空谱联合实现马铃薯晚疫病识别

发布时间：2020-08-06 17:15

【摘要】：精细化农业是现代农业发展的目标和方向。在病害检测方面,精细化农业要求快速、精确的获得病害的数据信息,为病害的防治提供准确可靠的支持,从而实现对农作物生长过程中的精细化管理。马铃薯是世界上广泛种植的经济作物,晚疫病的大范围传播会导致其质量和产量底下,甚至会导致恶性饥荒事件的发生。病害的实时在线检测可有效的减少损失,传统的方法误判率大、效率低。探寻一种快速、准确的鉴别手段是人们关注的热点。高光谱成像技术的出现为病害的检测提供新的诊断方法,该技术“图谱合一”的特点解决了传统光谱波段数少、分辨率低、图谱分离等问题。鉴于此,论文基于高光谱成像技术对马铃薯晚疫病进行特征波段选取、分类与阈值分割等研究。首先,在可见-近红外波段范围内使用高光谱成像系统采集马铃薯晚疫病叶片256个波段的高光谱图像。由于高光谱在数据处理上存在数据冗余大、波段间的相关性大等不足,同时具有“图谱合一”的特点,论文有必要从空谱两个方面对病害的特征波段进行提取。光谱信息方面,求取去噪后光谱曲线的二阶导数,之后采用主成分分析进行优化压缩,最终二阶导数结合主成分分析提取病害叶片的特征波段为:672.73nm、691.86nm和710.99nm;空间信息方面,采用二次主成分分析求取病害叶片的特征波段为:624.91nm、663.16nm和684.69nm。然后,基于特征波段反射率和主成分图像的灰度值分别建立决策树、K-最近邻分类算法和BP人工神经网络模型对不同病害时期的马铃薯叶片进行分类识别。实验结果表明,建立的所有模型的识别率均超过80%,其中,与基于反射率建立的模型相比,基于主成分图像灰度值建立的模型的识别效果更优。二次主成分结合BP人工神经网络建立的模型对病害初期、中期和晚期的识别率最高,识别率分别为:94%、97.2%、98.1%。最后,考虑到田间病害严重度的精确分级识别,论文基于波段比图像和主成分图像对病害区域进行阈值分割。实验结果表明,基于主成分图像和波段比图像的阈值分割结果均能良好的识别病害区域,其中,基于主成分图像的阈值分割算法对边缘的分割效果稍差;基于波段比图像的阈值分割算法对部分叶柄的分割效果稍差。实验结果表明,高光谱成像技术可应用于马铃薯晚疫病病害的诊断,该技术是一种快速的、无损的诊断技术。从空谱两个方面对高光谱数据进行特征波段筛选和模型建立可为有效的探寻病害的最佳诊断手段,为病害的检测提供思路和方法。病害区域的阈值分割可应用于精细化农业的分级和防治。
【学位授予单位】：云南师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S435.32;TP391.41
【图文】：

技术路线图,实验方案设计,绪论,文献检索

技术路线图

成像原理,相机,光谱,高光谱图像

第二章高光谱成像系统及高光谱图像处理第二章高光谱成像系统及高光谱图像处理2.1 成像光谱仪原理像光谱仪上所成的像和目标本身在一条水平线上，经过分分和像素点在线阵上一一对应。因此，光谱相机采集的每两个维度，一个是线阵像素体现在空间轴上，另一个是光即：光谱元素中光的强度，如图 2.1 为原理图；图 2.2 为2.3 展示了光谱相机内部主要器件。

原理图,高光谱,基本的,光谱

2.1 成像光谱仪原理光谱仪上所成的像和目标本身在一条水平线上，经过和像素点在线阵上一一对应。因此，光谱相机采集的个维度，一个是线阵像素体现在空间轴上，另一个是：光谱元素中光的强度，如图 2.1 为原理图；图 2.2 展示了光谱相机内部主要器件。图 2.1 光谱相机成像原理图

【相似文献】