一种柑橘黄龙病快速检测装置及检测方法

1.本发明涉及植物病害的检测领域，尤其涉及一种柑橘黄龙病快速检测装置及检测方法。


背景技术：

2.中国是柑橘的重要产地之一，年产量达3819万吨，位列世界第一。柑橘黄龙病又称黄梢病，是一种由韧皮部杆菌属类细菌引起的疾病，主要通过昆虫媒介传播。染病后，植株叶片会出现斑点、黄芽，叶片表面呈现黄绿相间的斑驳状黄化。黄龙病传染性强、危害大，不仅会影响果实品质，而且会造成柑橘植株死亡，严重时会导致整片果园失去经济价值，目前世界上仍没有有效的治疗手段，检测并清除病害植株是控制黄龙病蔓延最有效的方法之一，因此开发快速有效的黄龙病检测技术对实现柑橘黄龙病现场检测，控制黄龙病大范围传播具有重要意义。
3.针对黄龙病检测，目前主要有肉眼观察法、基于分子生物学检测方法和基于图谱技术检测方法。肉眼观察法需在染病后期由经验丰富的技术人员进行检测，依赖于丰富的检测经验，准确率较低；基于分子生物学的检测方法能够定量检测与柑橘黄龙病相关的念珠菌种，对黄龙病检测最为有效，但该方法需在实验室完成，价格昂贵又耗时，不适合在果园大范围应用；基于图谱技术的检测方法依赖于典型症状的显现，且受光照条件影响，易产生误判。
4.现有技术公开了一种的柑橘黄龙病快速检测方法，仅以旋光度单一数值作为判断依据无法识别不同胁迫导致的淀粉积累，易造成误判。现有技术还公开了一种基于可见光成像技术的柑橘黄龙病检测方法。该方法受室外光照条件影响较大，图像的一致性和稳定性较弱，不利于叶片表面纹理特征的提取，易造成误判。


技术实现要素：

5.针对现有技术中存在不足，本发明提供了一种柑橘黄龙病快速检测装置及检测方法，基于透、反射式偏振成像技术融合，能够获得柑橘叶片表面纹理信息和叶片内淀粉积累程度，进而实现柑橘黄龙病及部分缺素的现场快速检测。
6.本发明是通过以下技术手段实现上述技术目的的。
7.一种柑橘黄龙病快速检测装置，包括：图像采集单元和控制单元；
8.所述图像采集单元包括遮光箱体以及位于所述遮光箱体内的偏振相机、短焦镜头、第一均光板、第一线偏振片、样品台、样品压板、第二线偏振片、第二均光板、第一led光源和第二led光源；
9.所述短焦镜头安装在所述偏振相机上，所述第一均光板重叠置于所述第一线偏振片上方，所述第一均光板与所述第一线偏振片上均开有第二通孔，所述短焦镜头穿过所述第二通孔，其端面与所述第一线偏振片的底面齐平，所述第一线偏振片的线偏振方向与所述偏振相机内部的微偏振元件的0
°
方向平行，所述第一led光源放置于所述第一均光板上
方，所述样品台设计为活动式，在采集反射图像时被放置于所述样品压板上，在采集透射图像时将所述样品台取出；
10.所述第二led光源置于所述遮光箱体底部，所述第二均光板置于所述第二led光源上方，所述第二线偏振片重叠置于所述第二均光板上方，所述第二线偏振片的线偏振方向与所述偏振相机内部的微偏振元件的0
°
方向平行，所述样品压板重叠放置于所述第二线偏振片上，所述样品压板中心设有第三通孔，使偏振相机采集到透射过叶片样本的偏振光。
11.所述第一led光源发出的光，经过所述第一均光板匀光处理后，再经所述第一线偏振片转换为线偏振光，照射到所述样品台上的叶片样本，被照样本产生的反射和散射光，被所述偏振相机采集，信号传输至所述控制单元进行下一步处理。
12.所述第二led光源发出的光，经过所述第二均光板匀光处理后，再经所述第二线偏振片转换为线偏振光，光线透过放置于所述样品压板下的叶片样本，再穿过所述第三通孔，被所述偏振相机采集，信号传输至所述控制单元进行下一步处理。
13.优选的，根据叶绿素和叶黄素在不同波段光源下的吸收率差异，所述第一led光源选用660nm窄带光源，所述第一led光源包括散热基板和若干灯珠，所述散热基板为铝板，所述散热基板上设有第一通孔，所述短焦镜头穿过第一通孔，所述若干灯珠串联，且所述若干灯珠以第一通孔的轴线为圆心，沿周向均匀分布。
14.优选的，根据在590nm处淀粉的旋光性表现最强，所述第二led光源选用590nm窄带光源，所述第二led光源包括散热基板和若干灯珠，所述散热基板为铝板，所述若干灯珠串联，以阵列式均匀排布于所述散热基板上。
15.优选的，所述短焦镜头的主要参数如下：焦距8mm、500万像素、最小工作距离50mm。
16.优选的，所述短焦镜头与所述样品台之间的距离为130mm。
17.优选的，所述第一均光板与所述第一led光源的距离为50mm，所述第二均光板与所述第二led光源的距离为50mm。
18.优选的，所述样品台的上表面设有一层黑色吸光布，用于简化图像分割的背景。
19.优选的，所述样品压板的第三通孔为大小固定的椭圆。
20.本发明还提供了一种上述柑橘黄龙病快速检测装置的检测方法，包括：
21.步骤一：采集不同病害种类样本叶片的反射图像和透射图像；
22.步骤二：对采集到的透射图像进行预处理，提取图像特征；
23.步骤三：对采集到的反射图像进行预处理，提取图像特征；
24.步骤四：建立逐步分类模型，使用线性判别分析(lda)算法，分步识别各个病害种类的叶片。
25.优选的，所述步骤一具体为：
26.步骤1.1：利用所述第一led光源、所述第一均光板和所述第一线偏振片产生均匀的0
°
线偏振光，0
°
线偏振光照射待测叶片样本，被所述偏振相机采集生成四个偏振角度的反射偏振图像，分别为0
°
反射偏振图像、45
°
反射偏振图像、90
°
反射偏振图像和135
°
反射偏振图像；
27.步骤1.2：利用所述第二led光源、所述第二均光板和所述第二线偏振片产生均匀的0
°
线偏振光，0
°
线偏振光透射待测叶片样本，被所述偏振相机采集生成四个偏振角度的透射偏振图像，分别为0
°
透射偏振图像、45
°
透射偏振图像、90
°
透射偏振图像和135
°
透射偏
振图像。
28.其中0
°
偏振图像：所述偏振相机中0
°
微偏振元件和所述第一线偏振片(第二线偏振片)产生的线偏振光形成的图像；45
°
偏振图像：所述偏振相机中45
°
微偏振元件和所述第一线偏振片(第二线偏振片)产生的线偏振光形成的图像；90
°
偏振图像：所述偏振相机中90
°
微偏振元件和所述第一线偏振片(第二线偏振片)产生的线偏振光形成的图像；135
°
偏振图像：所述偏振相机中135
°
微偏振元件和所述第一线偏振片(第二线偏振片)产生的线偏振光形成的图像。
29.优选的，所述步骤二中对采集到的透射图像进行预处理的具体步骤为：
30.步骤2.1：使用阈值分割方法提取透过所述第三通孔的叶片图像；
31.步骤2.2：使用stokes矢量法描述透射光：
[0032][0033]
上述式中，s0为光强度参量，s1为第一偏振参量，s2为第二偏振参量，s3为圆偏振参量，i代表光强和，q代表0
°
和90
°
方向上的线偏振光的光强差，u代表45
°
和135
°
方向上的线偏振光的光强差，v代表右旋圆偏振光分量和左旋圆偏振光分量的光强差；
[0034]
步骤2.3：通过式(1)和偏振角计算公式计算并生成偏振角图像，偏振角计算公式为：
[0035][0036]
优选的，所述步骤二中对预处理后的透射图像进行特征提取的具体步骤为：
[0037]
步骤2.4：利用灰度值归一化处理对偏振透射图像进行图像增强，具体如下：
[0038]
灰度值归一化处理根据式(3)进行：
[0039]
f(g)＝g*mult add
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0040]
其中g为初始灰度值，f(g)为缩放后的灰度值，灰度值变换的参数必须根据不同的应用条件合理选择，一般由下式确定：
[0041][0042]
add＝-mult*g
min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0043]
为了保证缩放后的灰度值在0-255范围内，使用式(6)对缩放后的灰度值进行裁剪：
[0044][0045]
优选的，由于偏振角图像中存在过亮或过暗的灰度区域(灰度最大值为255，灰度最小值为0，计算得到的相乘系数为1，相加系数为0)，通过普通的灰度值变换无法获得理想的灰度值范围，因此所述的灰度值变化法为鲁棒的灰度值归一化处理，即通过累积直方图设定累积直方图阈值，依据设定的阈值确定图像的最大灰度值和最小灰度值，累积直方图通过式(7)计算：
[0046][0047]
式中n为图像感兴趣区域的像素个数，ni为灰度值为i的像素点的个数；
[0048]
步骤2.5：提取灰度共生矩阵纹理信息；
[0049]
步骤2.6：提取灰度直方图特征。
[0050]
优选的，所述步骤2.5中，计算灰度共生矩阵时取距离d＝1，角度分别为0
°
、45
°
、90
°
、135
°
，得到4个灰度共生矩阵。灰度共生矩阵计算过程如下：取图像(n
×
n)中任意一点(x,y)及偏离的另一点(x a,x b)，设该点对的灰度值为(i,j)。令点(x,y)在整个画面上移动，得到多个(i,j)的值，设灰度值的级数为k，则(i,j)有k2种，对于整个画面，统计出每一种(i,j)值出现的次数，排列为一个方阵，用(i,j)出现的总次数将其归一化为出现的概率p(i,j)，生成灰度共生矩阵；
[0051]
距离差分值(a,b)取不同的数值组合，可以得到不同情况下的联合概率矩阵。(a,b)的取值需根据纹理周期分布的特性来选择，对于较细的纹理，选取(1,0)、(1,1)、(2,0)等小的差分值。
[0052]
当a＝1，b＝0时，像素对水平，即0度扫描；当a＝0，b＝1时，像素对垂直，即90度扫描；当a＝1，b＝1时，像素对为右对角线，即45度扫描；当a＝-1，b＝-1时，像素对为左对角线，即135度扫描。这样两个像素灰度级同时发生的概率，就将(x,y)的空间坐标转化为“灰度对”(i,j)来描述，形成了灰度共生矩阵。通常用一些标量来表征灰度共生矩阵的特征，本发明选取其中能量、对比度、相关和逆差距4个特征表征灰度共生矩阵，具体公式为：
[0053]
1)能量e的计算公式：
[0054][0055]
能量是灰度共生矩阵值p(i,j)的平方和，反映了图像灰度发布均匀程度和纹理粗细度；
[0056]
2)对比度con的计算公式：
[0057][0058]
对比度反映了图像的清晰度和纹理沟纹深浅的程度；
[0059]
3)相关cor的计算公式：
[0060][0061]
其中：
[0062][0063][0064]
[0065][0066]
相关用于度量空间灰度共生矩阵元素在行或列方向上的相似程度；
[0067]
4)逆差矩h的计算公式：
[0068][0069]
逆差距反映图像纹理的同质性，度量图像纹理局部变化的多少，值越大，说明图像纹理的不同区域间缺少变化，局部非常均匀；
[0070]
将0
°
，45
°
，90
°
，135
°
四个方向上获取的上述四个特征的特征值分别求均值和方差，最终获得八个特征值，作为分类模型的输入特征；
[0071]
优选的，所述步骤2.6具体为：
[0072]
从灰度直方图中提取灰度均值、灰度方差，作为提取的灰度直方图特征；
[0073]
灰度均值μ
[0074][0075]
灰度方差σ2[0076][0077]
优选的，所述步骤三具体为：
[0078]
步骤3.1：选择90
°
偏振图像作为分析对象，将所有图像中的叶脉方向统一，通过全局阈值分割算法将叶片区域与拍摄背景区域分离；
[0079]
步骤3.2：提取灰度共生矩阵纹理信息：
[0080]
计算取距离d＝1时的灰度共生矩阵，在0
°
，45
°
，90
°
，135
°
四个方向上均获取能量、对比度、相关和逆差距四个特征的特征值，每个方向上获取的四个特征值分别求平均值和方差，最终获得八个特征值；
[0081]
能量、对比度、相关和逆差距具体公式为：
[0082]
1)能量e的计算公式：
[0083][0084]
能量是灰度共生矩阵值p(i,j)的平方和，反映了图像灰度发布均匀程度和纹理粗细度；
[0085]
2)对比度con的计算公式：
[0086][0087]
对比度反映了图像的清晰度和纹理沟纹深浅的程度；
[0088]
3)相关cor的计算公式：
[0089][0090]
其中：
[0091][0092][0093][0094][0095]
相关用于度量空间灰度共生矩阵元素在行或列方向上的相似程度；
[0096]
4)逆差矩h的计算公式：
[0097][0098]
逆差距反映图像纹理的同质性，度量图像纹理局部变化的多少，值越大，说明图像纹理的不同区域间缺少变化，局部非常均匀。
[0099]
步骤3.3：从灰度直方图中提取灰度均值、灰度方差，作为提取的灰度直方图特征；
[0100]
灰度均值μ
[0101][0102]
灰度方差σ2[0103][0104]
优选的，因为在黄龙病感染后期，黄龙病会导致植株缺锌，黄龙病症状往往会伴随缺锌出现，黄龙病导致的缺锌我们称之为缺锌型黄龙病，该症状与缺锌叶片症状相似，因此在实际应用中，不仅需要判断是否健康，还需要判断黄龙病的种类(普通黄龙病症状和缺锌型黄龙病症状)，根据黄龙病叶片的纹理特性和淀粉积累特性，使用线性判别分析(lda)算法建立逐步分类模型，所述步骤四具体为：
[0105]
步骤4.1：将所有样本的反射图像用于第一步的分类，根据叶片表面纹理差异，使用线性判别分析(lda)算法，将所有样本划分为健康、黄龙病、缺锌大类(缺锌和缺锌型黄龙病)；
[0106]
步骤4.2：将所述步骤4.1获得的缺锌大类样本的透射图像用于第二步的分类，根据缺锌样本和缺锌型黄龙病样本中淀粉含量的差异，利用透射成像的偏振角图像将差异量化，使用线性判别分析(lda)算法，将缺锌大类细分为缺锌和缺锌型黄龙病。
[0107]
本发明的有益效果：
[0108]
1)本发明将反射成像和透射成像结合，建立了逐步分类模型，第一步根据反射成像获取的叶片纹理信息，将叶片样本分为健康、黄龙病和缺锌大类(缺锌和缺锌型黄龙病)；第二步根据透射成像获取的叶片内淀粉含量差异将缺锌大类细分为缺锌和缺锌型黄龙病；最终实现所有种类黄龙病的识别，特别是解决了该领域的难题：缺锌和缺锌型黄龙病的区分。
[0109]
2)本发明根据叶片的纹理差异，以及叶绿素、叶黄素在不同波段光源照明下吸收
率差异，筛选660nm特征波段作为反射图像的采集光源波段，利于实现叶片表面纹理的增强，凸显黄龙病症状，有效提高了识别准确率，且由于早期黄龙病的黄化不易被识别，使用660nm作为反射成像光源波段，增强了成像系统对于叶片轻微黄化的敏感度，对于较早期的黄龙病识别有显著效果。
[0110]
3)本发明根据黄龙病感染会导致叶片内淀粉含量显著增加，结合淀粉旋光性，选择590nm作为透射成像的光源波段，该波段下淀粉旋光性表现最明显，有效实现了缺锌和缺锌型黄龙病的区分。
附图说明
[0111]
图1为根据本发明实施例的一种柑橘黄龙病快速检测装置的结构示意图；
[0112]
图2为本发明实施例的四个偏振角度的反射成像示例；
[0113]
图3为本发明实施例的四类叶片样本的90
°
反射图像示例；
[0114]
图4为本发明实施例的透射成像示例；
[0115]
图5为本发明实施例某一样本的鲁棒的灰度值归一化处理示意图；
[0116]
图6为本发明实施例的鲁棒的灰度值归一化处理的图像增强效果对比图；
[0117]
图7为本发明实施例的四类叶片样本图像增强后的偏振角图像；
[0118]
图8为本发明实施例的逐步分类模型流程图。
[0119]
图中：
[0120]
1.遮光箱体，2.偏振相机，3.短焦镜头，4.第一led光源，5.第一均光板，6.第一线偏振片，7.样品台，8.样品压板，9.第二线偏振片，10.第二均光板，11.第二led光源，12.微偏振元件，13.第一通孔，14.第二通孔，15.第三通孔。
具体实施方式
[0121]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0122]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0123]
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，或一体地连接；可以是机械连接，也可以是电连接；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。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。
[0124]
下面首先结合附图具体描述根据本发明实施例的一种柑橘黄龙病快速检测装置和检测方法。
[0125]
请参阅图1，根据本发明实施例的一种柑橘黄龙病快速检测装置包括图像采集单元和控制单元。
[0126]
具体的，如图1所示，图像采集单元包括遮光箱体1以及置于遮光箱体1内侧顶部的偏振相机2、短焦镜头3、第一led光源4、第一均光板5、第一线偏振片6、样品台7、样品压板8、第二线偏振片9、第二均光板10、第二led光源11。控制单元包括光源控制器和计算机数据处理中心。
[0127]
遮光箱体1使用厚度为2mm的黑色磨砂镀锌板搭建，箱体为150mm
×
150mm
×
370mm的长方体结构，遮光箱体1的顶板中心留有长方形布线孔，用于偏振相机2和第一led光源4、第二led光源11分别与计算机和光源控制器连接。
[0128]
偏振相机2的型号为lucio phx050s-p，置于遮光箱体1内侧顶部中心，内部集成了微偏振元件12，可拍摄0
°
、45
°
、90
°
、135
°
四个偏振角度的灰度图像，且增益从0db到48db可调；短焦镜头3的主要参数如下：焦距为8mm、500万像素、最小工作距离50mm，短焦镜头3通过螺纹口与偏振相机2连接。
[0129]
第一led光源4置于第一均光板5上方，且和第一均光板5的距离为50mm。第一led光源4选用660nm窄带光源，第一led光源4包括散热基板和若干灯珠，散热基板材质为铝板，尺寸为150mm
×
150mm
×
2mm，中心开有直径为32mm的第一通孔13，用于穿过短焦镜头3。若干灯珠串联连接，若干灯珠以第一通孔13的轴线为圆心，沿周向均匀分布。本实施例中第一led光源4中包含的灯珠个数为6个，型号为美国科瑞cree xpe2 660nm灯珠，单个灯珠最大功率3w。
[0130]
第一均光板5尺寸为150mm
×
150mm
×
1mm，且中心开有直径为32mm的第二通孔14，重合置于第一线偏振片6上方，第一线偏振片6尺寸为150mm
×
150mm
×
1mm，且中心留有直径为32mm的第二通孔14。短焦镜头3通过第二通孔14穿过第一均光板5和第一线偏振片6，且短焦镜头3的端面与第一线偏振片6的底面齐平，第一线偏振片6的线偏振方向与偏振相机2内的微偏振元件12的0
°
方向平行。
[0131]
样品台7材质为黑色磨砂亚克力，尺寸为150mm
×
150mm
×
1mm，表面设有一层黑色吸光布，用于简化图像分割的背景。样品台7距离短焦镜头3最底端130mm。样品台7设计为活动式，在采集反射图像时被放置于样品压板8上，在采集透射图像时将样品台7取出。
[0132]
样品压板8材质为黑色磨砂亚克力，尺寸为150mm
×
150mm
×
1mm，且中心开有长轴30mm、短轴20mm的椭圆形第三通孔15，重合置于样品台7下方。样品压板8用于压平叶片，使透射过叶片样本的偏振光从第三通孔15穿过，被偏振相机2采集。
[0133]
第二线偏振片9尺寸为150mm
×
150mm
×
1mm，重合置于样品压板8下方，第二线偏振片9的线偏振方向与偏振相机2内的微偏振元件12的0
°
方向平行。第二均光板10尺寸为150mm
×
150mm
×
1mm，重合置于第二线偏振片9下方。
[0134]
第二led光源11置于第二均光板10下方，且和第二均光板10的距离为50mm。第二led光源11选用590nm窄带光源，第二led光源11包括散热基板和若干灯珠，散热基板材质为铝板，尺寸为150mm
×
150mm
×
2mm，若干灯珠串联连接，若干灯珠以阵列式均匀排布于散热基板上。本实施例中第二led光源11中包含的灯珠个数为25个，以5
×
5阵列规则排布，型号
为美国科瑞cree xre q5 590nm灯珠，单个灯珠最大功率3w。
[0135]
第一led光源4发出的光，经过第一均光板5匀光处理后，再经第一线偏振片6转换为线偏振光，照射到样品台7上的叶片样本，被照样本产生的反射和散射光，被偏振相机2采集，信号传输至控制单元进行下一步处理。
[0136]
第二led光源11发出的光，经过第二均光板10匀光处理后，再经第二线偏振片9转换为线偏振光，光线透过放置于样品压板8下的叶片样本，再穿过第三通孔15，被偏振相机2采集，信号传输至控制单元进行下一步处理。
[0137]
实施例1
[0138]
以下介绍根据本发明实施例的一种柑橘黄龙病快速检测装置的检测方法，评估其对于健康、黄龙病、缺锌和缺锌型黄龙病样本的区分能力。
[0139]
本实施例叶片样本数量及种类为：健康50个、黄龙病50个、缺锌50个和缺锌型黄龙病20个，均于2021年11月采自江西省赣州市柑桔科学研究所。
[0140]
步骤一：采集不同病害种类样本叶片的反射图像和透射图像；
[0141]
步骤1.1：利用所述第一led光源(4)、所述第一均光板(5)和所述第一线偏振片(6)产生均匀的0
°
线偏振光，0
°
线偏振光照射待测叶片样本，被所述偏振相机(2)采集生成四个偏振角度的反射偏振图像，分别为0
°
反射偏振图像、45
°
反射偏振图像、90
°
反射偏振图像和135
°
反射偏振图像；
[0142]
步骤1.2：利用所述第二led光源((11))、所述第二均光板(10)和所述第二线偏振(9)片产生均匀的0
°
线偏振光，0
°
线偏振光透射待测叶片样本，被所述偏振相机(2)采集生成四个偏振角度的透射偏振图像，分别为0
°
透射偏振图像、45
°
透射偏振图像、90
°
透射偏振图像和135
°
透射偏振图像。
[0143]
其中0
°
偏振图像：所述偏振相机2中0
°
微偏振元件和所述第一线偏振片6(第二线偏振片9)产生的线偏振光形成的图像；45
°
偏振图像：所述偏振相机2中45
°
微偏振元件和所述第一线偏振片6(第二线偏振片9)产生的线偏振光形成的图像；90
°
偏振图像：所述偏振相机2中90
°
微偏振元件和所述第一线偏振片6(第二线偏振片9)产生的线偏振光形成的图像。
[0144]
步骤二：对采集到的透射图像进行预处理，提取图像特征；
[0145]
步骤2.1：透射成像效果如图4所示，选择0
°
偏振图像、45
°
偏振图像、90
°
偏振图像和135
°
偏振图像作为分析对象，使用阈值分割方法提取透过所述第三通孔的叶片图像；
[0146]
步骤2.2：使用stokes矢量法描述透射光：
[0147][0148]
上述式中，s0为光强度参量，s1为第一偏振参量，s2为第二偏振参量，s3为圆偏振参量，i代表光强和，q代表0
°
和90
°
方向上的线偏振光的光强差，u代表45
°
和135
°
方向上的线偏振光的光强差，v代表右旋圆偏振光分量和左旋圆偏振光分量的光强差；
[0149]
步骤2.3：通过式(1)和偏振角计算公式计算并生成偏振角图像，偏振角计算公式为：
[0150][0151]
步骤2.4：利用灰度值归一化处理对偏振透射图像进行图像增强，具体如下：
[0152]
灰度值归一化处理根据式(3)进行：
[0153]
f(g)＝g*mult add
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0154]
其中g为初始灰度值，f(g)为缩放后的灰度值，灰度值变换的参数必须根据不同的应用条件合理选择，一般由下式确定：
[0155][0156]
add＝-mult*g
min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0157]
为了保证缩放后的灰度值在0-255范围内，使用式(6)对缩放后的灰度值进行裁剪：
[0158][0159]
由于偏振角图像中存在过亮或过暗的灰度区域(灰度最大值为255，灰度最小值为0，计算得到的相乘系数为1，相加系数为0)，通过普通的灰度值变换无法获得理想的灰度值范围，因此所述的灰度值变化法为鲁棒的灰度值归一化处理，即通过累积直方图设定累积直方图阈值，依据设定的阈值确定图像的最大灰度值和最小灰度值，累积直方图通过式(7)计算：
[0160][0161]
式中n为图像感兴趣区域的像素个数，ni为灰度值为i的像素点的个数；
[0162]
鲁棒的灰度值归一化处理步骤如图5所示，确定c＝0.9作为累积直方图的阈值；图像增强效果如图6所示；四类叶片样本增强后的偏转角图像如图7所示。
[0163]
步骤2.5：提取灰度共生矩阵纹理信息；
[0164]
计算灰度共生矩阵时取距离d＝1，角度分别为0
°
、45
°
、90
°
、135
°
，得到4个灰度共生矩阵。通常用一些标量来表征灰度共生矩阵的特征，本发明选取其中能量、对比度、相关和逆差距4个特征表征灰度共生矩阵，具体公式为：
[0165]
1)能量e的计算公式：
[0166][0167]
能量是灰度共生矩阵值p(i,j)的平方和，反映了图像灰度发布均匀程度和纹理粗细度；
[0168]
2)对比度con的计算公式：
[0169][0170]
对比度反映了图像的清晰度和纹理沟纹深浅的程度；
[0171]
3)相关cor的计算公式：
[0172][0173]
其中：
[0174][0175][0176][0177][0178]
相关用于度量空间灰度共生矩阵元素在行或列方向上的相似程度；
[0179]
4)逆差矩h的计算公式：
[0180][0181]
逆差距反映图像纹理的同质性，度量图像纹理局部变化的多少，值越大，说明图像纹理的不同区域间缺少变化，局部非常均匀；
[0182]
将0
°
，45
°
，90
°
，135
°
四个方向上获取的上述四个特征的特征值分别求均值和方差，最终获得八个特征值，作为分类模型的输入特征；
[0183]
步骤2.6：从灰度直方图中提取灰度均值、灰度方差，作为提取的灰度直方图特征；
[0184]
灰度均值μ
[0185][0186]
灰度方差σ2[0187][0188]
步骤三：对采集到的反射图像进行预处理，提取图像特征；
[0189]
步骤3.1：反射成像效果如图2所示，偏振相机和线偏振片的组合可以很好地去除了叶片表面反光，因此选择90
°
偏振图像作为分析对象，将所有图像中的叶脉方向统一，通过全局阈值分割算法将叶片区域与拍摄背景区域分离，四类叶片样本结果预处理后的效果如图3所示；
[0190]
步骤3.2：提取灰度共生矩阵纹理信息：
[0191]
计算取距离d＝1时的灰度共生矩阵，在0
°
，45
°
，90
°
，135
°
四个方向上均获取能量、对比度、相关和逆差距四个特征的特征值，每个方向上获取的四个特征值分别求平均值和方差，最终获得八个特征值；
[0192]
能量、对比度、相关和逆差距具体公式为：
[0193]
1)能量e的计算公式：
[0194]
[0195]
能量是灰度共生矩阵值p(i,j)的平方和，反映了图像灰度发布均匀程度和纹理粗细度；
[0196]
2)对比度con的计算公式：
[0197][0198]
对比度反映了图像的清晰度和纹理沟纹深浅的程度；
[0199]
3)相关cor的计算公式：
[0200][0201]
其中：
[0202][0203][0204][0205][0206]
相关用于度量空间灰度共生矩阵元素在行或列方向上的相似程度；
[0207]
4)逆差矩h的计算公式：
[0208][0209]
逆差距反映图像纹理的同质性，度量图像纹理局部变化的多少，值越大，说明图像纹理的不同区域间缺少变化，局部非常均匀。
[0210]
步骤3.3：从灰度直方图中提取灰度均值、灰度方差，作为提取的灰度直方图特征；
[0211]
灰度均值μ
[0212][0213]
灰度方差σ2[0214][0215]
步骤四：建立如图8所示的逐步分类模型，使用线性判别分析(lda)算法，分步识别各个病害种类的叶片。
[0216]
步骤4.1：将所有样本的反射图像用于第一步的分类，根据叶片表面纹理差异，使用线性判别分析(lda)算法，将所有样本划分为健康、黄龙病、缺锌大类(缺锌和缺锌型黄龙病)；
[0217]
步骤4.2：将所述步骤4.1获得的缺锌大类样本的透射图像用于第二步的分类，根据缺锌样本和缺锌型黄龙病样本中淀粉含量的差异，利用透射成像的偏振角图像将差异量化，使用线性判别分析(lda)算法，将缺锌大类细分为缺锌和缺锌型黄龙病，最终实现黄龙
病的种类(普通黄化和缺锌型黄化)的准确识别。
[0218]
针对所有类别样本的混淆矩阵如表1所示，由于采用逐步分类模型进行分类，在缺锌型黄龙病样本识别中需承担上一步分类带来的误判风险，因此准确率较低，但是如表2所示，本发明提出的方法对于缺锌和缺锌型黄龙病的区分，仍获得了93.85％的总体准确率，是该领域的一项重大突破。本发明的目标是实现各种类黄龙病的准确检测，因此将黄龙病和缺锌型黄龙病归为黄龙病一类，将健康和缺锌归为非黄龙病一类，对数据进行统计，针对黄龙病感染状态的混淆矩阵如表3所示，实验结果表明采用本发明的方法针对多种类黄龙病可获得96.47％的识别准确率。
[0219]
表1针对所有类别样本的混淆矩阵
[0220][0221]
表2针对缺锌和缺锌型黄龙病的混淆矩阵
[0222][0223][0224]
表3针对黄龙病感染状态的混淆矩阵
[0225][0226]
实验案例1
[0227]
本实验案例的主要目的是评估一种反射式偏振成像技术对于健康、黄龙病和缺锌大类(缺锌和缺锌型黄龙病)样本的区分能力，并对比多种模式识别算法的分类性能，确定最佳的模式识别算法。
[0228]
本实验案例叶片样本数量及种类为：健康50个、黄龙病50个、缺锌50个和缺锌型黄龙病20个，均于2021年11月采自江西省赣州市柑桔科学研究所。
[0229]
一种基于反射式偏振成像技术的柑橘黄龙病快速检测方法，旨在实现健康、黄龙病和缺锌大类(缺锌和缺锌型黄龙病)的区分，具体步骤如下：
[0230]
步骤s1：同实施例步骤1.1；
[0231]
步骤s2：同实施例步骤三；
[0232]
步骤s3：建立分类模型；具体为：
[0233]
将步骤s2中提取的灰度直方图特征按3:1划分训练集和测试集并输入分类模型，对比了线性判别分析(lda)、随机森林算法(rf)、支持向量机(svm)、cart决策树算法、广义线性混合模型(glmm)、类神经网络、lagrangian支持向量回归算法(lsvm)、贝叶斯算法、chaid决策树算法、quest决策树算法10个分类模型的识别准确率。
[0234]
结果如表4所示，线性判别分析(lda)的分类效果最佳，训练集准确率为95.73％，测试集准确率为100％，本实施例结果表明基于反射式偏振成像技术的柑橘黄龙病快速检测方法，可以实现健康、黄龙病和缺锌大类(缺锌和缺锌型黄龙病)的有效区分，最佳模式识别算法为线性判别分析(lda)。
[0235]
表4反射成像模式识别算法准确率
[0236][0237][0238]
实验案例2
[0239]
本实验案例的主要目的是评估一种透射式偏振成像技术对于缺锌和缺锌型黄龙病样本的区分能力，并对比多种模式识别算法的分类性能，确定最佳的模式识别算法。
[0240]
本实验案例叶片样本数量及种类为：健康50个、黄龙病50个、缺锌50个和缺锌型黄龙病20个，均于2021年11月采自江西省赣州市柑桔科学研究所。
[0241]
一种基于透射式偏振成像技术的柑橘黄龙病快速检测方法，旨在实现缺锌和缺锌型黄龙病的区分，具体步骤为：
[0242]
步骤a1：同实施例步骤1.2；
[0243]
步骤a2：同实施例步骤二；
[0244]
步骤a3：建立分类模型；具体为：
[0245]
将步骤a2中提取的灰度直方图特征按3:1划分训练集和测试集并输入分类模型，对比了线性判别分析(lda)、随机森林算法(rf)、支持向量机(svm)、cart决策树算法、广义线性混合模型(glmm)、类神经网络、lagrangian支持向量回归算法(lsvm)、贝叶斯算法、chaid决策树算法、quest决策树算法10个分类模型的识别准确率。
[0246]
结果如表5所示，线性判别分析(lda)的分类效果最佳，训练集准确率为88.00％，测试集准确率为85.00％，本实验案例结果表明基于反射式偏振成像技术的柑橘黄龙病快速检测方法，可以实现缺锌和缺锌型黄龙病的有效区分，最佳模式识别算法为线性判别分析(lda)。
[0247]
表5透射成像模式识别算法准确率
[0248]
分类模型训练集准确率测试集准确率lda88.00％85.00％rf90.00％55.00％svm88.00％70.00％cart94.00％80.00％glmm72.00％70.00％类神经网络86.00％75.00％lsvm88.00％70.00％贝叶斯98.00％55.00％chaid90.00％65.00％quest90.00％70.00％
[0249]
与已有技术相比，本发明根据叶片的纹理差异，以及叶绿素、叶黄素在不同波段光源照明下吸收率差异，筛选660nm特征波段作为反射图像的采集光源波段，利于实现叶片表面纹理的增强，凸显黄龙病症状，有效提高了识别准确率，且由于早期黄龙病的黄化不易被识别，使用660nm作为反射成像光源波段，增强了成像系统对于叶片轻微黄化的敏感度，对于较早期的黄龙病识别有显著效果；本发明根据黄龙病感染会导致叶片内淀粉含量显著增加，结合淀粉旋光性，选择590nm作为透射成像的光源波段，该波段下淀粉旋光性表现最明显，有效实现了缺锌和缺锌型黄龙病的区分；本发明将反射成像和透射成像结合，建立了逐步分类模型，第一步根据反射成像获取的叶片纹理信息，将叶片样本分为健康、黄龙病和缺锌大类(缺锌和缺锌型黄龙病)；第二步根据透射成像获取的叶片内淀粉含量差异将缺锌大类细分为缺锌和缺锌型黄龙病；最终实现所有种类黄龙病的识别，特别是解决了该领域的难题：缺锌和缺锌型黄龙病的区分。
[0250]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0251]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。