, 需要耗费大量的时间、人力、物力和财力[3], 因此, 急需发展建立快捷、无损、高效的检测或监控技术。
高光谱成像技术能够同时体现一维表征像元光谱信息和目标二维空间景象的物理属性, 并且具有较高的分辨率和图谱合一的属性[4], 目前, 已经有许多研究致力于将该技术引入农业生产, 服务“ 三农” 发展。为此, 本研究综述了高光谱成像技术在农畜产品质量和安全检测[5]、农作物生长检测与产量估计[6]、营养分析与施肥效果等方面的应用现状、基本原理和最新的研究进展, 同时也简要介绍了高光谱成像系统的基本结构和常用的高光谱图像处理分析方法, 旨在为相关研究、应用提供参考。
国际遥感界认为, 光谱分辨率在10-1λ 数量级范围内的为多光谱, 分辨率在10-2λ 数量级范围内的为高光谱。与多光谱技术相比, 高光谱成像技术不仅极大地提高了光谱信息的丰富程度, 在处理技术上, 也为光谱数据进行更为快速、有效的分析提供了可能[7]。高光谱成像技术作为一种综合性技术, 集微弱信号检测、探测技术、精密光学机械、计算机技术于一体[8], 能够获取连续、窄波段的高光谱分辨率的图像数据, 是一种能够将成像技术和光谱技术相结合的多维信息获取技术。高光谱成像技术图像数据的分辨率高达10-2λ 数量级, 在可见短红外波段范围内光谱分辨率为纳米级, 光谱波段多达数十个甚至上百个, 各光谱波段间是连续的, 图像数据的每一个像元都可以提取一条完整的高光谱分辨率光谱曲线。
高光谱成像系统由硬件平台和软件处理2部分组成, 其中, 硬件平台如图1所示, 由高光谱机(CCD相机)、样品台、漫反射光源、电动平移台/传送带以及转接板和转接块组成。
高光谱成像仪对图像信息的收集包含物理成分和化学成分两部分。样品通过漫反射光源将图像分散并投射到探测器阵列上, 图像的光谱长度范围包括可见光和近红外光。通过高光谱成像仪采集的图像, 之后在PC端进行图像校正、数据降维、建模、判定分析。由于不同的高光谱成像系统对图像的采集存在一定的差异, 为了确保高光谱数据的可比性和精确性, 常利用下式对高光谱图像进行暗电流校正:
R=100(R0-B)/(W-B)。
式中, R0为反射光谱图像, W为反射率为99%的白板反射图像, B为暗电流, R为校正后反射图像。
由于高光谱成像系统采集的光谱具有连续性, 所以光谱中包含的数据量较大, 在数据处理中会存在一些烦冗的计算问题, 因此, 选择合理的数据处理方法就显得尤为重要[9]。大量文献显示, 提取最佳波段是减少数据量最有效的方式, 并能够保证在不丢失重要信息的情况下精确地反映样品信息。在数据处理过程中, 数据降维也是有效的方法之一, 主要的方法有特征波段选择[10]、分类算法选择等。最后, 采用偏最小二乘法[11]、支持向量机[12]、人工神经网络[13]、多元线性回归等方法建立基于光谱图像的预测模型, 进而实现其在农业上的应用。具体的操作流程如图2所示。
农畜产品是人们赖以生存的必需品, 其质量安全是食品安全的重要基础, 同时也是食品安全的重中之重[14]。目前, 高光谱成像技术在农畜产品质量安全方面的应用较为广泛, 在实践中, 应用高光谱成像技术时主要采用非接触式的检测方式, 在成像的同时避免了交叉污染, 并且允许快速和自动操作的输送系统, 促进了多个样品的分析[15]。赵凡等[16]提取了多个正方形光谱区域以及样品掩膜图像的平均光谱, 对平均光谱进行平滑去噪、标准正态变量变换预处理, 采用偏最小二乘、最小二乘支持向量机、极限学习机和误差反向传播网络模型分析光谱提取区域对猕猴桃糖度检测精度的影响, 发现使用偏最小二乘方法能够较好地保证猕猴桃糖度检测的精度。Jiang等[17]利用近红外高光谱图像识别霉变的花生, 采用标记控制的分水岭算法将图像分割成空间尺度的核尺度对象, 结果表明, 该方法可以更好地识别霉变花生, 并且精度达到98.73%。Sugiyama等[18]通过近红外光谱成像来实现冷冻蓝莓中异物(叶和茎)的可视化鉴定, 根据吸收光谱的判别分析结果, 得出最佳照明波长, 获得包含异物和蓝莓区域的吸光度图像, 从而确定蓝莓中的异物, 证明高光谱成像技术在农产品分类检测方面有较高的精度。Rivera等[19]利用高光谱成像系统实现了对不同成熟阶段杧果机械损伤的无损检测。
Xu等[20]利用高光谱成像技术(900~1 700 nm)实现了对鲑鱼鱼片氧化降解的快速无损评估, 采用偏最小二乘法(PLS)和多元线性回归法(MLR)分别建立测定鱼片硫代巴比土酸(TBA)含量和pH值的模型, 结果表明, 采用多元线性回归(MLR)建立的模型有更好的精度相关系数(Rp为0.921, 均方误差为1.840 μ mol· kg-1)。Senz等[21]利用高光谱成像系统实现对羔羊肌肉的判别, 采用线性最小均方(LMS)分类器、支持向量机(SVM)、线性回归(LR)、线性判别分析法通过对比得到最优算法, 研究表明, 采用线性判别分析法实现羊肉的分类问题结果最为准确。Tao等[22]利用近红外高光谱成像技术, 获取猪肉表面的高光谱曲线, 结合多元线性回归建立大肠埃希菌污染预测模型, 最后得到的相关系数为0.88, 表明高光谱成像技术可以较为准确地预测大肠埃希菌对猪肉的污染程度。Kamruzzaman等[23]利用可见-近红外高光谱成像和机器学习实现对掺假牛肉的快速无损检测。综上, 高光谱成像技术在检测肉类质量和安全方面具备快速、无损、高效的优越性, 在畜产品品质安全检测这一领域极具潜力。
作物的光谱特征主要由叶片的叶绿素、类胡萝卜素、水分以及其他化学成分的反射得到, 这些是农作物生长监测的依据。索少增等[24]利用高光谱成像技术在波长(835.467 8~1 648.356 8 nm)范围内采集梨的高光谱图像, 得到多组样本数据, 结合人工神经网络检测梨表面的农药残留。张永贺等[25]建立了以(SDr-SDb)/(SDr+SDb)为变量的指数模型, 从而得到了桉树叶片光合作用色素含量分布的高光谱预测模型, 并建立叶绿素、类胡萝卜素含量与光谱特征参数间的预测模型。以上研究表明, 高光谱成像技术在对植物生长过程中存在的表面污染和内部化学成分的检测上具有较高的精度。
Senthilkumar等[26]使用近红外高光谱成像系统检测小麦青霉菌感染和赭曲霉毒素的污染, 利用高光谱成像系统将青霉菌感染和赭曲霉毒素污染的样本三维图像数据转换为二维数据, 确定不同浓度水平的赭曲霉毒素污染的小麦籽粒之间的分类精度和不同时期青霉菌感染的小麦颗粒。谢传奇等[27]提出了基于格拉姆斯密特(MGS)和贝叶斯罗蒂斯克回归(Blog Reg)的方法, 利用高光谱图像采集系统获取染病和健康番茄叶片的高光谱图像, 采用最小二乘-支持向量机(LS-SVM)的方法建立了早期番茄叶片早疫病的预测模型, 再通过MGS和Blog Reg提取特征波长, 建立EW-LS-SVM和EW-LDA模型, 从而实现对番茄叶片早疫病的检测。赵芸[28]利用光谱数据采集、高光谱成像、数字图像处理等技术, 建立了一套能够准确识别油菜病虫害信息的模型, 实现了对油菜病虫害的实时监测与诊断。Siripatrawan等[29]利用高光谱成像系统采集水稻籽粒反射图像, 采用偏最小二乘回归方法来预测水稻籽粒真菌生长情况, 结果显示, 水稻籽粒含真菌预测量和实际值之间的决定系数为0.97, 误差平均值为0.39。上述研究表明, 高光谱成像技术在农作物病害胁迫诊断方面的研究已经取得初步进展, 为农作物病虫害检测带来了新的途径和方法。
农作物的产量受人为、水分、土壤、气候等因素的影响, 使用传统方法对农作物的产量进行估计具有很大的烦琐性和局限性。使用高光谱成像技术进行农作物的产量估计具有客观、精确的优点, 通过装置在卫星上的高光谱地物扫描仪, 获取植物的光谱数据, 即可得到植被指数、叶面积指数、叶绿素含量等, 结合农作物自身的生理特性, 即可预测出农作物的产量。刘焕军等[30]利用遥感高光谱成像系统分析不同长势棉花的反射光谱特征, 构建光谱指数, 综合光谱、时相、空间维度信息, 利用面向对象方法进行精准管理分区, 建立棉花的产量遥感预测模型。WU等[31]利用ASD高光谱地物仪收集大豆冠层反射光谱信息, 选出对ADM、LAI(品种)产量预测精度较好的回归模型, 结果表明, 高光谱成像技术在大豆的产量估测上有相对可行性, 为大规模育种计划中的早期产量估测提供了重要的理论基础。叶旭君等[32]以柑橘为研究对象, 运用机载高光谱成像仪获取柑橘果树的高光谱图像, 建立了人工神经网络(ANN)和多元线性回归(MLR)柑橘产量的预测模型, 结果表明, 基于高光谱图像的PLS-MLR模型具有最优的产量预测效果。Barbedo等[33]利用高光谱成像技术检测小麦籽粒中的镰刀头枯萎病粒, 分类精度达到91%以上。上述研究表明, 高光谱成像技术在农作物的产量预测方面具有相对可行性, 可望在大规模育种计划中用于早期产量估测。
刘燕德等[34]利用高光谱技术建立主成分回归法(PCR)、多元线性回归法(MLR), 以及偏最小二乘法(PLS)的预测模型, 发现GA-MLR法的结果最优, 借此可以实现对赣南脐橙叶片含氮量的评估和分析。孙俊等[35]利用高光谱图像系统采集生菜叶片高光谱图像, 同时利用凯氏定氮法获取对应赣南脐橙叶片的氮素值, 采用主成分分析(PCA)对脐橙叶片的高光谱图像进行降维处理, 利用特征波长图像、光谱纹理融合特征及光谱特征与对应氮素值之间的关系, 实现对生菜叶片氮素含量的预测。朱西存等[36]利用高光谱的地物光谱仪测定苹果花期冠层, 采集高光谱数据, 并与实验室内测定的钾素含量进行比对分析, 采用模糊识别算法, 建立钾素含量估测模型。Zhang等[37]在光谱范围(380~1 030 nm)获得油菜叶片的高光谱图像并提取光谱数据, 建立偏最小二乘回归(PLSR)最小二乘支持向量机(LS-SVM)校准模型, 定量地将谱特征与N、P、K相关联, 最后产生测试图像内每个像素N、P、K的空间分布图, 利用高光谱成像来检测大量营养元素在油籽油菜叶中的含量和分布。刘红玉等[38]为了精确地对番茄N、P、K的营养水平进行判别和分析, 采用逐步回归、偏最小二乘法回归、主成分回归的方法分别建立基于高光谱图像的叶片氮、磷、钾素模型, 结果表明, 高光谱成像技术能够实现对番茄作物氮、磷、钾素营养水平的高精度快速检测。这些研究表明, 高光谱成像技术作为一种新型快速无损技术, 能够实现对营养元素的检测, 可为农作物营养诊断及合理施肥提供参考。
高光谱成像技术是一种将传统图像与光谱图像融合的综合性技术, 既可以获取研究对象的空间信息, 又可以采集到光谱信息, 其在农业上的应用充分利用了高光谱图谱合一的优点, 能够精准监测作物长势及营养状况, 为精准农业服务。但就目前来说, 高光谱相机还比较昂贵, 研发成本较高, 使得这项技术在农业生产中难以普及。在光谱采集过程中, 容易受周围环境的影响, 获取和分析、处理高光谱图像数据的时间较长, 这些不利于高光谱成像系统在农业实时监测和在线检测上的应用。当预先建立的模型应用到另一个指数系统时, 需要进行数据分析和模型转化, 样品的特性可能影响其质量分类和预测结果。另外, 高光谱在处理图像方面存在较大的冗余, 为了减少获取和处理高光谱数据的时间消耗, 对于不同农作物种类和用途, 常常需要针对特定的应用提取特征波长, 这些都增加了高光谱成像技术的使用成本。随着研究的不断深入, 高光谱成像技术强大的功能性和便捷性必将逐渐体现, 研究对象也将日益多元化, 未来高光谱成像技术必将在农业生产中展现并发挥其巨大作用。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
|
[26] |
|
[27] |
|
[28] |
|
[29] |
|
[30] |
|
[31] |
|
[32] |
|
[33] |
|
[34] |
|
[35] |
|
[36] |
|
[37] |
|
[38] |
|