基于高光譜成像技術(shù)的茄子葉片色差值檢測(cè)和早疫病識(shí)別方法研究.pdf

1、精細(xì)農(nóng)業(yè)是現(xiàn)代農(nóng)業(yè)發(fā)展的新方向，隨著科技的進(jìn)步，現(xiàn)代農(nóng)業(yè)也越來越追求信息化、自動(dòng)化和可持續(xù)化，傳統(tǒng)的農(nóng)業(yè)技術(shù)和實(shí)驗(yàn)室分析方法已經(jīng)不能滿足現(xiàn)代農(nóng)業(yè)的發(fā)展需求。研究作物病害無損檢測(cè)技術(shù)并進(jìn)一步開發(fā)病害實(shí)時(shí)檢測(cè)和監(jiān)測(cè)儀器已是目前我國(guó)乃至全世界農(nóng)業(yè)領(lǐng)域亟需解決的問題。本研究以茄子作物為對(duì)象，利用可見/近紅外和近紅外高光譜成像技術(shù)分析茄子葉片感染早疫病后表面色差值的變化，充分挖掘圖像中的有效信息，如反射率、灰度圖紋理值、RGB/HSV/HLS圖像

2、紋理值和RGB/HSV/HLS圖像顏色值，并結(jié)合不同的分類模型來識(shí)別健康和染病樣本。為制定茄子實(shí)際大田生產(chǎn)作業(yè)處方提供了主要數(shù)據(jù)源和參數(shù)，并為茄子葉片病害實(shí)時(shí)檢測(cè)和監(jiān)測(cè)系統(tǒng)的開發(fā)提供了理論依據(jù)。本課題的主要研究成果和內(nèi)容如下：
　　(1)分別應(yīng)用可見/近紅外高光譜和近紅外高光譜成像技術(shù)研究茄子葉片感染早疫病后表面色差值的變化。
　　研究發(fā)現(xiàn)，健康樣本L*的平均值大于染病樣本L*的平均值，這是因?yàn)長(zhǎng)*代表亮度值，當(dāng)葉片感染早疫

3、病后，病斑區(qū)域會(huì)變得暗淡，因此相應(yīng)的值也會(huì)偏低;a*值越小，代表樣本越綠，因此健康樣本的a*值偏低。在可見/近紅外高光譜波段范圍內(nèi)，L*參數(shù)的最優(yōu)模型是LS-SVM，預(yù)測(cè)結(jié)果是R2p=0.660，RMSEP=l.766;a*參數(shù)最優(yōu)模型也是LS-SVM，預(yù)測(cè)結(jié)果是R2p=0.869，RMSEP=2.068;b*參數(shù)最優(yōu)模型是CA-BPNN，預(yù)測(cè)結(jié)果是R2p=0.903，RMSEP=2.172。在近紅外高光譜波段范圍內(nèi)，L*參數(shù)最優(yōu)模型是

4、CA-BPNN，預(yù)測(cè)結(jié)果是R2p=0.618，RMSEP=2.404;a*參數(shù)的最優(yōu)模型是Normalization-PLS，預(yù)測(cè)結(jié)果分別是R2p=0.861，RMSEP=2.114;b*參數(shù)的最優(yōu)模型是CARS-LS-SVM，預(yù)測(cè)結(jié)果是R2p=0.795，RMSEP=3.190。
　　(2)分別提取可見/近紅外高光譜和近紅外高光譜圖像中感興趣區(qū)域的反射率信息，并建立相應(yīng)的病害識(shí)別模型。
　　在可見/近紅外波段范圍內(nèi)，基于全

5、波段的分類模型的識(shí)別率都大于96.18％;基于CARS的分類模型的識(shí)別率介于66.24％和100％之間;基于RC的分類模型中，除了RC-SVM的識(shí)別率較低（訓(xùn)練集:56.05％，驗(yàn)證集:56.41％），其它模型的識(shí)別率均大于91.03％;基于CA的分類模型中，除了CA-SVM的識(shí)別率較低（訓(xùn)練集:55.41％，驗(yàn)證集:55.13％），其它模型的識(shí)別率均大于78.98％。在近紅外波段范圍內(nèi)，全波段模型的分類結(jié)果均大于95.54％;基于CA

6、RS的分類模型的識(shí)別率介于93.59％和100％之間;RC推薦的分類模型中，識(shí)別率在88.46％和100％之間;基于CA的分類模型的識(shí)別率大于92.31％?？傮w上，所有模型中除了少數(shù)模型(可見/近紅外區(qū)域內(nèi)的RC-SVM和CA-SVM)的識(shí)別率較低之外，其它模型都取得了較高的識(shí)別率。
　　(3)探討了可見/近紅外高光譜和近紅外高光譜圖像中灰度圖的紋理特征值檢測(cè)早疫病的方法。
　　分別從可見/近紅外和近紅外高光譜圖像選取回歸系

7、數(shù)法推薦的灰度圖像，并基于概率統(tǒng)計(jì)濾波和二階概率統(tǒng)計(jì)濾波從每幅灰度圖中提取紋理特征值，建立不同的分類模型。在可見/近紅外波段，除了SVM的識(shí)別率較低外（驗(yàn)證集:55.13％），其它模型的識(shí)別率介于83.33％和100％之間;在近紅外波段，模型的識(shí)別率總體上低于可見/近紅外波段內(nèi)模型的識(shí)別率，除了SVM模型驗(yàn)證集的識(shí)別率是55.13％之外，其它模型的識(shí)別率均介于61.54％和100％之間。
　　(4)研究高光譜RGB、 HSV和HL

8、S顏色空間圖像中紋理特征值檢測(cè)茄子葉片早疫病的方法。
　　將樣本的可見/近紅外高光譜圖像分別轉(zhuǎn)化為RGB、HSV和HLS圖像，然后基于概率統(tǒng)計(jì)濾波和二階概率統(tǒng)計(jì)濾波提取不同顏色空間圖像中的紋理特征值建立病害識(shí)別模型。RGB顏色空間中，SVM模型的識(shí)別率較低（驗(yàn)證集:55.13％），其它所有模型的識(shí)別率均大于92.31％; HSV顏色空間中，SVM和基于概率統(tǒng)計(jì)濾波的 AdaBoost模型的識(shí)別率較低，其它模型的識(shí)別率均高于93.5

9、9％; HLS顏色空間中，SVM模型驗(yàn)證集的識(shí)別率為55.13％，其它模型的識(shí)別率均大于88.46％。
　　(5)提出高光譜RGB、HSV和HLS圖像中顏色信息識(shí)別茄子葉片早疫病的技術(shù)方法。
　　分別將RGB、HSV和HLS圖像中的顏色信息作為輸入建立不同的識(shí)別模型，RGB顏色模型的識(shí)別率在92.99％和100％之間;HSV顏色模型的識(shí)別率介于85.99％和100％之間;HLS顏色模型的識(shí)別率在69.43％和100％之間。<