基于高光谱图像的龙眼叶片叶绿素含量分布模型

摘要：

针对传统高光谱单点法检测叶绿素含量效率低、精度不足等问题,提出一种基于高光谱图像和卷积神经网络(CNN)多特征融合的深度学习龙眼叶片叶绿素含量分布预测模型.首先进行Savitzky-Golay光谱去噪,然后通过奇异值分解(SVD)和独立成分分析(ICA)提取特征光谱,再对特征光谱图像提取灰度共生矩阵(GLCM)和CNN纹理特征,最后建立粒子群优化(PSO)支持向量回归(SVR)、深度神经网络(DNNs)分布模型.结果表明,基于特征光谱建模的PSO-SVR预测效果最佳,全期的校正集和验证集模型决定系数R2为0.822 0和0.815 2.对比多种主流模型,基于特征光谱、GLCM纹理、CNN纹理特征的ICA-DNNs模型预测精度最高,校正集和验证集R2分别为0.835 8和0.821 0.试验结果表明,高光谱图像可快速无损地对龙眼叶片叶绿素含量分布进行检测,可为龙眼树实时营养监测和病害早期防治提供理论依据.

关键词：龙眼叶片、叶绿素、深度学习、高光谱图像、支持向量回归

所属期刊栏目：49

分类号：S123;S667.2(农业物理学)

资助基金：国家自然科学基金项目30871450;广东省科技计划项目2015A020224036、2014A020208109;广东省水利科技创新项目2016-18;广州市科技计划项目201803020022

在线出版日期：2018-09-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：18-25