高光谱反射和荧光成像对柑橘叶病进行分类_上

柑橘病害会影响叶子和果实的健康，由于其症状影响，继续对柑橘种植者的生产力和经济稳定构成威胁。黄龙病 (HLB) 或柑橘绿化病对柑橘树是致命的，且缺乏治愈方法，并已多次复发，造成树木毁坏 。它是一种普遍存在的威胁，由细菌病原体引起，会在叶片、茎和果实上引起坏死性病变。受感染的叶片形状不规则、发育不良或起皱。严重的感染会导致不良后果，如叶片脱落、果实过早脱落、树枝腐烂、整棵树衰弱以及果实上出现斑点。由柑橘球腔菌引发的油斑病和由柑橘黑斑病引起的柑橘黑斑病也使柑橘树面临着一系列挑战。由真菌引起的疮痂病对柠檬品种、朗布尔酸橙和粗糙柠檬砧木构成了明显威胁，导致果实、叶片和树枝上出现类似疮痂或疣的不规则突起，常伴有叶片扭曲。在佛罗里达州，缺锌最初表现为叶片绿色叶脉之间出现小黄斑，逐渐发展为除绿色叶脉区域外的整体变黄，缺锌情况会逐渐恶化。柑橘病害不仅影响产量，飓风、冬季霜冻、小雪、雨夹雪和冻雨等恶劣天气条件以及劳动力短缺也会导致产量下降。因此，确保柑橘的盈利能力和市场竞争力的关键在于对受感染水果的有效控制和识别。可靠、准确地检测病害感染至关重要，因为这些可以通过人为干预来预防，而天气条件则无法控制。然而，一般的检测方法依赖于人工检查，这容易出现人为错误，或者依赖于电子显微镜或聚合酶链反应等传统方法，这些方法既耗时又昂贵，而且需要实验室技能。在考虑病害检测的长期最终策略时，需要能够以更快的速度准确、不知疲倦地对柑橘病害进行分类的自动化系统。

大多数关于叶片病害检测方法的研究都侧重于利用图像分类和识别技术的视觉或彩色数字成像。HSI 系统已被证明是一种可靠、准确且无损的方法，可以进行高光谱分辨率的深入光谱分析。此外，荧光成像系统已被广泛用于评估植物叶片在环境压力或病害条件下的生理特性。当特定波长激发叶绿素分子时，叶绿素会发出不同波长范围的光。这些光谱特征可以在宽光谱范围内表征疾病的存在，得益于 HSI 的能力，这些光谱特征可以执行疾病检测和分类任务 。先前的研究已经探索了多光谱检测以评估柑橘病害对葡萄柚的影响，分类准确率达到 95.7% 。这项研究展示了双波段多光谱成像的潜力。Thomas 等人还探索了一种结合反射和透射的高光谱成像系统来研究植物病原体。他们的发现表明，基于反射率的测量有助于早期检测，而透射率测量则为理解和量化植物-病原体相互作用的复杂时空动态提供了补充见解。 Bauriegel 和 Herppich 利用高光谱和叶绿素荧光成像系统对小麦赤霉病进行了早期检测 。他们在实验室环境中使用高光谱成像系统测量镰刀菌，在田间使用叶绿素荧光成像系统测量镰刀菌。现有的高光谱和荧光系统需要复杂的设置和单独操作，导致数据收集时间更长，并且需要手动对齐数据，从而降低准确性。

此外，准确区分健康叶片和受感染叶片或具有相似可见症状的叶片疾病仍然是一项具有挑战性的任务。近年来，包括支持向量机 (SVM)、k 最近邻 (KNN)、人工神经网络 (ANN) 和卷积神经网络 (CNN) 在内的机器学习方法加速并推进了自动化系统的发展，并在疾病检测任务中取得了可喜的成果 。在农业领域，HSI 与机器学习相结合已被证明是一种高度准确的方法，可用于检测和分类各种叶片上的疾病，如柑橘 、葡萄、红树林、南瓜等。谢等人利用 HSI 检测番茄叶片上的疾病，并应用了全光谱的极限学习机 (ELM) 模型以及针对选定波长的连续投影算法 (SPA)-ELM。在测试数据中，ELM 模型的准确率 (100%) 高于 SPA-ELM 模型 (97.1%)。SPA-ELM 方法具有模型简化、计算时间短以及开发基于多光谱的检测仪器的潜力。吴等采用 ELM、SVM 和 KNN 的反射率 HSI 检测草莓叶片上的灰霉病。三种机器学习分类器在测试集中的准确率超过 90%。刘等还展示了将反射率 HSI 与机器学习模型结合使用在评估苹果叶片上与苹果花叶病相关的叶绿素含量方面的潜力。使用基于多种波长、平均叶片叶绿素含量及其组合的随机森林模型从验证数据集获得了最高的准确率（98.89%）。陈等研究了一种带有机器学习模型的荧光成像系统，即一种采用 ResNet50 进行迁移学习的卷积神经网络，用于识别受黄瓜霜霉病感染的叶片。植物因病害应激而产生的叶绿素荧光参数为植物的生理特性提供了宝贵的信息。这些参数被用作深度学习模型的输入，增强型 ResNet 模型的准确率达到了 94.76%，有助于早期疾病检测。Weng 等人使用三个 650 nm 的 LED 对柑橘 HLB 叶片进行了叶绿素荧光测量。最小二乘支持向量机对脐橙的准确率达到 95.0%，对无核小蜜柑的准确率达到 96%。

虽然已经有大量研究仅研究基于反射或荧光的高光谱测量，但对于在单一系统中同时使用反射和荧光成像来识别叶片疾病的潜在用途的研究却非常有限。同时使用高光谱反射和荧光成像可以带来区分疾病的优势（例如，分类准确度高）。本研究探索了便携式高光谱反射和荧光成像系统与机器学习相结合在区分柑橘叶片上各种疾病方面的潜力。使用高光谱成像系统测试了感染六种不同疾病的叶子的正面和背面以及健康对照组。使用机器学习分类器研究了高光谱叶片图像。

图2显示了在Windows 11笔记本电脑上使用LabVIEW开发的系统软件。为了操作系统，使用硬件制造商提供的带有LabVIEW的软件开发工具包（SDK）来实现参数化和数据传输功能。SDK包括用于LED灯控制的用户数据报协议（UDP）、用于摄像头控制的网络协议、用于平台移动控制的串行通信以及用于图像和光谱显示的LabVIEW视觉开发模块（VDM）。在测量过程中，VNIR线灯打开10秒以稳定LED输出。然后平移台将样品架向左移动，而高光谱相机从标准面板收集线扫描反射信号并传递样品。当样品架完成通过时，反射图像采集结束，并且VNIR灯关闭。随后，UV-A线灯打开10秒以稳定。然后，当平台返回到起始位置时，相机获取线扫描荧光信号，完成后关闭 UV-A 灯，从而结束一个完整的成像周期。

对于预定的扫描距离，沿平移方向的空间分辨率取决于载物台移动速度和总扫描次数。例如，当总扫描次数为 250 线、距离为 250 毫米时，载物台以 3.3 毫米/秒的速度移动，则大约需要 76 秒，从而得到近似于 1 毫米/像素的空间分辨率。根据相机的曝光时间，调整载物台移动速度，以使连续线扫描图像采集与平移载物台移动同步。根据经验，确定了移动速度（V，单位为毫米/秒）和曝光时间（T，单位为秒）之间的倒数关系（V = 0.99/T），从而当曝光时间为 0.3 秒时，速度为 3.3 毫米/秒，当曝光时间为 0.6 秒时，速度为 1.65 毫米/秒。除了连续移动模式外，高光谱系统还能够以增量逐步线扫描模式运行。该软件显示反射率和荧光图像以及原始光谱和空间轮廓，逐行更新以显示获取图像时的实时扫描进度。完成后，反射率和荧光的每幅图像都以标准波段逐行交错 (BIL) 格式保存到单独的数据文件中。