与传统的视觉检测方法相比，高光谱成像能够实现植物生长的高效和无损监测，在应对疾病和昆虫侵染的植物表型方面有很大的潜力。然而，目前基于高光谱成像对病虫胁迫植物的研究大多集中在检测单一病害上，很少能区分多种共生的病害和昆虫。在本研究中，我们评估了三种具有类似症状的茶树胁迫，包括茶绿叶蝉、炭疽病和晒伤(类似疾病的胁迫)。基于高光谱成像和连续小波分析(CWA)提出了一种区分植物病虫胁迫的多步骤判别方法，该过程包括：(1)基于CWA的特征提取，用于检测和判别茶树胁迫;(2)利用k-means聚类和支持向量机算法检测茶叶异常区域;(3)构建基于随机森林算法的茶树三种胁迫检测和判别模型。结果表明，CWA能够有效识别和区分三种胁迫光谱特征，所提出方法总体准确度(OA)达到(90.26%~90.69%)，其中炭疽病OA最高(94.12%~94.28%)，其次是茶绿叶蝉(93.99%~94.20%)，晒伤最小(82.50%~83.91%)。因此，高光谱成像能够有效的检测和判别病虫侵染后的植物表型。

　　图1 冠层和叶片水平的茶绿叶禅(GL)、炭疽病(AH)和晒伤(SB)症状。

　　图2 高光谱成像系统的示意图。

　　图3 基于连续小波分析的胁迫检测和判别特征选择流程图。(GL, AH, SB, NM分别表示茶绿叶蝉、炭疽病、晒伤和正常叶片)

　　图4 基于高光谱成像数据的茶树胁迫检测和判别工作流程图。

　　图5 三种茶树胁迫的平均反射率和标准偏差曲线图。(GL, AH, SB, NM分别表示茶绿叶蝉、炭疽病、晒伤和正常叶片)

　　图6 基于t-检验尺度图的小波特征选择用于异常检测。(GL, AH, SB, NM分别表示茶绿叶蝉、炭疽病、晒伤和正常叶片)

　　图7 基于t-检验尺度图的小波特征选择用于胁迫判别。(GL, AH, SB, NM分别表示茶绿叶蝉、炭疽病、晒伤和正常叶片)

　　图8 叶片异常区域检测过程的演示。注：GL、AH、SB分别表示茶绿叶蝉、炭疽病和晒伤。聚类结果是根据叶片异常区域的最佳光谱特征产生的。

　　表1 茶树胁迫检测和判别的准确性

　　图9 茶树胁迫判别的混淆矩阵

　　图10 茶叶上的胁迫判别演示图。注：GL、AH和SB分别表示茶绿叶蝉、炭疽病和晒伤。右边1-3栏是用不同算法对胁迫类型(用不同颜色表示)的判别结果。

　　来源：Zhao X, Zhang J, Huang Y, et al. Detection and discrimination of disease and insect stress of tea plants using hyperspectral imaging combined with wavelet analysis[J]. Computers and Electronics in Agriculture, 2022, 193: 106717.

　　https://doi.org/10.1016/j.compag.2022.106717

　　编辑：小王博士在努力