基于红外热成像边缘检测算法的小麦叶锈病分级研究

朱文静 陈 华 李 林 魏新华 毛罕平 SPANER D

(1.江苏大学现代农业装备与技术教育部重点实验室， 镇江 212013； 2.江苏大学农业装备工程学院， 镇江 212013；3.阿尔伯塔大学农业生命与环境科学学院， 埃德蒙顿 T6G 2P5)

0 引言

小麦叶锈病是由小麦隐匿柄锈菌(Pucciniatriticina)引起的一种世界性重要病害，严重时可造成40%以上的产量损失。近年来全球气候变暖以及耕作制度改变更促使小麦叶锈病的发生和蔓延[1]。病害高发、过量施药，从而导致作物产量和质量严重下降、农田污染严重。因此，实时、灵敏、可靠的小麦病害监测和预警对小麦科学生产管理具有重要意义。

红外热成像技术以其对温度的高敏感性和可在线检测特点，目前在电气[2]、航空[3]、植保[4]、育种[5]和医学[6]等领域均有比较成熟的研究成果[7]，在农业生产的诸多领域也有相关的应用[8-9]。在植物病害的检测方面有较多研究[10-21]。目前基于红外热成像技术的图像处理研究基本围绕温度的测量和分析展开，无论是生物或非生物胁迫，主要评价指标为叶片和植株平均温度(Average temperature, AT)、叶片的最大温差(Maximum temperature difference, MTD)等[22]。

边缘检测是数字图像处理的重要内容，是解析作物图像的前提。其基本原理是利用图像在边缘处的阶跃性，按照某种方法检测出边缘点并将其连接构成分割区域，从而实现目标与背景的分离。已有研究者将边缘检测用于红外热像的分析研究。RAZA等[23]采用静态小波变换成功提取病害植物的热像图和可见光图轮廓并进行配准。JIAO等[24]研究了桃子表面腐烂的监测方法和腐烂部分边缘的提取和计算方法。王栋等[25]提出一种改进的蚁群算法，能够在热像图边缘丰富区域搜索的同时抑制算法结果早熟，缩短运行时间。陈浩等[26]将蚁群算法引入到玉米干旱的热成像图处理中，并提出将边缘检测用于红外热像分析中。李存兵等[27]提出基于小波变换的水果边缘检测方法，识别结果优于拉普拉斯等其他算法。周建民等[28]利用高低帽算子结合基于直方图的全局阈值分割红外热像图，识别树上板栗的空心果和坏死果。目前利用红外热成像的边缘检测处理开展作物病害分级的研究较少。

本文以感染叶锈病的小麦叶片为研究对象，基于红外热成像边缘检测算法提取病斑的具体区域，根据病斑面积占比确定染病程度和病害等级，最后对病情指数结果进行相关分析和叶锈病分级。

1 材料与方法

1.1 样本培育与病毒接种

小麦样本培育在加拿大阿尔伯塔大学北校区农业生命与环境科学学院智能人工气候生长室进行，如图1a所示。最高温度15℃，最低温度11℃；每天光照时间12 h；光照强度10 000 lx，相对湿度60%～70%。选用加拿大易感病小麦品种Peace，硬粒，其籽粒外皮为红色，蛋白质含量在14%左右。硬粒小麦品质好，籽粒蛋白质含量高，同样也是我国普遍种植的小麦品种，且我国小麦蛋白质含量平均为15%左右，与Peace非常接近。从叶锈病的病原菌看，我国与加拿大的叶锈病均由小麦隐匿柄锈菌菌种感染，都是通过孢子萌发时产生若干个小孢子，侵染转主寄主，产生锈子器和性子器。基于以上分析可知加拿大Peace小麦品种与我国易感病小麦品种相似，而小麦叶锈病在我国是极为多发的小麦真菌病害，从两国叶锈病的菌种、传播途径和侵染方式上看都具有一致性，因此选用该品种进行试验。因此本文方法在检测国内感染叶锈病的小麦时也可以使用。

待小麦生长至两片真叶时进行喷雾接种，如图1b所示。接种步骤为：①用蒸馏水淋湿生长室内壁，将小麦在湿度较大的空间放置30～45 min。②配置真菌孢子喷雾液，先从超低温冰箱取出橙红色粉状孢子，放置45℃水浴锅中5 min发生热休克反应，然后用吐温20配置成悬浮液，质量浓度为3 g/mL。③在通风橱内进行喷雾接种，通风橱在喷雾前和使用后均用70%乙醇消毒，喷雾器用70%酒精彻底清洗后用蒸馏水洗净，从上至下进行喷雾，直至麦苗有水滴状液滴落下即可。④每盆小麦在喷雾后使用一个透明高压蒸汽袋覆盖，如图1c所示。⑤高压蒸汽袋覆盖24 h后取下，将小麦放回到生长室。

图1 样本培育和喷雾接种现场Fig.1 Sample cultivation and spray inoculation scene

1.2 试验仪器与图像采集

试验仪器为美国菲力尔公司FLIR E6型热成像仪。该热成像仪可同时拍摄可见光图像和红外热成像图像；温度热灵敏测量精度为0.06℃；测温范围为-20～250℃；拍摄模式为中央点偏重测光模式；视场角为水平45°×垂直34°；瞬时视场5.2×10-3rad；红外图像分辨率为160像素×120像素。

红外热像图采集期间，室温保持在20℃，相对湿度50%，采集背景保持一致。拍摄时按照样本编号顺序取出，拍摄后立即放回生长室，以保障每个样本的拍摄一致性。

图2 小麦红外热成像图及预处理后的图像Fig.2 Infrared thermal imaging and processed image of wheat

1.3 病情指数获取

接种12 d后叶面开始出现孢子堆，接种21 d后病害进入盛发期。根据我国小麦叶锈病测报调查规范(NY/T 617—2002)，严重度指病叶上叶锈菌夏孢子堆所占面积与叶片总面积的百分比，用分级法表示，分为1%、5%、10%、20%、40%、60%、80%和100%8个级别(Grade，G)。每个级别选取10个叶片作为重复。小麦样本生长周期为拔节期向抽穗期过渡；每个样本拍摄完红外热成像图像后同时记录下人工调查法获得的病害等级。具体方法：每株小麦调査倒三叶、倒二叶、旗叶3片叶片，每盆8株小麦，共计24片叶片。反映发病程度的普遍率I、平均严重度S、病情指数(Disease index，DI)的计算公式为

(1)

(2)

DI=IS

(3)

式中n——发病叶片数

N——每盆小麦叶片总数

si——i级严重度，%

ni——i级严重度的病叶数

DI——病情指数，%

1.4 红外热成像图预处理

整盆小麦植株样本的红外热成像图如图2a所示。对红外热成像图进行直方图均衡化处理。彩色图像的直方图均衡化主要是将各个像素归一化后的灰度值赋给该像素，对图像的色彩、亮度等信息进行修正，使修正后的图像更加生动、色彩更加鲜艳，细节更加突出，如图2b所示。中值滤波法是一种非线性平滑技术，它将每一像素点的灰度设置为该点某邻域窗口内所有像素点灰度的中值，是在“最小绝对误差”准则下的最优滤波，中值滤波处理后的图像如图2c所示。

对小麦叶锈病的红外热成像图的分析和处理是基于FLIR软件和Matlab R2010a软件平台。

2 结果与分析

2.1 红外热成像图随病害发展的温度动态分析

平均叶温的测定方法：每盆小麦样本固定一个叶片为检测对象，从接种第1天到接种后12 d，每天拍摄该叶片的红外热成像图，并用FLIR软件提取叶片区域的平均温度。图3显示了健康组、潜伏期组和发病组样本的平均温度变化趋势，结果显示健康组小麦植株的平均温度在整个检测期内的波动范围为19.5～19.8℃，而发病组小麦植株平均温度为18.3～18.7℃。潜伏期组小麦植株平均温度呈现逐步下降的趋势，从第1天的19.9℃降至第12天的18.8℃。通过连续的温度监测，表明接种后第6天染病叶片的温度较正常叶片下降达0.4℃，随后温差逐渐增大，能够将接种病菌的小麦植株和健康小麦植株区分开，比人工调查法提前了7 d检测到病菌感染。一方面表明红外热成像能够在显症之前就检测到病菌的感染，及早施药可减少用药量；另一方面，在后续的边缘检测算法中，选用潜伏期组的红外热成像图有助于早期诊断。

图3 小麦叶锈病平均温度变化趋势Fig.3 Changing trend of average leaf temperature in wheat leaf rust

2.2 病斑区域常规算法边缘提取

边缘检测算法是图像处理和计算机视觉中，尤其是特征提取中的一个重要研究方法。然而在可见光图像中，自然界图像的边缘并不总是理想的阶梯边缘。相反，可见光图像通常受到诸多因素的影响，例如有限场景深度带来的聚焦模糊，光滑物体边缘的阴影，以及物体边缘附近的局部镜面反射或漫反射等。图4a为红外热像仪采集到的小麦叶片可见光图像，分别采用较为常用的一阶导数中的最大值和最小值来检测边界的Prewitt算子(PO)、Sobel算子(SO)和通过寻找图像二阶导数过零点来检测边界的Canny算子(CO)、Laplacian算子(LO)对可见光图像进行边缘提取，提取结果如图4b～4e所示。

图4 4种常规边缘检测算子的小麦叶锈病单叶识别结果Fig.4 Four kinds of commonly used edge detection operators for single leaf identification of wheat leaf rust

从图4b～4e可以看出，PO和SO对病斑区域的边缘提取结果存在对混合复杂噪声处理效果不理想的问题，边界灰度区域重影严重。而LO和CO由于太追求过细的边缘，检测精度降低，背景误测也较大。这是由于小麦锈病的发病区域不集中，而是星星点点，呈现十多处小区域，这些区域即发病严重之后产生孢子堆的位置，要将这十多个区域都提取出来，显然直接运用常规的边缘检测算子不能实现病害快速分级。

2.3 基于红外热成像边缘检测算法的病斑面积提取

相对于直接使用常规边缘检测算子，本研究通过提取红外热成像图的温度信息，对温度信息的边界进行划分，计算病斑面积与叶片面积百分比来对小麦叶锈病进行分级。

图5为基于红外热成像边缘检测算法的病害面积提取步骤。图5a为红外热成像原图，随着叶锈病真菌的不断侵入，病菌经微伤口进入临近的活体细胞繁殖，导致蒸腾作用加剧，从而使感病部位水分大量散失，局部温度下降。由2.1节的分析可知，叶片平均温度在潜伏期内会随着真菌繁殖的加剧从20℃左右下降至18.5℃左右。因此以18.5℃为临界值对温度实施阈值划分，如图5b所示。通过温度阈值划分，将叶片内低于18.5℃的温度边缘提取出来，用蓝色显示，如图5c所示。采用最大类间方差法寻找最合适的阈值，该方法计算出的阈值通常比人为设定的阈值能更好地把灰度图像转换为二值图像，如图5d所示。进一步对图像进行分割，计算出叶片总面积和病斑区域面积，分别如图5e和图5f所示。病斑区域面积与叶片总面积的百分比即为病害的占比指数。

图5 基于红外热成像边缘检测算法的病害面积 提取步骤Fig.5 Extraction procedure of lesion area based on temperature edge

从整体检测结果看，基于红外热成像边缘检测算法的病斑面积百分比，可实现叶锈病的等级识别。然而单叶检测在实际生产中意义不大，为实现整株小麦快速在线检测的要求，进一步对整株染病小麦的热成像图进行分析。整株小麦病害面积提取结果如图6所示。

图6 基于红外热成像边缘检测算法的整株小麦病害 面积提取Fig.6 Area extraction of whole plant disease based on temperature edge detection algorithm

去除花盆部分，仅保留小麦植株部分，从整株小麦的提取结果看，对红外热成像原图进行温度区域划分和低温区域提取后，再经过图像二值化、整株面积提取和病斑面积提取后，基于红外热成像边缘检测算法的病斑面积百分比可以成功提取整株小麦的病害区域，比单叶病斑区域的提取结果误差略大，但提取效果和最终计算结果较优。本文通过Photoshop获取实际病斑位置，并与基于红外热成像边缘检测算法得到的病斑位置进行比较，两者结果基本一致，说明该方法的分割性能良好。

2.4 分级识别结果与分析

利用本文算法对40株小麦植株样本进行处理，得到病斑面积百分比的预测值，并归入病害严重度相应级别。将40株小麦的病斑面积百分比预测值与其病情指数DI作相关性分析，结果如图7所示，得到相关系数R为0.975 5，预测均方根误差为9.79%。

表1为40株小麦叶锈病整株识别样本的病情指数预测结果。从表中可以看出，样本9、16、33和40的整株识别的定级有误。样本9和16将4级误判为3级，样本33将4级误判为5级，样本40将2级误判为3级，其余36个样本均评级正确，总识别正确率达到90%。

图7 小麦样本病情指数与预测值的相关性分析Fig.7 Correlation analysis of predicted value and disease index of wheat samples

%

3 结论

(1)红外热成像技术能够在病原菌侵染的第6天检测到病菌感染，比人工调查法提前7 d检测到叶锈病真菌感染。

(2)对40株小麦叶锈病样本的病斑面积百分比预测值和病情指数DI作相关性分析，得到相关系数R为0.975 5，预测均方根误差为9.79%。40个样本中有4个样本定级错误，36个样本定级正确，总识别正确率为90%，说明运用本文算法对小麦叶锈病进行诊断是可行的。