DOI: 10.17586/1023-5086-2020-87-04-28-35

Классификация заболеваний листьев маиса с использованием технологии гиперспектральных изображений

Deng Hanbing, Miao Teng, Song Kai, Song Ping, Xiao Yang, Xu Jing, Zhou Yuncheng

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Jing Xu, Teng Miao, Yuncheng Zhou, Yang Xiao, Hanbing Deng, Ping Song, Kai Song Classification of maize leaf diseases based on hyperspectral imaging technology (Классификация заболеваний листьев маиса с использованием технологии гиперспектральных изображений) [на англ. яз.] // Оптический журнал. 2020. Т. 87. № 4. С. 28–35. http://doi.org/10.17586/1023-5086-2020-87-04-28-35

Jing Xu, Teng Miao, Yuncheng Zhou, Yang Xiao, Hanbing Deng, Ping Song, Kai Song Classification of maize leaf diseases based on hyperspectral imaging technology (Классификация заболеваний листьев маиса с использованием технологии гиперспектральных изображений) [in English] // Opticheskii Zhurnal. 2020. V. 87. № 4. P. 28–35. http://doi.org/10.17586/1023-5086-2020-87-04-28-35

Ссылка на англоязычную версию:

Jing Xu, Teng Miao, Yuncheng Zhou, Yang Xiao, Hanbing Deng, Ping Song, and Kai Song, "Classification of maize leaf diseases based on hyperspectral imaging technology," Journal of Optical Technology. 87(4), 212-217 (2020). https://doi.org/10.1364/JOT.87.000212

Аннотация:

Curvularia lunata и aureobasidium zeae являются основными грибковыми заболеваниями листьев маиса в северо-восточном Китае. Эти заболевания очень схожи и трудноразличимы. Предложен основанный на технологии гиперспектральных изображений способ их коррект-ной диагностики. Листья, поражённые Curvularia lunata, aureobasidium zeae, а также здоровые листья маиса подвергались инокуляции in vivo, а затем исследовались с помощью гиперспектральной аппаратуры в ближнем инфракрасном диапазоне. Путём анализа хлоротических пятен было установлено, что существует существенное отличие гиперспектральных характеристик повреждённых и неповреждённых листьев. Далее, используя средние доверительные интервалы и критерии значимости, выделялись характеристические спектральные полосы, позволяющие различить поражения curvularia lunata и aureobasidium zeae. Наконец, на основе данных об этих полосах построена классификационная модель с использованием метода опорных векторов. Показано, на основе анализа 288 изображений образцов, что с использованием разработанной классификационной модели возможно выполнить указанное различение на основе десяти следующих характеристичеких полос: 412,7 нм, 416,3 нм, 421,2 нм, 465,1 нм, 484,8 нм, 580,9 нм, 615 нм, 640,5 нм, 676,2 нм, 880,8 нм. Точность различения составила 96,7%. Таким образом, заложен теоретический базис и предложен метод технический реализации быстрого неконтактного диагностирования curvularia lunata и aureo basidium zeae.

Ключевые слова:

curvularia lunata, aureobasidium zeae, оценка доверительного интервала, оценка значимости, технология гиперспектральных изображений, метод опорных векторов

Благодарность:

Работа выполнена при финансовой поддержке Национального фонда естественных наук Китая (31501217, 31601218, 31701318) и Пекинского муниципального фонда естественных наук (грант № 4162028).

Коды OCIS: 100.4145, 150.1135, 100.0100, 300.6280, 300.6550, 000.5490

Список источников:

1. Dai F.C., Wang X.M., Zhu Z.D. et al. Curvularia leaf spot of maize pathogens and varietal resistance // Acta. Phytopathologica. Sinica. 1998. V. 28(2). P. 123–129.
2. Chen L.M., Dou S.H., Lv Z.M. et al. Studies on some epidemic links of maize curvularia leaf spot // J. Maize. Sci. 2006. V. 14(4). P. 148–150, 154.
3. Sun J.Y., Xiao S.Q., Lu Y.Y. Isolation, identification and biological characteristics of Aureobasidium zeae in Liaoning Province // Journal of Plant Protection. 2015. V. 42(6). P. 927–934.
4. Meng L.M., Su Q.F., Jia J. et al. Identification of the Pathogen of corn Northern Anthrax and its growth affecting factors // J. Maize. Sci. 2016. V. 24(4). P. 160–165.
5. Kirshnan P., Alexander J.D., Butler B.J. et al. Reflectance technique for predicting soil organic matte // Soil sci. soc. Am. J. 1980. V. 44(6). P. 1282–1285.
6. Dalal R.C., Herry R.J. Simultanous determination of moisture, organic carbon, and total nitrogen by near infrared reflectance spectrophotometry // Soil sci. soc. Am. J. 1986. V. 50(1). P. 120–123.
7. Sudduth K.A., Hummel L.W. Evaluation of reflectance methods for soil organic matter sensing // Transactions of the ASAE. 1991. V. 34(4). P. 1900–1909.
8. Sudduth K.A., Hummel L.W. Portable near-infrared spectrophoto meter for rapid soil analysis // Transactions of the ASAE. 1993. V. 36(1). P. 185–193.
9. Sudduth K.A., Hummel L.W. Soil organic matter, CEC, an moisture sensing with a portable NIR spectrophotometer // Transactions of the ASAE. 1993. V. 36(6). P. 1571–1582.
10. Sudduth K.A., Hummel L.W. Geographic operating range evaluation of a NIR soil sensor // Transactions of the ASAE. 1996. V. 39(5). P. 1599–1604.
11. Chen P.F., Liu L.Y., Wang J.H. et al. Real-time analysis of soil N and P with near infrared diffuse reflectance spectroscop // Spectrosc. Spect. Anal. 2008. V. 28(2). P. 295–298.
12. Lichtenthaler H.K., Langsdorf G., Buschmann C. Multicolor fluorescence images and fluorescence ratio images of green apples at harvest and during storage // Israel Journal of Plant Sciences. 2012. V. 60(1–2). P. 97–106.
13. He Y., Li X.L., Shao Y.N. Discrimination of varieties of apple using near infrared spectra based on principal component analysis and artificial neural network model // Spectrosc. Spect. Anal. 2006. V. 26(5). P. 850–853.
14. Liu Y.D., Chen X.M., Sun X.D. Nondestructive measurement of vitamin C in Nanfeng tangerine by visible/near-infrared diffuse reflectance spectroscopy // Spectrosc. Spect. Anal. 2008. V. 28(10). P. 2318–2320.
15. Yao X., Tian Y.C., Ni J. et al. Estimation of leaf pigment concentration in rice by near infrared reflectance spectroscopy // Chinese Journal of Analytical Chemistry. 2012. V. 40(4). P. 589–595.
16. Wang F., Li Y.Y., Peng Y.K. et al. Determination of Tomato’s SSC and TS based on diffuse transmittance spectroscopy // Spectrosc. Spect. Anal. 2016. V. 36(10). P. 3185–3189.
17. Li H.Q., Sun H., Li M.Z. Detection of vitamin C content in head cabbage based on visible/near-infrared spectroscopy // Transaction of the CSAE. 2018. V. 34(8). P. 269–275.
18. Liu Z.Y., Wu H.F., Huang J.F. Application of neural networks to discriminate fungal infection levels in rice panicles using hyperspectral reflectance and principal components analysis // Computers and Electronics in Agriculture. 2010. V. 72(2). P. 99–106.
19. Jones C.D., Jones J.B., Lee W.S. Diagnosis of bacterial spot of tomato using spectral signatures // Computers and Electronics in Agriculture. 2010. V. 74(2). P. 329–335.
20. Zhang J.C., Pu R.L., Wang J.H. et al. Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements // Computer and Electronics in Agriculture. 2012. V. 85(1). P. 13–23.
21. Feng L., Chai R.Y., Sun G.M. et al. Identification and classification of rice leaf blast based on multi-spectral imaging sensor // Spectrosc. Spect. Anal. 2009. V. 29(10). P. 2730–2733.
22. Sun G.M., Yang K.S., Zhang C.Q. et al. Identification of barley scab based on multi-spectral imaging technology // Transaction of the CSAE. 2009. V. 25 (S2). P. 204–207.
23. Feng W., Wang X.Y., Song X. et al. Hyperspectral estimation of canopy chlorophyll density in winter wheat under stress of powdery mildew // Transaction of the CSAE. 2013. V. 29(13). P. 114–123.
24. Xu J., Miao T., Zhou Y.C. et al. Early identification of Curvularia lunata based on hyperspectral imaging // Journal of Optical Technology. 2018. V. 85(7). P. 432–436.