光谱成像技术在作物病害检测中的应用进展与趋势

融合图像处理和光谱学的信息获取技术，能同时获取目标的图像信息和光谱信息，从而更直观表达目标的 特征。光谱成像技术可以获得图像上每个点的光谱数据，从而实现对作物病害的颜色、形状和纹理特征及光

谱特征的分析，具有快速、直观和无损等特点，近些年在作物病害检测领域的应用取得了较大研究进展。综

述了近六年来国内外关于光谱成像技术在作物病害检测领域应用的相关文献，分析了光谱成像技术的优势 和局限性，重点阐述了光谱成像作物病害检测中关键的第三个技术：（1）光谱图像分割技术，重点分析了四

种常见分割算法的优点和适用范围；（2）光谱特征和空间特征提取技术，重点对比了空间特征、光谱特征和

二者加权组合对病害信息表达的准确性；G）检测模型，重点介绍了光谱植被指数和机器学习模型在作物病 害检测中的稳定性和前景。最后，根据上述分析展望了光谱成像技术在作物病害检测领域中应用的研究趋

势，为相关研究提供全面且系统的参考。关键词 光谱成像技术；作物病害检测；光谱特征分析；模式识别中图分类号：0433.4 文献标识码：R DOI： 10. 3964力・ issm 1000-0593（2020）02-0350-06究与广泛应用的基础。引言光谱成像技术集成了传统成像技术和光谱学方法的优 势，能够同时获取目标的空间信息和光谱信息。根据光谱分 辨率、波长范围和连续性，光谱成像技术可分多光谱、高光

本文简述了光谱成像技术的特点和局限性，重点聚焦在 光谱成像技术在作物病害诊断中的研究进展，分别从光谱图 像分割、特征信息提取和作物病害识别三个方面分析了光谱

成像技术的应用现状及存在的问题。最后展望了光谱成像技 术在作物病害领域的研究趋势。谱和超光谱⑴。对光谱图像信息的处理主要是将光谱图像转

化成数据矩阵，用计算机进行分析，并代替人脑完成处理和 解释。光谱成像技术研发的初衷是为了增强遥感在气象、地 质和军事领域的应用⑵。光谱成像技术作为一种无损、直

1作物病害光谱成像检测技术概述基于光谱成像的作物病害诊断方法可以同时获取病害的 图像信息和光谱信息，在大幅度降低了作物病害诊断成本同

观、快速的检测方法，在作物病害识别领域的研究成为近六 年的研究热点。时提高了诊断效率，具备无损、宜观、实时和准确性。但是 作为一种新兴技术，光谱成像技术在作物病害领域的应用依 然存在局限性。1.1技术特点据联合国粮农组织统计，因作物病害导致农作物减产年 均高达10%页。我国每年作物病害爆发的耕种面积均高于

3. 5亿km2,造成难以估量的经济损失⑷°传统的病害诊断

方法主要依靠作物专家的经验，具有较强的主观性；而利用 （1）无损性。传统的理化检测会严重损害作物的叶片， 影响作物正常生长，因此无损检测是作物病害诊断领域迫切 需求的诊断方式。光谱成像检测技术获取病害图像信息和光

理化实验检测作物病害较为客观准确，但是检测环境局限性 强⑸。光谱成像技术的特点与作物病害诊断快速、直观、无

损等需求的契合，成为光谱成像技术在作物病害领域深入研谱信息的同时，并不会对作物造成损伤，为作物病害无损检收稿日期：2019-01-10,修订日期：2019-05-20基金项目：国家自然科学基金面上项目（31271618）资助作者简介：白雪冰，1991年生，中国农业大学信息与电气工程学院食品质量与安全北京实验室博士研究生

* 通讯联系人 e-mail: lxxcau@cau. edu. cn^mail： 464161695@qq.com第2期测提供了实现基础。光谱学与光谱分析351像分割模型，虽然获得较好的结果，但是依然存在较大的局

(2) 直观性。光谱成像获取的并非传统的RGB图像或某 限性。一点的光谱信息，而是一个数据立方。在获取的图像上对每

个像素解析光谱维度上的信息，不仅能直观观测图像的空间 信息，同时可以获取目标像素点的光谱信息。(3) 实时性。与抽样送往实验室检测的方法相比，通过

(3)拍摄角度。目前对作物病害光谱图像的最佳采集角 度尚无定论，大多数研究认为叶片垂直于图像传感器的中心 轴是最理想采集条件，因为取样角度倾斜可能会导致病斑特

征信息变化。但Oberti等皿〕研究表明取样角度在40°〜60°之

分析患病区域的空间信息与光谱信息，建立作物病害检测模 型具有快速高效的特点。SusiC[6]和Morel\"〕等都在准确率优

间最适宜于葡萄叶片白粉病的特征信息分析。先的条件下实现了作物病害的快速检测。光谱成像快速检测 技术为大范围实时监测诊断作物病害诊断提供了基础。(4) 准确性。由于不同病害对光的吸收作用不同，在病

2作物病害光谱成像检测关键技术基于光谱成像的作物病害诊断方法主要涉及到图像分割 技术、光谱特性及空间特征提取技术和分类识别技术。首

害的光谱反射率曲线中出现吸收峰的波段也不尽相同。根据 患病区域的光谱反射率和图像特征(形状、颜色、纹理)识别

先，从光谱图像中分割出患病区域；然后，分析病斑的空间

病害具有较高的准确率。例如，AlSuwaidi等凶提出的纹理 特征增强光谱分析框架对不同作物病害表现出高精度的诊断 结果。1.2技术局限性信息特征和光谱信息特征；最后，基于作物病害特征建立分 类器诊断病害类型。2.1光谱图像分割光谱图像分割的目标是将病斑区域从实地采集的作物病

(1) 复杂背景。从田间或温室实地采集的作物病害光谱 图像一般具有复杂的环境背景，空间信息中包含较多的干扰

害光谱图像中分割出来，分割结果的准确性直接影响病害空

间特征和光谱特征的分析结果。利用图像分割技术获取作物 病斑的难点在于：a平衡光谱图像质量，像素较低无法完整 分割病斑，像素过高会降低运行效率；b混淆病斑与类病斑，

物质，增加了光谱图像信息分析的难度。大多数研究采用手

动删除背景⑷或在患病叶片下放置纯色背景板「讷o(2) 光照条件。相比实验室的理想环境，光谱图像实地

将颜色或形状类似于病斑的背景误分割；c分割粉状形态的 病害时，病斑边缘信息较难保留。目前较为成熟的作物病害

采集环境较为恶劣，采集时间的不同、天气状况的差异都会 对光谱图像采集结果造成影响。GuoM和丫占幻等利用机器

分割算法包括聚类分析、边缘检测、阈值以及形态学等，它

学习建立自然光照条件下小麦和玉米叶片病害的可见光谱图们在图像分割中各有优劣，如表1所示。表1光谱图像分割技术特点分析Table 1 Characteristic analysis of spectral im鸭e segmentation technology技术代表算法Canny算子优点运行速度快适用于对比度高的图像缺点分割结果是断续的、不完整的结构信息对聚焦模糊、边缘阴影和局部镜面反射的 图像处理效果较差文献口4]边缘检测Sobel算子E15]全局阈值阈值Otsu生长区域分列与聚合方法计算简单要求得最佳阈值，需要遍历灰度范围0〜(L

一定条件下不受图像对比度与亮度变化的 —1)内的所有像素并计算出方差，当计算

量大时效率会很低影响简化图像数据，保持目标基本的形状特征，

计算复杂度高，运行时间长并除去不相干的结构充分考虑图像的结构特征，保留目标形状 种子点的选取对结果影响较大，不适于大 细节面积的目标的分割简单，适用范围广适用于分割复杂图像口7]：18][19][20][5]聚类K-meanFCM运行时间长相似的像素会被误分到一个聚类中边缘检测技术是获取光谱图像中变化显著的点，将这些 廓。边缘检测技术能快速高效地获取目标区域，但这是建立

点拟合的轮廓组成分割区域，从而大幅度提出冗余信息，保 在图像简单且质量较高的基础上。虽然在近年的研究中边缘

留目标区域的结构属性，适用于褐斑病等边缘辨析度高的病 害。Singh和Misra[21]利用层分离技术提取图像的R, G和B

检测技术对光强的适应范围有所提高3一如，但不适用于实地

采集的作物病害光谱图像。阈值算法因直观、实现简单且计算速度快而成为光谱图 像处理中的研究热点。近年的研究集中在结合特定理论的阈

分量图层，并采用Canny算子的边缘检测在单图层上分割棉

花叶斑病的病斑。赵斌等「旳对Sobel算子算法进行优化，将 方向模板由2个增加到8个，克服了 Sobel只能检测水平和

值技术在作物病害领域的应用。Lalitha[2«针对不同病害的特 点和病期变化设定自适应阈值，建立了有效、快速、准确地垂直方向的边缘，并结合分块阈值成功提取了豆角叶片轮352光谱学与光谱分析第40卷柠檬叶病害检测系统。傅泽田等「刑以油菜可见光谱图像为 识别模型的准确率和效率。基于光谱成像技术获取的病害信 息主要包括空间特征和光谱图像，其中空间特征主要包括病 斑的颜色、形状和纹理，光谱特征则是通过反射率曲线表现

研究对象，结合HSV颜色空间不受亮度影响的优势，提出

了一种自适应双阈值病斑分割方法，准确率较高，但渐变检

测效果不佳。阈值算法不受病斑边缘连续性的限制，适合作 用于背景简单或预处理去除背景的作物病害光谱图像。在处

出来「何。Barbedo[31-34]提取了玉米等12类作物82种病害的H, S, V, L, a, b, C, M, Y和K等10种颜色特征，建立基于

理背景较复杂的光谱图像时，实际结果获取的阈值与最佳阈 值依然存在一定误差。颜色变换的作物病害分类系统，但在结论中表明该系统的适 用范围有限。吴露露等「旳采用线编码Hough变换获取白粉

基于区域的分割算法主要包含由种子点向周围具有相似 性质光谱像素扩散的生长法和不同区域基于光谱像素性质的

病等四种病害的形状特征，对病斑的半径和圆形拟合精度达 到87.01%，但不适用于非圆形病斑。Arivazhagan等训】研究 发现对比度、能量、局部稳定性、聚类隐藏性、聚类显著性

相似与差异而进行的聚合与裂变法。Yun等1旳设计了一个

NX(N+2)的矩阵来储存相邻区域的统计数据，根据种子区 域及邻域的颜色差异自动选取种子点区域，从而实现黄瓜叶 片病斑的分割。卢夏衍等「旳提出了一种多算法混合的区域 生长法，采用最小二乘椭圆拟合种子选择准确度和生长效

等五种纹理特征的加权组合能准确表征玫瑰的白粉病。不同

的作物病害在空间特征上可能会表现出一定的相似性，特别 是颜色和形状特征；纹理特征经过多参数加权组合在一定程 度上能唯一表征病害，但模型的复杂度较高因此空间特

率，从温室实地采集的光谱图像中成功分离出萬苣幼苗。区 域分割法最大的局限在于种子的选取或区域的划分对分割结

征只能作为辅助参数参与建模。果起决定性影响，对研究人员的专业性要求较高。与空间特征相比，作物病害的光谱特征具有较强的唯一 性，表2对几种主要病害的光谱特征进行了分析。从表2

聚类分割方法是一种融合聚类分析理论的图像处理技

术，通过分类光谱图像中相似的数据集获取目标区域，被称 之为无监督学习。Moghadam等跑提出了一种无监督K-

可知，每种病害的光谱反射率曲线出现特征吸收峰的波段位 置不同，通过多个特定吸收峰波段的加权组合进行反向推

means聚类算法，依据正常叶片与病斑的光谱轮廓差异确定 导，可实现病害检测。光谱成像技术在病害特征的分析方面 结合了空间特征的直观性和光谱图像的唯一性，为病害诊断

聚类中心，成功从番茄褐斑病高光谱图像中确定了病斑的位

置。Bai等旳提出了融合空间信息的模糊C-means聚类算法， 模型提供了全面的数据基础。Ashourloo和Mobasheri\"口提 取了小麦叶锈病的颜色和病斑面积比以及605、695和 455nm波长的反射率进行光谱混合分析，开发了用于检测叶

重新定义了像素与聚类中心的欧式距离，较为准确地分割了 黄瓜霜霉病的病斑。与传统的分割算法相比，聚类分割算法

在作物病害诊断领域应用的优势在于其自适应性较强，特别 是处理实地采集的具有较高不确定性光谱图像，聚类分割算

锈病的光谱疾病指数。Yu等「如采用竞争性自适应加权算法 确定 433, 469, 519, 555, 575, 619, 899, 912, 938, 945,

法在对光谱图像适应范围、抗噪性和准确性等方面都表现出 良好的性能皿】。由此可知，将特定理论与分割算法融合必将

970和998 nm等12个波段为枇杷内部损伤的最佳检测波

段，并结合损伤部分的颜色特征预测了内部损伤的比例。Li 等“力利用主成分分析桃子425-1 000 nm的高光谱图像，确

成为光谱图像分析技术的研究重点。2.2特征信息提取定了 463, 555, 687, 712, 813和970 nm等特征波段与纹理

作物因病原体侵染或是其他因素而产生的病斑与健康部 分相比会表现出不同特征，选取适当的病害特征能提高病害特征结合可以区分炭疽病和机械损伤。表2几种主要病害的光谱特征Table 2 Spectral characteristics of several main diseases病害叶斑病白粉病条纹病角斑病早疫病炭疽病实例玉米冬小麦水稻黄瓜番茄梨树检测范围/nm350〜2 500350〜1 350350〜2 500400〜1 000380〜1 023400〜1 000光谱特征/nm420, 795, 779, 1 543, 1 747, 1 010550, 585, 620, 730, 849552, 603, 683, 881608, 663, 832, 881, 898, 901, 906442, 508, 573, 696, 715572, 613. 2, 652. 6, 749. 2, 806. 5, 874.6检测方法Guided Regularized Random ForestSpectral Vegetation IndexRandom ForestRandom frog & regression coefficientSuccessive Projections AlgorithmWeight Coefficient文献[39][40][41][42][43][44]2.3作物病害识别Mahlein等皿】和Huang等询】使用RELIEF-F算法从单一波 段的加权组合和两个波段的归一化波长差推导出甜菜和冬小 麦的病害光谱指数；Mahlein开发的疾病光谱指数对甜菜白 粉病、黄锈病的分类准确率分别为85%和87%。Huang开发

作物病害识别主要依据光谱图像的特征信息对作物进行

分类，包括基于光谱植被指数的检测方法和基于机器学习的 检测方法。光谱植被指数是通过多个波长范围内的光谱反射率组

的病害光谱指数对冬小麦白粉病、黄锈病的分类准确率分别 为85.2%和91.6%。Abdulridha等剧采用决策树和多层感合，增强作物病害的光谱特性，从而实现作物病害的检测。第2期光谱学与光谱分析353知器神经网络融合方法计算出23个光谱植被指数，对牛油 果枯萎病的检测准确率为85%。大量的研究已经证明了光谱 植被指数可以作为间接检测方法对作物病害进行分类⑸］,

一种快速无损检测方法，在不损害植物组织的同时提高了检 测效率；与图像处理相比，光谱成像技术从光学角度出发，

将光谱特性与图像分析相结合，提高了作物病害检测的准确

但作物个体、环境和发病阶段不同会导致光谱图像信息的细 微差异，从而降低光谱植被指数对病害检测的准确率。率，光谱成像技术已经成为作物病害检测领域中最具发展前

景的研究方向之一。(1) 光谱图像分割技术的精度、效率和适应性将不断提 高。传统的分割算法对光谱图像采集环境、光照强度、拍摄

机器学习是通过自动分析方法从作物病害光谱图像中发 现规律，并按照规律对未知的图像进行预测。Zhang等⑸］采

集了高光谱成像技术获取油菜菌核病的384〜1 034 nm波段 范围光谱信息，利用线性判别分析评估患病叶片的SSR检测 指数，建立了偏最小二乘病害识别模型准确率高达85%。

角度等影响因素的适应能力较差。随着分割算法的不断创新 与发展，应更加注重分割算法对实地采集环境的适应能力，

提高算法处理实地采集的光谱图像的准确率和效率。(2) 作物病害光谱图像在近红外波长范围的光谱特性分

Knauer等嗣采用线性判别分析对葡萄白粉病400-2 500 nm光谱图像数据集进行维数约简，结合纹理特征建立了基

析将成为重点研究方向。目前对作物病害光谱图像的分析主 要集中在400〜1 000 nm波段，而近红外光谱波长范围的病

于随进森林算法的葡萄病害诊断模型，准确率高达94.1%。 Ye等⑸］采用连续投影算法从桃子400〜1 000 nm的光谱图

害信息尚未被挖掘。在未来的研究中，通过扩展作物病害光

像中选择了6个最优特征，并分别采用深度置信网络对桃子

腐烂的三个阶段进行分类，准确率分别为82.5%, 92.5%和

谱特性的检索波长范围，提高光谱特征对病害表达的唯一性 是具有一定可行性的。(3) 更加注重作物病害空间信息与光谱信息的融合。随

100%.郑志雄等［皈和黄双萍等皿］采用EoSW模型分析水稻 穗瘟病400〜1 000 nm的光谱图像，并根据光谱包络词典建

着光谱成像技术在作物病害诊断领域应用的不断深入，应更

立Chi-SVM分类器，不仅实现了病害诊断，还对病害严重程 加注重优化光谱特征和空间特征的加权组合的优化，减少冗 余特征，增强病害信息表达能力，提高病害检测模型的效

度进行精确的分级。机器学习模型解决了反射系数轻微变化 而导致作物疾病检测困难的问题［切，通过改进算法和优化

率。(4) 机器学习方法将在作物病害检测模型中广泛应用。

参数可以获得具有良好推演、泛化能力的作物病害检测模 型。反观光谱植被指数在作物病害检测应用中的局限性日益突 岀，机器学习模型不仅实现了对作物病害的稳定检测，还展

3作物病害光谱成像检测技术研究发展趋势与传统的实验室理化指标检测相比，光谱成像技术作为现出识别同一病害不同发展阶段的能力，将作物病害检测技 术引向精细农业、智慧农业领域。References[1 ] Li Q, He X, Wang Y, et al. Journal of Biomedical Optics, 2013, 18(10) : 100901.[2 ] Hagen N, Kudenov M W. Optical Engineering, 2013, 52(9) : 090901.[3 ] Ryan M R, Crews T E, Culman S W, et al. Bioscience, 2018, 68(4) : 294.[4 ] WANG Xiang-yu, WEN Hao-jie, LI Xin-xing, et al(王翔宇，温皓杰，李鑫星).Transactions of the Chinese Society for Agricultural Ma-

chinery(农业机械学报)，2016, 47(9)： 266.[5 ] Bai X B, Li X X, Fu Z T, et al. Computers & Electronics in Agriculture, 2017, 136 : 157.[6 ] Susie N, Zibrat U, Sirca S, et al. Sensors and Actuators B： Chemical, 2018, 273： 842.[7 ] Morel J, Jay S, Feret J B, et al. Scientific Reports, 2018, 8(1) : 15933.[8 ] AlSuwaidi A, Grieve B, Yin H. Measurement Science and Technology, 2018, 29(10) : 104001.E 9 J Kruse O M O, Prats-Montalban J M, Indahl U G, et al. Computers and Electronics in Agriculture, 2014, 108: 155.[10] Clement A, Verfaille T, Lormel C, et al. Biosystems Engineering, 2015, 133: 128.[11] Guo W, Rage U K, Ninomiya S. Computers and Electronics in Agriculture, 2013, 96 ： 58.[12] Ye M, Cao Z, Yu Z, et al. Computers and Electronics in Agriculture, 2015, 114: 247.[13] Oberti R, Marchi M, Tirelli P, et al. Computers and Electronics in Agriculture, 2014, 104： 1.[14] Singh V, Misra A K. Information Processing in Agriculture, 2017, 4(1)： 41.[15] Mahlein A K, Rumpf T, Welke P, et al. Remote Sensing of Environment, 2013 , 128: 21.[16] JIA Jian-nan, JI Hai-yan (贾建楠，吉海彦).Transactions of the Chinese Society of Agricultural Engineering(农业工程学报)，2013,

(A01)： 115.[17] Rathod A N, Tanawal B, Shah V. International Journal of Advanced Research in Computer Science and Software Engineering, 2013, 3

(11)： 397.[18] Palaniyandi S A, Yang S H, Zhang L, et al. Applied Microbiology and Biotechnology, 2013, 97(22) : 9621.[19] Krishnan M, Sumithra M G. IEEE Malaysia International Conference on. IEEE, 2013. 474.354光谱学与光谱分析第40卷[20] Rathod A N, Tanawal B, Shah V. International Journal of Advanced Research in Computer Science and Software Engineering, 2013, 3[21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55]

[56] [57]

(11)： no.Singh V, Misra A K. Information Processing in Agriculture, 2017, 4(1)： 41.ZHAO Bin.) ZHOU Hou-kui, FENG Hai-lin(赵 斌，周厚奎，冯海林).Journal of Agricultural Mechanization Research(农机化研究)， 2014, (6)： 41.Raza SEA, Sanchez V, Prince G, et al. Pattern Recognition, 2015, 48(7) : 2119.Lalitha K, Muthulakshmi K, Vinothini A. International Journal of Computer Science and Information Technologies, 2015, 6(3) : 2519.FU Ze-tian, SU Ye, ZHANG Ling-xian, et al(傅泽田，苏 叶，张领先，等)* Transactions of the Chinese Society of Agricultural Engi- neering(农业工程学报)，2013, 29(9)： 14&Yun S, Wang X F, Zhang S W, et al. International Journal of Agricultural & Biological Engineering, 2015, 8(4) : 60.LU Xia-yan, LI Xin, RAN Peng, et al(卢夏衍，李 昕，冉 鹏，等).Journal of Chinese Agricultural Mechanization(中国农机化学报)， 2016, 37(6)： 89, 117.Moghadam P, Ward D, Goan E, et al. Digital Image Computing: Techniques and Applications (DICTA) , 2017 International Conference on. IEEE, 2017. 1.Barbedo J G A. European Journal of Plant Pathology, 2017, 147(2) : 349.Barbedo J G A, Tibola C S, Fernandes Jose M C. Biosystems Engineering, 2015, 131: 65.Barbedo J G A. SpringerPlus, 2013, 2(1)： 660.Barbedo J G A, Plant Disease, 2014, 98(12) : 1709.Barbedo J G A, Tropical Plant Pathology, 2016, 41(4)： 1.Barbedo J G A. Biosystems Engineering, 2016, 147: 104.WU Lu-lu, MA Xu, QI Long, et al(吴露露，马 旭，齐 龙，等).Transactions of the Chinese Society of Agricultural Engineering(农 业工程学报).2014, 30(10)； 152.Arivazhagan S, Shebiah R N, Ananthi S, et al. Agricultural Engineering International: CIGR Journal, 2013, 15(1) : 211.Patil J K, Kumar R. Engineering in Agriculture Environment & Food, 2016, 10(2) : 69.Khaled A Y, Aziz S A, Bejo S K, et al. Applied Spectroscopy Reviews, 2018, 53(24)： 36.Al-Hiary H, Bani-Ahmad S, Reyalat M, et al. International Journal of Computer Applications, 2011, 17(1) : 31.Cao X, Luo Y, Zhou Y, et al. Crop Protection, 2013)45(3) : 124.Dhau I, Adam E, Mutanga O, et al. Transactions of the Royal Society of South Africa, 2018, 73(1) : 8.CHENG Fan, ZHAO Yan-ru, YU Ke-qiang, et al(程 帆，赵艳茹，余克强，等).Spectroscopy and Spectral AnalysisC光谱学与光谱分 析)，2017, 37(6)： 1861.Xie C, Shao Y, Li X, et al. Scientific Reports, 2015, 5 : 16564.WEN Shu-xian, LI Shao-wen, JIN Xiu, et al(温淑娴，李绍稳，金 秀，等).Computer Science(计算机科学)，2017, (S1) ： 226.Ashourloo D, Mobasheri M R, Huete A. Remote Sensing, 2014, 6(6) ： 4723.Yu K Q, Zhao Y R, Liu Z Y, et al. Food and Bioprocess Technology, 2014, 7(11) : 3077.Li J, Chen L, Huang W, et al. Postharvest Biology and Technology, 2016, 112 : 121,Mahlein A, Rumpf T, Welke P, et al. Remote Sensing of Environment, 2013, 128(1) : 21.Huang W, Guan Q, Luo J, et al. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2516.Abdulridha J, Ampatzidis Y, Ehsani R, et al. Computers and Electronics in Agriculture, 2018, 155 : 203.Li L, Zhang Q, Huang D. Sensors, 2014, 14(11) : 2007&Zhang C, Liu F, Feng X P, et al. Advances in Animal Biosciences, 2017, 8(2) : 264.Knauer U, Matros A, Petrovic T, et al. Plant Methods» 2017, 13(1) : 47.Ye S, Kangli W, Qiang L, et al. Sensors, 2018, 18(4): 1295ZHENG Zhi-xiong, QI Long, MA Xu, et al(郑志雄，齐 龙，马 旭，等).Transactions of the Chinese Society of Agricultural Engi­neering (农业工程学报)，2013, (19)： 13&HUANG Shuang-ping, QI Long, MA Xu, et al(黄双萍，齐 龙，马 旭，等).Transactions of the Chinese Society of Agricultural Engi- neering(农业工程学报)，2015, 31(1)； 212.Ashourloo D, Aghighi H, Matkan A A, et al. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(9)； 4344.第2期光谱学与光谱分析355Application of Spectral Imaging Technology for Detecting Crop Disease Information: A ReviewBAI Xue-bing, YU Jian-shu, FU Ze-tian, ZHANG Ling-xian, LI Xin-xing*Beijing Laboratory of Food Quality and Safety, College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, ChinaAbstract As one of the major factors hindering crops growth, crop diseases make more than 12% loss of crop yield annually・

Diseases not only directly reduce crop yields, but also seriously debase the quality of agricultural products, and even cause food

safety accidents. Spectral imaging technique is aninformation foraging approach that fuses image processing and spectroscopy. It

couldobtain image and spectral information of crop diseases simultaneously and describediseased spots feature intuitively. Spectral imaging technology improves the accuracy and efficiency of crop disease detection because of the advantage of union of

imagery and spectrum and has been a hotspot at present research. This paper reviews the related literatures in recent six years ?

and analyses the advantages and limitations of spectral imaging technology in crop disease detection and focuses on the third key

technology of spectral imaging in crop disease detection. The third key technology of spectral imaging in crop disease detection is emphasized： (1) Spectral image segmentation technology, focusing on the advantages and application scope analysis of four com­

mon segmentation algorithms； (2) spectral feature and spatial feature extraction technology, focusing on the accuracy compari­

son of spatial features, spectral features and their weighted combination of disease information expression； (3) detection model, focusing on the stability and prospects of spectral vegetation index and machine learning model in crop disease detection. Finally, this paper prospects the application prospect and research trend of spectral imaging technology in the field of crop disease detec­

tion, and provides a comprehensive and systematic reference for related research.Keywords Spectral imaging technology； Crop diseases detection； Spectral characteristic analysis； Pattern recognition(Received Jan. 10, 2019 ； accepted May 20, 2019)* Corresponding author