10.3964/j.issn.1000-0593(2019)06-1898-07
高光谱图像和叶绿素含量的水稻纹枯病早期检测识别
基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别.以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集 358~1 021 nm波段范围的高光谱图像,三次实验共 240 个样本,包括染病植株 120 个样本和健康植株 120 个样本.根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域(ROI),利用感兴趣区域的光谱数据,对其进行 Savitzky-Golay(SG)平滑、Savitzky-Golay(SG)一阶求导、Savitzky-Golay(SG)二阶求导、变量标准化(SNV)和多元散射校正(MSC)预处理,建立线性判别分析(LDA)和支持向量机(SVM)分类模型,结果表明:采用SG二阶求导预处理后的线性判别分析(LDA)模型取得了较好的性能,正确识别率在建模集达 98.3%,在预测集达95 %;利用载荷系数法(x-loading weights,x-LW)对原始光谱和 5 种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析(LDA)和支持向量机(SVM)分类模型,其中采用 SG二阶求导预处理后提取的 1 2 个特征波长的线性判别分析(LDA)模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达 95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机(SVM)分类模型,其中基于图像主成分分析的反向传播神经网络(BPNN)模型取得了较好的性能,建模集准确识别率达 90.6%,预测集的准确识别率达 83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络(BPNN)和线性判别分析(LDA)模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络(BPNN)建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达 100%,在预测集达 96.7%.以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法.
高光谱成像技术、光谱特征、图像特征、特征波长、叶绿素含量
39
S-24
中央高校基本科研业务费专项资金项目KYZ201560
2020-01-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
1898-1904