基于光譜和多源波譜成像技術(shù)的植物灰霉病快速識(shí)別的方法研究.pdf

1、植物病害不僅導(dǎo)致農(nóng)作物減產(chǎn)和品質(zhì)下降，甚至絕產(chǎn)，而且還會(huì)導(dǎo)致殺菌劑等農(nóng)藥不必要地增加，從而增加了農(nóng)業(yè)生產(chǎn)成本并且造成嚴(yán)重的環(huán)境問題，植物病害是制約高產(chǎn)、優(yōu)質(zhì)、高效益農(nóng)業(yè)持續(xù)發(fā)展的重要因素之一，因此對(duì)植物病害監(jiān)測(cè)顯得尤為重要，它為及時(shí)掌握病害的發(fā)生情況、制定防治策略和指導(dǎo)防治提供了依據(jù)。本文以茄子和番茄等茄科蔬菜為研究對(duì)象，應(yīng)用高光譜成像檢測(cè)技術(shù)將茄科蔬菜葉片的外觀信息和內(nèi)部化學(xué)信息數(shù)字化，結(jié)合圖像處理技術(shù)、數(shù)據(jù)挖掘技術(shù)和植物病理學(xué)知識(shí)等

2、建立相關(guān)的數(shù)學(xué)模型。主要研究結(jié)論如下：
　　 (1)應(yīng)用高光譜成像技術(shù)對(duì)茄子葉片的灰霉病進(jìn)行早期檢測(cè)研究。介紹了茄子葉片樣本制備過程以及高光譜圖像信息采集方法，研究利用主成分分析(PCA)對(duì)高光譜圖像進(jìn)行降維，選取3個(gè)特征波長(zhǎng)分別為554.05nm、684.49nm和763.63nm，并分別提取3個(gè)特征波長(zhǎng)下的8個(gè)基于灰度共生矩陣的紋理特征參數(shù)，再應(yīng)用連續(xù)投影算法(SPA)優(yōu)選13個(gè)特征變量從而分別建立偏最小二乘法(PLS)、反

3、向傳播人工神經(jīng)網(wǎng)絡(luò)(BPANN)和最小二乘支持向量機(jī)(LS-SVM)模型。結(jié)果表明，LS-SVM模型的預(yù)測(cè)效果最佳，無論閾值設(shè)定為±0.5、±0.2或±0.1，預(yù)測(cè)的準(zhǔn)確率都達(dá)到97.5％。
　　 (2)應(yīng)用高光譜成像技術(shù)對(duì)番茄葉片的灰霉病進(jìn)行早期檢測(cè)研究。研究了原始光譜(Raw)和5種光譜預(yù)處理方法，并應(yīng)用連續(xù)投影算法(SPA)分別提取番茄葉片高光譜圖像中的光譜特征和圖像特征，進(jìn)而分別建立基于光譜信息、圖像信息以及基于光譜信息

4、和圖像信息的PLS、BPANN和LS-SVM模型。結(jié)果表明，當(dāng)閾值設(shè)定為±0.5時(shí)，PLS、BPANN和LS-SVM三種建模方法對(duì)番茄葉片灰霉病的早期預(yù)測(cè)都取得了滿意結(jié)果，但隨著精度要求的提高即閾值絕對(duì)值逐漸減小，只有基于光譜信息和圖像信息的三種建模方法對(duì)番茄葉片灰霉病的早期預(yù)測(cè)都取得了較為理想的效果，這充分反映了高光譜圖像能夠全面地檢測(cè)番茄葉片的內(nèi)外部信息。無論閾值設(shè)定為±0.5、±0.2或±0.1，LS-SVM模型的預(yù)測(cè)效果都是最佳

5、的，預(yù)測(cè)的準(zhǔn)確率都達(dá)到100％。
　　 (3)應(yīng)用高光譜成像技術(shù)實(shí)現(xiàn)茄子葉片化學(xué)防御酶指標(biāo)的測(cè)定。為了充分利用高光譜的信息建立更加可靠準(zhǔn)確的模型，系統(tǒng)應(yīng)用SPA分別提取了茄子葉片高光譜圖像中的光譜特征和圖像特征，從而建立PLS、BPANN和LS-SVM模型。結(jié)果表明，BPANN能夠很好地預(yù)測(cè)茄子葉片中的超氧化物歧化酶(SOD)活性，預(yù)測(cè)相關(guān)系數(shù)Rp=0.8468；LS-SVM能夠很好地預(yù)測(cè)過氧化物酶(POD)活性，預(yù)測(cè)相關(guān)系數(shù)R