基于图像和光谱解析的小麦病害识别研究

发布时间：2017-10-23 21:28

  本文关键词：基于图像和光谱解析的小麦病害识别研究

  更多相关文章： 图谱协同 支持向量机 CART决策树模型 白粉病 条锈病

【摘要】：农作物病害一直是农业生产的天敌,制约着粮食的增产。如何科学诊断农作物病害严重度、准确区分不同病害,是遥感技术农业应用的重要方向之一。成像高光谱遥感具有“图谱合一”的数据优势,在作物病害遥感诊断机理及促进农业遥感技术发展方面具有重要作用。本论文以小麦白粉病和条锈病为研究对象,在叶片和冠层尺度上识别病害以及建立相应的区分模型,目的是为早期病害识别提供参考,为便携式病害诊断仪器开发提供技术支持。已取得的主要研究结果如下：1)利用3 nm的成像高光谱数据,研究小麦病害叶片的图谱特征。以条锈病为例,得出概率分析中3×3窗口下的数据范围纹理滤波和二阶概率分析中3×3窗口下的相异性纹理滤波结果最好,细节特征最为明显,能够最好地反映染病区域的结构特征,便于后续对条锈病和白粉病的图像进行特征解析。选取健康叶片像元、轻度条锈病斑像元、重度条锈病病斑像元,轻度白粉病斑像元、重度白粉病斑像元各110个构建特征空间：求取10个近红外波段(706.2～712.1 nm)的光谱反射率的平均值,作为Y轴；求取10个红光波段(675.1～681.1 nm)的光谱反射率的平均值,作为X轴。用以对健康像元和轻度病害像元、健康像元和重度病害像元进行区分,研究结果显示,较好地实现了病害严重度区分,但健康像元和轻度像元有一定的重合。2)在叶片尺度上,利用主成分分析法对高光谱影像数据进行降维,通过密度分割法对病害面积进行分割；分析侵染白粉病和条锈病的叶片病斑区域的光谱特征差异,选择第二主成分图像筛选两种病害的敏感波段,得到识别白粉病的敏感波段为519 nm,643 nm,696 nm,764 nm,795 nm和813 nm,条锈病的敏感波段为494 nm,630 nm,637 nm,698 nm,755 nm和805 nm。最后以12个敏感波段对训练集的100个白粉病像元和100个条锈病像元样本建立支持向量机(SVM)判别模型,用预测集的50个样本进行判别验证,两种病害的区分精度达到92%。在叶片尺度较好实现了两种病害的区分,为病害识别仪器的开发提供了重要的数据支持。3)在冠层尺度上,利用高光谱成像光谱仪SOC710-VP检测田间不同背景地物对小麦白粉病诊断的影响。通过对比健康叶片、阴影叶片、染病叶片、麦穗的光谱响应曲线,筛选得出23个病害敏感波段来区分不同背景地物。基于敏感波段计算得出5个植被指数(VIs)和3个红边参数；提取出40种判别特征确定不同背景地物和病害严重度。基于提取的判别特征,利用CART决策树模型建立白粉病不同严重度识别模型,识别精度通过交叉验证进行评估。研究发现阴影部分的识别精度为100%,健康、病害叶片的判别精度为98.4%,麦穗仅有80.8%的判别精度。关注了健康、轻度和中度染病叶片的光谱识别,研究发现健康叶片有99.2%的判别精度；中度染病有88.8%的判别精度；轻度染病仅有87.9%的判别精度。因此,近地遥感监测白粉病时,麦穗是对病害识别影响较大的一个背景因素,同时,轻度染病遥感评估需要进一步研究。
【关键词】：图谱协同 支持向量机 CART决策树模型 白粉病 条锈病
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• Abstract5-9
• 第一章 绪论9-15
• 1.1 研究背景及意义9-10
• 1.2 小麦病害遥感监测研究进展10-12
• 1.2.1 国内外研究现状10-11
• 1.2.2 目前研究存在的不足11-12
• 1.3 研究内容与技术路线12-13
• 1.4 论文的组织结构13-15
• 第二章 试验方案与数据获取15-20
• 2.1 研究区域概况15-16
• 2.2 数据获取16-19
• 2.2.1 叶片尺度成像光谱数据16-17
• 2.2.2 冠层尺度成像光谱数据17-19
• 2.3 病害严重度调查19
• 2.4 本章小结19-20
• 第三章 小麦白粉病和条锈病图谱特征解析20-35
• 3.1 病害叶片图像的纹理特征分析20-26
• 3.1.1 基于概率统计的滤波分析20-23
• 3.1.2 基于二阶概率统计的滤波分析23-26
• 3.2 正常叶片和病害叶片图像基本统计信息对比26-29
• 3.3 病害叶片图像的光谱特征分析29-33
• 3.4 本章小结33-35
• 第四章 叶片尺度下小麦白粉病与条锈病的判别研究35-44
• 4.1 引言35-36
• 4.2 数据分析及处理36-40
• 4.2.1 高光谱图像的主成分分析37-39
• 4.2.2 图像分割39
• 4.2.3 光谱标准化处理39-40
• 4.3 结果与讨论40-43
• 4.3.1 图像分割结果40
• 4.3.2 病斑光谱特征分析40-41
• 4.3.3 特征波段的提取41-42
• 4.3.4 PCA-SVM判别模型的建立42-43
• 4.4 本章小结43-44
• 第五章 冠层尺度下多因子影响的小麦白粉病诊断44-56
• 5.1 引言44-45
• 5.2 数据采集与处理45-48
• 5.3 实验结果48-53
• 5.3.1 不同背景地物的光谱响应48-50
• 5.3.2 病害识别特征50-51
• 5.3.3 病害识别模型构建51-53
• 5.4 分析与讨论53-55
• 5.4.1 多个背景地物对小麦白粉病害诊断影响53-54
• 5.4.2 敏感波段选择与病害识别特征分析54
• 5.4.3 不同病害严重度识别对喷药防治的影响54-55
• 5.5 本章小结55-56
• 第六章 总结与展望56-58
• 6.1 总结56
• 6.2 展望56-58
• 参考文献58-65
• 致谢65-66
• 攻读硕士学位期间研究成果66-67
• 附录167-70
• 附录270-71

，

本文编号：1085466