杨振永，殷肖华，李明臣，陈俊华
信阳农林学院 464000
摘要：作物病虫害一直以来都是威胁粮食安全的主要灾害。其种类繁多，具有大规模爆发性成灾特点，使得作物病虫害防治工作的有效开展面临着重大挑战。近年来，全球气候变化的不断加剧和经济全球化进程的加速发展导致作物病虫害从分布范围、寄主类型到成灾面积及危害严重度均呈现出不断扩张的趋势，更有许多病虫害在得到控制后出现二次大规模传播或暴发。本文基于高光谱技术监测植物病虫害方法研究综述展开论述。
关键词：高光谱技术监测；植物病虫害方法；研究综述
引言
当下，对于作物病虫害的防治工作主要集中在大范围喷洒杀虫（菌）剂上，而广泛施药势必会对环境及粮食安全造成不可避免的影响。那么如何准确实现及时有效的病虫害识别监测并指导精准施药逐步成为研究热点。常用的由作物、农学及植保专家对病虫害症状进行人工检测的方法虽然准确性高，但在大范围监测时费时费力，同时由于其主观性较强且存在不可避免的时间滞后性，无法满足精准施药所需的对作物病虫害发生类型、发生位置、发生程度以及发生面积等信息的及时、有效、同步、快速获取。而高光谱遥感技术作为目前唯一能够快速获取连续地表光谱信息的手段，在中小尺度的作物病虫害监测识别上已表现出较大的潜力，可以为农场等尺度的作物病虫害“有效防控”和“精准施治”提供依据。
1高光谱技术概述
高光谱技术于上世纪80年代初期兴起，是新一代的光电无损检测技术。通过对样品光谱信息的测量，可在一定程度上反映被测样品内部的物理结构和化学成分的差异，具有较高的分辨率，可获得连续的波段窄的光谱信息。此外，高光谱设备操作简单，分析成本较低且不会对被检测对象造成破坏。该技术早期主要应用于空间遥感，随着科学技术的进步发展，高光谱已经应用于农产品检测等领域，并且都取得了一定的研究成果。目前，国内外众多专家学者利用高光谱来进行温室黄瓜病害早期检测、大米种类鉴别、高粱掺假无损检测、互米花草营养成分反演、绿萝叶绿素含量检测以及牛肉品质检测等内外品质的检测。
２中国高光谱成像仪现状
中国的高光谱成像技术发展起步于２０世纪９０年代初，研制单位主要包括中国科学院和航天科技集团的相关研究所．中国科学院上海技术物理研究所是国内最早开展高光谱成像仪研究的单位，其技术方向主要为基于光栅分光的色散体制，特点体现为仪器谱段全（可见热红外全覆盖），成像方式广泛（包括光机扫描、推帚、面阵凝视等）；中国科学院西安光学精密机械研究所主要集中于干涉式成像光谱仪研究，发展了系列化的机载、星载干涉型高光谱成像仪．中国科学院长春光学精密机械与物理研究所以棱镜分光技术为代表，近年也幵始研究光栅分光成像光谱仪，中国科学院安徽光学精密机械研究所主要研究覆盖紫外谱段的大气探测成像光谱和空间外差干涉成像光谱仪，高光谱成像仪是涵盖光、机、电、半导体器件等多专业方向的系统技术，不同应用领域对空间分辨率、光谱分辨率、灵敏度有不同的要求，涉及的关键技术也各有侧重．高光谱成像技术如果要获得显著提升，实现更高光谱分辨率、空间分辨率、大观测幅宽、波段拓展（中长波）和星上实时处理，必须在诸如精细分光、高帧频探测器、运动补偿、宽幅大视场和低温光学等关键技术上有所突破。
3在生态绿化林方面
在杉木病虫害方面：RLawrence等从探测器-1传感器上采集高光谱图像，利用亚冠层空间分辨率高光谱图像区分道格拉斯冷杉树甲虫攻击道格拉斯冷杉。
对逐步判别分析分类(Discrim)和回归树分析(CART)的准确性进行了比较，发现CART在树健康类中具有最佳的可分性(总体上为93%)，通过交叉验证数据集的交叉验证，用刀重采样技术对CART方法的预测精度进行了估计。总体分类准确率达到69%，健康和攻击但仍在存活的树木70%的分类。伍南等为实现对杉树炭疽病的早期检测预报，手持ASD野外光谱辐射仪对杉树冠层光谱进行测试，然后剪枝采样，在实验室用SP-752型紫外可见光光度计进行色素含量测定。采用回归分析方法发现与色素含量相关性最高的原始光谱和一阶微分波段，并回归建模。其他树种病虫害方面：Lin等利用ASD高光谱辐射计，观察水杉、银杏等树在落叶期间的高密度高光谱变化，采用一阶微分及其对数变换处理高光谱数据，发现两种树的可见光反射率位置与其健康状况密切相关，光谱反射峰分别出现在550nm和650nm处，分别鉴定了健康叶片和枯叶。
4内部损伤检测
以最佳代表性波长作为ANN模型的输入，系统对冻伤桃子分类准确率达95.8%，研究结果表明使用高光谱图像技术检测果品冻伤是充分可行的。ElMasry等将高光谱成像技术和ANN模型应用于检测苹果的冻害，试验通过检测硬度指标来判断苹果是否冻伤。通过高光谱成像技术，系统获取到苹果光谱特性及图像并进行预处理，在使用全局阈值法确定最佳特征波长后，开发前馈反向传播人工神经网络（BP-ANN）模型以区分普通苹果和冻伤苹果，模型分类精度达98.4％，可以稳定检测到由于冻害造成苹果硬度变化，该研究表明高光谱成像技术适用于水果硬度的检测。孙梅等以苹果为研究对象，采用高光谱成像技术检测其风伤情况，用PCA对比分析不同光谱区域对识别结果的影响，结合权重系数，最终选取714nm作为苹果风伤研究的最佳特征波长，建立的模型对苹果风伤检测准确率达98%。比利时学者Keresztes等设计了基于短波红外和高光谱成像技术的苹果损伤检测系统，系统采用偏最小二乘-判别分析（partial least squares- discriminant analysis，PLS-DA）模型，结合空间信息处理二进制图像后，对苹果损伤检测准确率达到94.4%。上海交通大学Wang团队研究了采用高光谱成像技术快速检测蓝莓内部的机械损伤的系统，系统将深度学习技术引入基于高光谱透射成像的软水果损伤检测研究中，通过建立CNN模型，结合k倍交叉验证的模型评估方法，取得88%的分类准确率，识别效果明显优于其他几种传统的机器学习算法。以上研究结果表明，高光谱成像技术可通过检测果实硬度变化从而对水果内部损伤如冻伤、风伤等进行检测，是一种快速可靠的水果内部损伤检测方法。
结束语
成像光谱相较于非成像光谱其优势是显而易见的。基于高光谱图像的分类方法主要有四种：一种基于基本光谱信息，如：K最近邻、最大似然分类、支持向量机等方法；第二种基于空谱联合信息的分类，如三维小波变换等；第三种改进高斯过程回归的高光谱空谱联合分类算法；第四种高斯线性回归与多领域优化。由于高光谱图像类别繁多，很难选择一种特征提取的方法适用于所有类型的高光谱数据，而深度学习可以自主地从数据中学习特征，根据预先设计的特征提取规则从数据中提取特征模式,在多种深度学习模型中，基于空谱联合特征的分类方法精度最高。
参考文献
[1]蔡爱平,王涛涛.基于高光谱成像技术的彩色图像标签优化算法研究[J].激光杂志,2020,41(12):70-72.
[2]张晓华.基于对抗技术的高光谱图像分类系统的设计及实现[J].测试技术学报,2020,34(06):520-525+543.
[3]顾泽鑫,王白娟,苏文苹,吴志娟.高光谱无人机遥感影像识别技术在茶园病虫害防治中的应用研究[J].经济师,2020(12):61-62.
[4]殷文俊,茹晨雷,郑洁,张璐,颜继忠,张慧.基于高光谱成像技术融合光谱和图像特征鉴别不同产地的甘草[J].中国中药杂志,2021,46(04):923-930.
[5]邢璐琪,张桂莲,张浪,易扬,林勇,江子尧,郑谐维.高光谱技术在植被特征监测中的应用[J].园林,2020(11):8-14.
【作者简介】
杨振永（1999-），男（汉族），本科在读
信阳农林学院在校生，主要从事植物保护专业。