[0001] 本发明属于叶片虫害识别技术领域，尤其涉及一种叶片早期虫害识别方法。

[0002] 铁皮石斛是一种珍贵的药用植物，具有降血糖、提高免疫力等药理作用。人工种植时，由于种植密度高、植株基因型高度相似等原因，铁皮石斛易爆发虫害。虫害若不及时进行防治，斜纹夜蛾、蜗牛、鼠妇等害虫将迅速从一个区域蔓延至其他区域，造成铁皮石斛产量和品质大幅下降。在虫害发生早期，精准识别病虫害特征并针对性地进行防治，有助于控制虫害蔓延，显著降低经济损失。

[0003] 目前，铁皮石斛叶片虫害主要依靠人工识别。然而，早期虫害特征十分不明显，人工识别容易出现漏检和误检的问题。机器视觉技术一定程度上可以代替人工进行识别，但建立精准的机器视觉模型需要大量早期虫害叶片图像作为输入。

[0004] 高光谱成像技术是一种融合了光谱和图像信息的快速、无损检测技术，已广泛应用于植物叶片的病虫害监测，表现出广阔的发展前景。植株叶片遭受病虫害后，不同病害会呈现特异性的光谱特征。因此，高光谱数据与单纯的RGB图像相比，能够对病虫害区域进行更详细地表征。基于高光谱图像的识别模型辨识能力更强，能在仅有少量样品的情况下实现病虫害的精准识别。

[0005] 目前，将高光谱成像技术应用于铁皮石斛叶片早期虫害快速识别时还存在以下不足之处：

[0006] 中国发明专利申请文件CN114609051A公开了一种青枯病高光谱早期无损检测方法及装置，通过提取健康叶片和病虫害叶片的平均光谱建立分类模型，实现了病虫害叶片的识别，但这类技术只适合用于检测较大病虫害斑块。虫害早期，铁皮石斛叶虫害区域占所有像素点的比例很低，其光谱可能被健康区域光谱所掩盖。

[0007] 中国发明专利CN110763698B中公开了一种基于特征波长的高光谱柑橘叶片病害识别方法，从叶片中提取若干病虫害区域和健康区域的平均光谱，从更小图像尺度上建立分类模型，但这类技术并未考虑叶片健康区域光谱特征的多样性。应用于铁皮石斛叶时，其健康区域中存在的色素和农残斑块可能会干扰分类模型，导致自身被错误地识别为虫害区域。

[0008] 因此，高光谱成像技术虽然在植物叶片病虫害快速识别方面已有一定应用，但还没有适用于铁皮石斛早期虫害快速识别的高光谱检测方法。

[0055] 为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

[0056] 因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

[0057] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

[0058] 在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

[0059] 为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种叶片早期虫害识别方法进一步详细描述。

[0060] 实施例1：

[0061] 如图1所示，本发明一种叶片早期虫害识别方法，包括以下步骤：

[0062] 步骤S1：获取健康叶片和早期虫害叶片的原始高光谱图像；

[0063] 步骤S2：对原始高光谱图像进行处理，划分出叶片区域，标识单片叶片区域的图像作为叶片掩膜区域；

[0064] 步骤S3：选取设定波长范围的若干波段，将健康叶片和早期虫害叶片的原始高光谱图像转化为RGB图像；选取能够表征叶绿素a和叶绿素b的特征反射峰的绿光的若干波段，将健康叶片和早期虫害叶片的原始高光谱图像转化为多光谱图像；

[0065] 步骤S4：在若干早期虫害叶片的RGB图像上标记虫害区域，记为PA；提取多光谱图像中PA区域的平均光谱作为虫害的目标光谱，记为Tspec；

[0066] 步骤S5：遍历多光谱图像中叶片掩膜区域的像素点，计算各像素点光谱与Tspec的相似程度，将多光谱图像转化为ACE特征图；

[0067] 步骤S6：对ACE特征图进行处理，获取连通域，并对连通域进行筛选，在多光谱图像上计算筛选后连通域的平均光谱，然后计算连通域平均光谱与Tspec的相似程度，相似程度用sam_v值进行衡量；

[0068] 步骤S7：将健康叶片的连通域记为伪差区域，将伪差区域的sam_v值记为集合M1；将早期虫害叶片的连通域中的真实虫害区域的sam_v值记为集合M2；确定伪差区域和真实虫害区域的最优划分阈值thres_sam_v；

[0069] 步骤S8：利用最优划分阈值thres_sam_v，判定早期病害叶片。

[0070] 所述步骤S1中，采集健康叶片和早期虫害叶片，将叶片朝向一致地摆放在位移平台上；使用高光谱相机进行扫描，得到健康叶片和早期虫害叶片原始高光谱图像。

[0071] 所述步骤S2中，包括以下步骤：

[0072] 步骤H1：对原始高光谱图像进行黑白板校正；

[0073] 步骤H2：对校正后的原始高光谱图像进行图像增强和图像分割，划分背景和叶片区域，标识单片叶片区域的二值图为叶片掩膜；

[0074] 所述步骤H1中，黑白板校正使用以下公式：

[0075]

[0076] 其中，Iwhite为白色特氟龙板标定的白板图像，Idark为盖上镜头盖后的黑板图像，Iraw为原始高光谱图像，Ic为校正后的原始高光谱图像。

[0077] 所述步骤H2中，将780‑1004nm波段下的校正后的原始高光谱图像逐像素点地取均值转化为灰度图；然后，将灰度图的像素值归一化至0‑255，设置像素阈值为45，将低于此阈值的像素点划分为背景，将高于此阈值的像素点划分为叶片区域，标识单片叶片区域的二值图为叶片掩膜。

[0078] 所述步骤S3中，选取波长为701.13nm的红光、波长为546.24nm的绿光和波长为435.03nm的蓝光波段，将原始高光谱图像转化为RGB图像；

[0079] 所述步骤S3中，能够表征叶绿素a和叶绿素b的特征反射峰的绿光的波段包括515.63nm，522.27nm，528.92nm，535.58nm，542.24nm，548.91nm，555.58nm，562.26nm，
568.94nm，575.63nm，582.33nm，589.03nm，595.74nm，602.45nm，609.17nm，615.9nm，
622.63nm，629.37nm，636.11nm，642.86nm，649.61nm，656.37nm，663.14nm和669.91nm。

[0080] 所述步骤S4中，虫害的目标光谱Tspec是一个24维的向量。

[0081] 所述步骤S5中，使用ACE(Adaptive Coherence Estimator)算法计算各像素点光谱与Tspec的相似程度，其计算公式为：

[0082]

[0083] 其中，x为选中的像素点光谱，T是矩阵转秩；ace_v(x)的取值在0‑1之间，表示各像素点光谱与Tspec的相似程度。遍历某片叶片上的像素点时，假定该叶片的全部像素点为检测背景。检测背景近似为高斯分布，μ和Σ分别为高斯分布的均值和协方差。假设叶片的像素点个数为N，所有像素点构成大小为24×N的矩阵[x1,x2,…,xN]。μ的计算公式为：

[0084]

[0085] N为叶片的像素点个数；i为像素点的编号；xi为编号为i的像素点光谱；

[0086] 将矩阵[x1,x2,…,xN]减去μ，得到新矩阵 Σ的计算公式为：

[0087]

[0088] 所述步骤S6中，设定阈值为0.5，将ACE特征图上大于0.5的像素点设置为1，小于0.5的像素点设置为0，得到ACE二值图；

[0089] 提取ACE二值图中的连通域，舍弃像素点个数小于20的连通域；筛选后的连通域中包含了真实的虫害区域和伪差区域，其中伪差区域是因色素、农残等斑块干扰产生的误判区域；连通域是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。

[0090] 使用SAM算法计算连通域平均光谱与Tspec的相似程度，其计算公式为：

[0091]

[0092] 其中，cx为选中的连通域平均光谱。

[0093] 所述步骤S7中，将集合M1和M2合并为集合M，选择其中的元素作为划分阈值,将sam_v大于等于划分阈值的连通域判定为伪差区域，sam_v小于划分阈值的连通域判定为真实虫害区域，最优划分阈值thres_sam_v使伪差区域和真实虫害区域的判定准确率最高。

[0094] 所述步骤S8中，若连通域的sam_v大于等于thres_sam_v，连通域判定为伪差区域；反之，若连通域的sam_v小于thres_sam_v，连通域判定为真实虫害区域；仅当叶片中包含识别出的真实虫害区域时，叶片才判定为早期病害叶片。

[0095] 该方法还包括对最优划分阈值thres_sam_v稳定性的判定：将步骤S1中的健康叶片和早期虫害叶片按照1:1的比例划分为训练集和测试集，使用红色和绿色分别标注算法得到的真实虫害区域和伪差区域，与其真实RGB图片进行对比，根据重合度判断最优划分阈值thres_sam_v准确性。

[0096] 最优划分阈值thres_sam_v稳定性的评价指标为总体准确率、Kappa系数、健康叶片分类准确率和早期虫害叶片分类准确率。

[0097] 实施例2：

[0098] 下面结合具体实施例对本发明一种叶片早期虫害识别方法作进一步说明。

[0099] 如图1所示，本实施例所提供的基于高光谱目标检测算法的铁皮石斛叶早期虫害快速识别方法，使用高光谱目标检测算法区分健康叶片和早期虫害叶片，包括以下步骤：

[0100] (1)采集193片健康叶片和97片早期虫害叶片，将叶片朝向一致地摆放在位移平台上，使用高光谱相机获取两种类型叶片的高光谱图像。其中，样品为不同生长时期、不同品种的铁皮石斛叶片，保证所建立模型的通用性。高光谱相机的光谱范围为397‑1004nm，相机镜头到样品的距离为10cm，同时相机使用位移平台上方3盏倾斜45°并列放置的50W卤素灯作为光源。采集样品图像时，相机的曝光时间为10ms，位移平台的移动速度为5.5mm/s，从而确保获取清晰的高光谱图像。

[0101] (2)对健康叶片和早期虫害叶片的原始高光谱图像进行黑白板校正，基于以下公式完成：

[0102]

[0103] 其中，Iwhite为白色特氟龙板标定的白板图像，Idark为盖上镜头盖后的黑板图像，Iraw为原始高光谱图像，Ic为校正后的原始高光谱图像。

[0104] (3)如图2，将780‑1004nm波段范围内的校正后的原始高光谱图像逐像素点取均值转化成灰度图。然后将灰度图的像素值归一化至0‑255，设置像素阈值为45，将低于此阈值的像素点划分为背景，将高于此阈值的像素点划分为叶片区域。标识单片叶片区域的二值图记为叶片掩膜，如图3，共计得到193张健康叶片掩膜和97张早期虫害叶片掩膜。

[0105] (4)将健康叶片掩膜和早期虫害叶片掩膜都。同样地，将标签数据(是/否为早期虫害)也对应地划分为训练集和测试集。因此，在训练集中有96组健康叶片掩膜和标签数据，48组早期虫害叶片掩膜和标签数据；在测试集中有97组健康叶片掩膜和标签数据，49组早期虫害叶片掩膜和标签数据。

[0106] (5)选取红光(701.13nm)、绿光(546.24nm)和蓝光(435.03nm)波段，将原始高光谱图像转化为RGB图像。图4展示了健康叶片RGB示例图、早期虫害叶片RGB示例图和早期虫害叶片虫害区域放大图。选取绿光(546.24nm)附近的24个波段(515.63nm，522.27nm，528.92nm，535.58nm，542.24nm，548.91nm，555.58nm，562.26nm，568.94nm，575.63nm，
582.33nm，589.03nm，595.74nm，602.45nm，609.17nm，615.9nm，622.63nm，629.37nm，
636.11nm，642.86nm，649.61nm，656.37nm，663.14nm，669.91nm)，将原始高光谱图像转化为多光谱图像。计算所有健康叶片的平均反射率曲线，所述24个特征波段在健康叶片反射率曲线上的分布，如图5所示，覆盖了叶绿素a和叶绿素b的特征反射峰。

[0107] (6)选取10张训练集中的早期虫害叶片，在其RGB图像上标记虫害区域为PA，如图6。

[0108] (7)提取多光谱图像中PA区域的平均光谱作为虫害的目标光谱，记为Tspec。Tspec是一个24维的向量，其光谱图见图7。

[0109] (8)遍历多光谱图像叶片掩膜区域上的像素点，使用ACE算法计算各像素点光谱与Tspec的相似程度，其计算公式为：

[0110]

[0111] 其中，x为选中的像素点光谱，ace_v(x)的取值在0‑1之间。遍历某片叶片上的像素点时，假定该叶片的全部像素点为检测背景。检测背景近似为高斯分布，μ和Σ分别为高斯分布的均值和协方差。假设叶片的像素点个数为N，所有像素点构成大小为24×N的矩阵[x1,x2,…,xN]。

[0112] μ的计算公式为：

[0113]

[0114] 将矩阵[x1,x2,…,xN]减去μ，得到新矩阵 Σ的计算公式为：

[0115]

[0116] 通过这种方式，将多光谱图像转化为ACE特征图。

[0117] (9)设定阈值为0.5，将ACE特征图上大于0.5的像素点设置为1，小于0.5的像素点设置为0，得到ACE二值图。

[0118] (10)提取ACE二值图中的连通域。连通域是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。然后，舍弃像素点个数小于20的连通域。筛选后的连通域中包含了真实的虫害区域和伪差区域，其中伪差区域是因铁皮石斛叶上色素、农残等斑块干扰产生的误判区域。

[0119] (11)在多光谱图像上分别计算筛选后连通域的平均光谱，使用光谱角度映射器(Spectral Angle Mapper，SAM)算法计算连通域平均光谱与Tspec的相似程度，相似程度使用sam_v值衡量，其计算公式为：

[0120]

[0121] 其中，cx为选中的连通域平均光谱。

[0122] (12)训练集健康叶片共包含19个连通域，均为伪差区域。训练集早期虫害叶片共包含84个连通域，其中伪差区域5个，真实虫害区域79个。将训练集健康叶片伪差区域的sam_v值记为集合S1，将训练集早期虫害叶片真实虫害区域的sam_v值记为集合S2。将集合M1和M2合并为集合M，选择其中的元素作为划分阈值。sam_v大于等于划分阈值的连通域判定为伪差区域，sam_v小于划分阈值的连通域判定为真实虫害区域。最优划分阈值thres_sam_v使连通域判定准确率尽可能得高。计算得到thres_sam_v为0.116。

[0123] (13)将thres_sam_v应用于训练集和测试集叶片的连通域判定。若连通域的sam_v大于等于hres_sam_v，连通域判定为伪差区域。反之，连通域的sam_v小于thres_sam_v，连通域判定为真实虫害区域。仅当叶片中包含识别出的真实虫害区域时，叶片才判定为早期病害叶片。训练集健康叶片中共判定出伪差区域19个，真实虫害区域0个，全部健康叶片都被正确识别；训练集早期病害叶片中共判定出伪差区域7个，真实虫害区域77个，有一片早期虫害叶片未检出。测试集健康叶片中共判定出伪差区域8个，真实虫害区域1个，有一片健康叶片被错误地识别为早期虫害叶片。测试集早期虫害叶片中共判定出伪差区域4个，真实虫害区域68个，有两片早期虫害叶片未检出。

[0124] (14)评价叶片的分类结果，验证所建模型的稳定性，如表1所示。

[0125] 表1最优划分阈值稳定性验证结果表

[0126]

[0127] (15)如图8所示，选取2张测试集中的早期虫害叶片，使用红色和蓝色分别标识算法得到的真实虫害区域和伪差区域，与真实RGB图片进行对比。

[0128] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。