基于高光谱成像技术的茄子叶片色差值检测和早疫病识别方法研究

发布时间：2017-08-02 05:08

  本文关键词：基于高光谱成像技术的茄子叶片色差值检测和早疫病识别方法研究

  更多相关文章： 精细农业 茄子 高光谱成像 早疫病 特征波长 模型 灰度图 RGB/HSV/HLS图

【摘要】：精细农业是现代农业发展的新方向,随着科技的进步,现代农业也越来越追求信息化、自动化和可持续化,传统的农业技术和实验室分析方法已经不能满足现代农业的发展需求。研究作物病害无损检测技术并进一步开发病害实时检测和监测仪器已是目前我国乃至全世界农业领域亟需解决的问题。本研究以茄子作物为对象,利用可见／近红外和近红外高光谱成像技术分析茄子叶片感染早疫病后表面色差值的变化,充分挖掘图像中的有效信息,如反射率、灰度图纹理值、RGB/HSV/HLS图像纹理值和RGB/HSV/HLS图像颜色值,并结合不同的分类模型来识别健康和染病样本。为制定茄子实际大田生产作业处方提供了主要数据源和参数,并为茄子叶片病害实时检测和监测系统的开发提供了理论依据。本课题的主要研究成果和内容如下：(1)分别应用可见/近红外高光谱和近红外高光谱成像技术研究茄子叶片感染早疫病后表面色差值的变化。研究发现,健康样本L*的平均值大于染病样本L*的平均值,这是因为L*代表亮度值,当叶片感染早疫病后,病斑区域会变得暗淡,因此相应的值也会偏低；a*值越小,代表样本越绿,因此健康样本的a*值偏低。在可见/近红外高光谱波段范围内,L*参数的最优模型是LS-SVM,预测结果是R2p=0.660, RMSEP=1.166;a*参数最优模型也是LS-SVM,预测结果是Rp2=0.869, RMSEP=2.068;b*参数最优模型是CA-BPNN,预测结果是Rp2=0.903, RMSEP=2.172。在近红外高光谱波段范围内,L*参数最优模型是CA-BPNN,预测结果是rp2=0.618, RMSEP=2.404;a*参数的最优模型是Normalization-PLS,预测结果分别是Rp2=0.861,RMSEP=2.114;b*参数的最优模型是CARS-LS-SVM,预测结果是Rp2=0.795, RMSEP=3.190。(2)分别提取可见／近红外高光谱和近红外高光谱图像中感兴趣区域的反射率信息,并建立相应的病害识别模型。在可见／近红外波段范围内,基于全波段的分类模型的识别率都大于96.18%；基于CARS的分类模型的识别率介于66.24%和100%之间；基于RC的分类模型中,除了RC-SVM的识别率较低(训练集：56.05%,验证集：56.41%),其它模型的识别率均大于91.03%；基于CA的分类模型中,除了CA-SVM的识别率较低(训练集：55.41%,验证集：55.13%),其它模型的识别率均大于78.98%。在近红外波段范围内,全波段模型的分类结果均大于95.54%；基于CARS的分类模型的识别率介于93.59%和100%之间；RC推荐的分类模型中,识别率在88.46%和100%之间；基于CA的分类模型的识别率大于92.31%。总体上,所有模型中除了少数模型(可见/近红外区域内的RC-SVM和CA-SVM)的识别率较低之外,其它模型都取得了较高的识别率。(3)探讨了可见/近红外高光谱和近红外高光谱图像中灰度图的纹理特征值检测早疫病的方法。分别从可见/近红外和近红外高光谱图像选取回归系数法推荐的灰度图像,并基于概率统计滤波和二阶概率统计滤波从每幅灰度图中提取纹理特征值,建立不同的分类模型。在可见/近红外波段,除了SVM的识别率较低外(验证集：55.13%),其它模型的识别率介于83.33%和100%之间；在近红外波段,模型的识别率总体上低于可见/近红外波段内模型的识别率,除了SVM模型验证集的识别率是55.13%之外,其它模型的识别率均介于61.54%和100%之间。(4)研究高光谱RGB、HSV和HLS颜色空间图像中纹理特征值检测茄子叶片早疫病的方法。将样本的可见/近红外高光谱图像分别转化为RGB、HSV和HLS图像,然后基于概率统计滤波和二阶概率统计滤波提取不同颜色空间图像中的纹理特征值建立病害识别模型。RGB颜色空间中,SVM模型的识别率较低(验证集：55.13%),其它所有模型的识别率均大于92.31%；HSV颜色空间中,SVM和基于概率统计滤波的AdaBoost模型的识别率较低,其它模型的识别率均高于93.59%；HLS颜色空间中,SVM模型验证集的识别率为55.13%,其它模型的识别率均大于88.46%。(5)提出高光谱RGB、HSV和HLS图像中颜色信息识别茄子叶片早疫病的技术方法。分别将RGB、HSV和HLS图像中的颜色信息作为输入建立不同的识别模型,RGB颜色模型的识别率在92.99%和100%之间；HSV颜色模型的识别率介于85.99%和100%之间；HLS颜色模型的识别率在69.43%和100%之间。上述成果实现了高光谱图像中反射率值、灰度图纹理值、RGB/HSV/HLS图纹理值和RGB/HSV/HLS图颜色信息识别茄子叶片早疫病的研究,同时基于反射率值研究了茄子叶片感染早疫病后表面色差值(L*、a*和b*)的变化。为茄子早疫病的实时、在线和无损检测提供了技术支持,并为病害检测和监测仪器的开发奠定了理论基础,具有广阔的应用前景。
【关键词】：精细农业 茄子 高光谱成像 早疫病 特征波长 模型 灰度图 RGB/HSV/HLS图
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 致谢7-9
• 摘要9-12
• Abstract12-28
• 缩略词表28-29
• 第一章 绪论29-41
• 提要29
• 1.1 研究背景29-31
• 1.2 光谱和多光谱成像技术在作物病害检测中的研究进展31-33
• 1.3 高光谱成像技术33-39
• 1.3.1 高光谱成像技术的原理33-34
• 1.3.2 高光谱成像技术在作物病害检测中的研究进展34-37
• 1.3.3 高光谱成像技术在色差值(L~*、a~*和b~*)检测中的研究进展37-38
• 1.3.4 高光谱成像技术在作物病害检测中的问题和难点38-39
• 1.4 研究内容39-40
• 1.5 本章小结40-41
• 第二章 材料与方法41-67
• 提要41
• 2.1 试验材料41
• 2.2 高光谱图像采集系统41-46
• 2.2.1 硬件平台42-45
• 2.2.1.1 光谱仪42-43
• 2.2.1.2 光源43-44
• 2.2.1.3 CCD探测器44
• 2.2.1.4 其它辅助设备44-45
• 2.2.2 软件平台45-46
• 2.3 色差仪46-47
• 2.4 分析软件47-49
• 2.5 光谱数据预处理49-51
• 2.5.1 平滑49-50
• 2.5.2 归一化50
• 2.5.3 求导50
• 2.5.4 变量标准化50
• 2.5.5 多元散射校正50-51
• 2.5.6 去趋势51
• 2.6 特征波长提取方法51-52
• 2.6.1 竞争性自适应重加权算法51
• 2.6.2 回归系数法51-52
• 2.6.3 相关系数法52
• 2.7 纹理特征值52-55
• 2.7.1 基于概率统计滤波的纹理值53
• 2.7.2 基于二阶概率统计滤波的纹理值53-55
• 2.8 回归和分类方法55-65
• 2.8.1 主成分分析55
• 2.8.2 偏最小二乘55-56
• 2.8.3 最小二乘-支持向量机56-58
• 2.8.4 人工神经网络58-59
• 2.8.5 决策树59-60
• 2.8.6 朴素贝叶斯60-61
• 2.8.7 K最近邻61-62
• 2.8.8 AdaBoost62-63
• 2.8.9 支持向量机63-65
• 2.9 模型评价标准65-66
• 2.9.1 回归模型评价标准65-66
• 2.9.2 分类模型评价标准66
• 2.10 本章小结66-67
• 第三章 基于光谱反射率信息的茄子叶片色差值研究67-93
• 提要67
• 3.1 引言67
• 3.2 试验样本67-68
• 3.3 基于可见/近红外高光谱成像的早疫病胁迫下茄子叶片表面色差值研究68-80
• 3.3.1 可见/近红外高光谱图像采集与校正68-69
• 3.3.2 光谱反射率提取及曲线分析69-70
• 3.3.3 全波段的预测结果70-71
• 3.3.4 特征波长71-75
• 3.3.4.1 竞争性自适应重加权算法推荐的特征波长71-73
• 3.3.4.2 回归系数法推荐的特征波长73
• 3.3.4.3 相关系数法推荐的特征波长73-75
• 3.3.5 特征波长的预测结果75-80
• 3.3.5.1 竞争性自适应重加权算法的预测结果75-77
• 3.3.5.2 回归系数法的预测结果77-78
• 3.3.5.3 相关系数法的预测结果78-80
• 3.4 基于近红外高光谱成像的早疫病胁迫下茄子叶片表面色差值研究80-92
• 3.4.1 近红外高光谱图像采集与校正80-81
• 3.4.2 光谱反射率提取及曲线分析81-82
• 3.4.3 全波段的预测结果82-83
• 3.4.4 特征波长83-88
• 3.4.4.1 竞争性自适应重加权算法推荐的特征波长83-85
• 3.4.4.2 回归系数法推荐的特征波长85-86
• 3.4.4.3 相关系数法推荐的特征波长86-88
• 3.4.5 特征波长的预测结果88-92
• 3.4.5.1 竞争性自适应重加权算法的预测结果88-89
• 3.4.5.2 回归系数法的预测结果89-90
• 3.4.5.3 相关系数法的预测结果90-92
• 3.5 本章小结92-93
• 第四章 光谱反射率信息识别茄子叶片早疫病的研究93-109
• 提要93
• 4.1 引言93
• 4.2 试验样本93
• 4.3 可见/近红外高光谱成像技术识别茄子叶片早疫病93-100
• 4.3.1 可见/近红外高光谱图像采集与校正93-94
• 4.3.2 光谱反射率提取94
• 4.3.3 光谱反射率曲线分析94
• 4.3.4 样本的空间分布94-95
• 4.3.5 全波段定量识别模型的建立与比较95-96
• 4.3.6 特征波长96-98
• 4.3.6.1 竞争性自适应重加权算法推荐的特征波长96
• 4.3.6.2 回归系数法推荐的特征波长96-97
• 4.3.6.3 相关系数法推荐的特征波长97-98
• 4.3.7 特征波长定量识别模型的建立与比较98-100
• 4.3.7.1 竞争性自适应重加权算法的识别结果98-99
• 4.3.7.2 回归系数法的识别结果99-100
• 4.3.7.3 相关系数法的识别结果100
• 4.4 近红外高光谱成像技术识别茄子叶片早疫病100-107
• 4.4.1 近红外高光谱图像采集与校正100-101
• 4.4.2 光谱反射率提取101
• 4.4.3 光谱反射率曲线分析101-102
• 4.4.4 样本的空间分布102
• 4.4.5 全波段定量识别模型的建立与比较102-103
• 4.4.6 特征波长103-105
• 4.4.6.1 竞争性自适应重加权算法推荐的特征波长103
• 4.4.6.2 回归系数法推荐的特征波长103-104
• 4.4.6.3 相关系数法推荐的特征波长104-105
• 4.4.7 特征波长定量识别模型的建立与比较105-107
• 4.4.7.1 竞争性自适应重加权算法的识别结果105-106
• 4.4.7.2 回归系数法的识别结果106-107
• 4.4.7.3 相关系数法的识别结果107
• 4.5 本章小结107-109
• 第五章 灰度图像纹理特征值识别茄子叶片早疫病的研究109-119
• 提要109
• 5.1 引言109
• 5.2 可见/近红外波段范围内灰度图纹理特征值检测茄子叶片早疫病109-113
• 5.2.1 特征波长下灰度图像109-110
• 5.2.2 基于概率统计滤波的纹理特征值110-111
• 5.2.2.1 纹理特征图像110
• 5.2.2.2 样本的空间分布110-111
• 5.2.2.3 样本的定量识别111
• 5.2.3 基于二阶概率统计滤波的纹理特征值111-113
• 5.2.3.1 纹理特征图像111-112
• 5.2.3.2 样本的空间分布112
• 5.2.3.3 样本的定量识别112-113
• 5.3 近红外波段范围内灰度图纹理特征值检测茄子叶片早疫病113-117
• 5.3.1 特征波长下灰度图像113-114
• 5.3.2 基于概率统计滤波的纹理特征值114-115
• 5.3.2.1 纹理特征图像114
• 5.3.2.2 样本的空间分布114-115
• 5.3.2.3 样本的定量识别115
• 5.3.3 基于二阶概率统计滤波的纹理特征值115-117
• 5.3.3.1 纹理特征图像115-116
• 5.3.3.2 样本的空间分布116
• 5.3.3.3 样本的定量识别116-117
• 5.4 本章小结117-119
• 第六章 RGB、HSV和HLS图像纹理特征值识别茄子叶片早疫病的研究119-135
• 提要119
• 6.1 引言119
• 6.2 RGB、HSV和HLS颜色空间转换119-120
• 6.3 RGB图像纹理特征值识别茄子叶片早疫病120-125
• 6.3.1 RGB颜色空间图像120-121
• 6.3.2 基于概率统计滤波的纹理特征值121-123
• 6.3.2.1 纹理特征图像121-122
• 6.3.2.2 样本的空间分布122
• 6.3.2.3 样本的定量识别122-123
• 6.3.3 基于二阶概率统计滤波的纹理特征值123-125
• 6.3.3.1 纹理特征图像123
• 6.3.3.2 样本的空间分布123-124
• 6.3.3.3 样本的定量识别124-125
• 6.4 HSV图像纹理特征值识别茄子叶片早疫病125-129
• 6.4.1 HSV颜色空间图像125
• 6.4.2 基于概率统计滤波的纹理特征值125-127
• 6.4.2.1 纹理特征图像125-126
• 6.4.2.2 样本的空间分布126-127
• 6.4.2.3 样本的定量识别127
• 6.4.3 基于二阶概率统计滤波的纹理特征值127-129
• 6.4.3.1 纹理特征图像127-128
• 6.4.3.2 样本的空间分布128
• 6.4.3.3 样本的定量识别128-129
• 6.5 HLS图像纹理特征值识别茄子叶片早疫病129-134
• 6.5.1 HLS颜色空间图像129-130
• 6.5.2 基于概率统计滤波的纹理特征值130-132
• 6.5.2.1 纹理特征图像130
• 6.5.2.2 样本的空间分布130-131
• 6.5.2.3 样本的定量识别131-132
• 6.5.3 基于二阶概率统计滤波的纹理特征值132-134
• 6.5.3.1 纹理特征图像132
• 6.5.3.2 样本的空间分布132-133
• 6.5.3.3 样本的定量识别133-134
• 6.6 本章小结134-135
• 第七章 RGB、HSV和HLS图像颜色信息识别茄子叶片早疫病的研究135-140
• 提要135
• 7.1 引言135
• 7.2 RGB颜色空间135-136
• 7.2.1 样本的空间分布135-136
• 7.2.2 样本的定量识别136
• 7.3 HSV颜色空间136-137
• 7.3.1 样本的空间分布136-137
• 7.3.2 样本的定量识别137
• 7.4 HLS颜色空间137-139
• 7.4.1 样本的空间分布137-138
• 7.4.2 样本的定量识别138-139
• 7.5 本章小结139-140
• 第八章 结论与展望140-144
• 8.1 主要结论140-143
• 8.2 主要创新点143
• 8.3 研究展望143-144
• 参考文献144-149
• 附录149-155
• 作者简介155-158

【共引文献】

中国期刊全文数据库 前10条

1 张东彦;张竞成;朱大洲;王纪华;罗菊花;赵晋陵;黄文江;;小麦叶片胁迫状态下的高光谱图像特征分析研究[J];光谱学与光谱分析;2011年04期

2 丁永军;李民赞;郑立华;赵瑞娇;李修华;安登奎;;基于近红外光谱小波变换的温室番茄叶绿素含量预测[J];光谱学与光谱分析;2011年11期

3 王海建;洪添胜;代芬;欧阳玉平;罗瑜清;倪慧娜;;基于高光谱图像技术的沙梨无损检测[J];广东农业科学;2013年09期

4 谢传奇;王佳悦;冯雷;刘飞;吴迪;何勇;;应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究[J];光谱学与光谱分析;2013年06期

5 虞佳佳;何勇;;基于高光谱成像技术的番茄叶片灰霉病早期检测研究[J];光谱学与光谱分析;2013年08期

6 马m，

本文编号：607721