基于高光谱成像技术的大豆花叶病早期检测与分级方法研究

发布时间：2020-08-11 16:06

【摘要】：大豆作为一种有着悠久种植历史的农作物,不仅含有丰富的营养物质,还具有抵抗胆固醇的功效。目前,由于轮作周期不断减少,病虫害预防不及时致使大豆产量降低。其中大豆花叶病(SMV)在我国乃至全球大豆种植区均有出现,严重影响大豆产量。因此,大豆花叶病的病情诊断监测显得尤为重要。当前大豆病害检测的研究主要集中在大豆发病中后期,为了实现对大豆花叶病的及时预防,本文基于高光谱成像技术,对大豆花叶病早期检测以及严重程度分级方法进行研究。主要研究内容如下所述:(1)为减轻花叶病对大豆产量的影响,实现对大豆花叶病害早期诊断预警,提出了一种基于SPA2-ELM的大豆花叶病早期检测方法。对接种SC3,SC7大豆花叶病毒七天后的大豆叶片以及正常叶片进行高光谱图像采集,分别采用SG平滑处理和分段多元散射校正对光谱数据进行预处理。采用连续投影算法(SPA)选取9个特征波长SPA1(405、461、522、552、626.6、705、743.4、855、947nm)。为了进一步地减少计算量,再次对其进行SPA处理得到4个最佳特征波长SPA2(461、552、705、855nm),分别采用人工神经网络(ANN)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)模型建立基于全光谱数据和特征波长提取的大豆花叶病早期诊断模型。实验表明,采用SG平滑处理后的模型效果优于采用分段多元散射校正预处理的模型,采用SPA2-ELM模型在去除数据冗余的前提下保持了良好的精度。模型训练集精度达到89.59%,测试集精度达到87.5%。(2)为进一步提高大豆花叶病早期诊断模型的精度,提出了一种基于CNN模型的大豆花叶病早期检测方法。其中模型的卷积层为两层,卷积层中加入ReLu非线性激活函数,池化层中使用Max pooling池化函数。对比采用极限学习机、最小二乘支持向量机模型,无论是不同种类大豆样本集的识别率,还是总体数据集的识别率,CNN模型的识别率都比LSSVM和ELM的高,其模型训练集识别率为94.79%,测试集识别率达到92.08%。(3)为了更好的实现对大豆花叶病的生长监测,提出了一种基于CNN-SVM模型大豆花叶病分级检测方法。将正常生长以及不同患病程度的大豆叶片分为0级、1级、2级,将卷积神经网络模型的全连接层接入支持向量机,从而解决小样本带来的误差,对比单独采用卷积神经网络模型,检测结果更为准确。其中训练集准确率达到96.67%,测试集准确率达到94.17%。证明了用卷积神经网络与支持向量机相结合对大豆花叶病分级检测的可行性,并为基于高光谱图像的大豆花叶病害检测提供了一种新的方向。
【学位授予单位】：浙江理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18;S435.651
【图文】：

示意图,高光谱图像,大豆,成像技术

江理工大学硕士学位论文基于高光谱成像技术的大豆花叶病早期检测与分级方法研究第 2 章基本理论介绍.1 高光谱成像技术.1.1 高光谱成像技术应用高光谱成像技术与传统多光谱技术相比，高光谱成像技术不仅丰富了研究对象的光谱息，也为光谱数据进行更为快速、有效的分析提供了可能。高光谱成像技术作为一种综性技术，是一种能够将成像技术和光谱技术相结合的多维信息获取技术[48]。采集的大豆本高光谱图像如图 2.1 所示，包括空间维度的大豆叶片图像，光谱维度下各个波段的大光谱信息。其中实现高光谱成像技术应用的具体操作流程，如图 2.2 所示。

流程图,高光谱,系统软件,流程

高光谱图像如图 2.1 所示，包括空间维度的大豆叶片图像，光谱维度下各个波段的大谱信息。其中实现高光谱成像技术应用的具体操作流程，如图 2.2 所示。图 2.1 大豆高光谱图像示意图

高光谱图像,高光谱图像,采集系统

江理工大学硕士学位论文基于高光谱成像技术的大豆花叶病早期检测与分级方法研究.2 高光谱图像采集系统实验采用的高光谱图像采集系统型号为 Image-λ-V10E-PS，如图 2.3。该系统主要组成分为：成像光谱仪、CCD 相机、四个 150w 的卤素灯、电控平移台、平移控制器以及一计算机组成。其中光谱仪采集的光谱范围为 383.70-1032.70nm，分辨率为 2.73nm，光谱样间隔 0.63nm，光谱波段个数为 256。按组将大豆样本置于平移台，整个实验采集过程暗箱中完成，避免环境中杂散光带来的影响。

【相似文献】