基于高光譜成像技術的茄子葉片色差值檢測和早疫病識別方法研究.pdf

1、精細農(nóng)業(yè)是現(xiàn)代農(nóng)業(yè)發(fā)展的新方向，隨著科技的進步，現(xiàn)代農(nóng)業(yè)也越來越追求信息化、自動化和可持續(xù)化，傳統(tǒng)的農(nóng)業(yè)技術和實驗室分析方法已經(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技術并進一步開發(fā)病害實時檢測和監(jiān)測儀器已是目前我國乃至全世界農(nóng)業(yè)領域亟需解決的問題。本研究以茄子作物為對象，利用可見/近紅外和近紅外高光譜成像技術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別健康和染病樣本。為制定茄子實際大田生產(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時檢測和監(jiān)測系統(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)分別應用可見/近紅外高光譜和近紅外高光譜成像技術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，這是因為L*代表亮度值，當葉片感染早疫

3、病后，病斑區(qū)域會變得暗淡，因此相應的值也會偏低;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，預測結(jié)果是R2p=0.660，RMSEP=l.766;a*參數(shù)最優(yōu)模型也是LS-SVM，預測結(jié)果是R2p=0.869，RMSEP=2.068;b*參數(shù)最優(yōu)模型是CA-BPNN，預測結(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，預測結(jié)果是R2p=0.618，RMSEP=2.404;a*參數(shù)的最優(yōu)模型是Normalization-PLS，預測結(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，預測結(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，并建立相應的病害識別模型。
　　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別率都大于96.18％;基于CARS的分類模型的識別率介于66.24％和100％之間;基于RC的分類模型中，除了RC-SVM的識別率較低（訓練集:56.05％，驗證集:56.41％），其它模型的識別率均大于91.03％;基于CA的分類模型中，除了CA-SVM的識別率較低（訓練集:55.41％，驗證集:55.13％），其它模型的識別率均大于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的分類模型的識別率介于93.59％和100％之間;RC推薦的分類模型中，識別率在88.46％和100％之間;基于CA的分類模型的識別率大于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)的識別率較低之外，其它模型都取得了較高的識別率。
　　(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)計濾波和二階概率統(tǒng)計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的識別率較低外（驗證集:55.13％），其它模型的識別率介于83.33％和100％之間;在近紅外波段，模型的識別率總體上低于可見/近紅外波段內(nèi)模型的識別率，除了SVM模型驗證集的識別率是55.13％之外，其它模型的識別率均介于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)計濾波和二階概率統(tǒng)計濾波提取不同顏色空間圖像中的紋理特征值建立病害識別模型。RGB顏色空間中，SVM模型的識別率較低（驗證集:55.13％），其它所有模型的識別率均大于92.31％; HSV顏色空間中，SVM和基于概率統(tǒng)計濾波的 AdaBoost模型的識別率較低，其它模型的識別率均高于93.5

9、9％; HLS顏色空間中，SVM模型驗證集的識別率為55.13％，其它模型的識別率均大于88.46％。
　　(5)提出高光譜RGB、HSV和HLS圖像中顏色信息識別茄子葉片早疫病的技術方法。
　　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別模型，RGB顏色模型的識別率在92.99％和100％之間;HSV顏色模型的識別率介于85.99％和100％之間;HLS顏色模型的識別率在69.43％和100％之間。<