基于光谱与光谱成像技术的油菜病害检测机理与方法研究

发布时间：2018-01-19 15:03

  本文关键词： 油莱菌核病 叶片和茎秆 光谱和光谱成像技术 特征波长(数)选择 回归分析模型 判别分析模型 植被指数 叶绿素荧光参数　出处：《浙江大学》2016年博士论文　论文类型：学位论文

【摘要】：在本研究中用于油菜菌核病检测。本研究主要采用高光谱成像技术(hyperspectral imaging)、叶绿素荧光成像技术(chlorophyll fluorescence imaging)、激光诱导激发光谱(laser induced breakdown spectroscopy,LIBS)、中红外光谱技术(mid-infrared spectroscopy, MIR)和激光共聚焦显微拉曼光谱成像技术(laser confocal micro-Raman imaging)对油菜菌核病进行检测。主要研究结论如下：(1)采用高光谱成像技术,对油菜叶片和茎秆菌核病检测进行了研究。分别采用平均光谱、像素点光谱以及对应的植被指数结合判别分析模型对油菜叶片和茎秆菌核病和菌核病早期进行了检测。研究发现光谱预处理方法对判别分析模型判别结果并不显著,而判别分析模型的选择对油菜菌核病检测效果更为明显。以紧邻病斑区域模拟病害侵染早期,发现高光谱成像技术结合判别分析模型可用于油菜叶片和茎秆菌核病早期检测。发现2nd spectra和PCA loadings在不同样本集中选择的特征波长具有较好的可重复性。整体而言,在不同的数据集所有的判别分析模型中,ELM、RBFNN、SVM和RF模型判别效果较好。基于高光谱成像的油菜叶片色素和可溶性蛋白含量检测,不同样本集中特征波长选择存在差异,且基于全谱和基于特征波长的判别分析模型中,PLSR和ELM模型整体预测效果较优。(2)采用叶绿素荧光成像技术,对油菜健康和染病叶片和茎秆进行了检测研究。对染病叶片和染病茎秆中15个不同叶绿素荧光参数的分布发现,染病叶片和茎秆健康及病斑区域的叶绿素荧光参数具有较大差异,叶片和茎秆紧邻病斑区域的叶绿素荧光参数与其余两个区域存在差异,但茎秆差异较小。基于相关分析、ANOVA和LDA分析,选择了特征荧光参数,基于特征荧光参数的判别分析模型结果表明叶绿素荧光参数统计分析对油菜叶片和茎秆菌核病检测是可行的。整体而言,SVM、KNN、NBC以及RF模型在不同的样本集中整体判别效果较优。(3)采用LIBS光谱技术,对油菜健康和染病叶片进行了检测研究。发现不同样本集中基于油菜鲜叶的LIBS光谱噪声明显,WT去噪可有效去除噪声。稳健基线校正(robust baseline estimation, RBE)法可有效的对LIBS光谱进行基线校正。分别基于2nd spectra、 PCA loadings和Bw选择了与原始谱峰对应的特征谱峰,基于LIBS光谱全谱和特征谱峰的判别分析模型判别结果,发现可采用直接采用谱峰代替全谱分析。整体而言,ELM,RBFNN和RF模型的整体判别效果较好。(4)采用中红外光谱技术,对油菜健康和染病叶片进行了检测研究。WT去噪后的光谱,在不同的特征波数选择方法中,2nd spectra和PCA loadings选择的特征波长在不同的样本集中具有可重复性,即2nd spectra和PCA loadings可用于实际应用中选择特征波长。不同样本集基于全谱和特征波数的判别分析模型中,整体而言,PLS-DA、RBFNN、ELM、SVM以及RF模型的整体判别效果较好。(5)采用激光共聚焦显微拉曼光谱成像技术,对油菜染病叶片健康、紧邻病斑区域和病斑区域表面的拉曼光谱进行了研究。健康区域、紧邻病斑区域和病斑区域的拉曼光谱的荧光背景强度存在差异。基于baselineWavelet基线校正方法对拉曼光谱背景进行了有效的去除。基于全谱和拉曼光谱谱峰的判别分析模型中,整体而言,ELM、RBFNN、RF、SIMCA、SVM和KNN模型的判别效果整体较优。提出了基于拉曼光谱斜率的油菜叶片菌核病检测思路,发现健康区域、紧邻病斑区域和病斑区域的拉曼光谱斜率分别集中在不同的范围内,存在较大的差异。
[Abstract]:The results were as follows : ( 1 ) High spectral imaging technique was used to detect the sclerotium of rape leaf and stem . ( 3 ) By using LIBS spectrum technique , it has been found that different sample sets are based on LIBS spectrum noise and WT de - noising can effectively remove noise .

【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：O433;TP391.41;S435.654
，

本文编号：1444672