基于成像高光譜數(shù)據(jù)的小麥白粉病診斷研究.pdf

1、白粉病作為小麥的主要病害之一，嚴重制約著中國小麥的產(chǎn)量和品質(zhì)。該病害在早期如果發(fā)現(xiàn)不及時、不準確，容易使農(nóng)戶增加經(jīng)濟損失，還可能造成過量噴灑農(nóng)藥引起農(nóng)田環(huán)境污染。同時，在該病染病中晚期，無損監(jiān)測對病害防控的重要性降低，但能為災害損失評估提供有價值的參考，因此如何對小麥關鍵生育期的白粉病嚴重度進行快速、準確地診斷變得十分重要。遙感技術具有無損、快捷、省時等優(yōu)勢，尤其是高光譜成像技術融合圖像和光譜的數(shù)據(jù)優(yōu)勢，可以為作物病蟲害監(jiān)測研究中的目標

2、識別提供重要的技術支持。本論文以小麥自粉病葉片為研究對象，利用ImSpector V10E-QE成像光譜儀收集研究目標的“圖譜合一”數(shù)據(jù)，結合計算機圖像處理和機器學習技術，進行白粉病病情回歸預測與病害嚴重度分類研究，以期指導作物病害噴藥防治及為災后損失評估提供技術支撐。本文主要研究內(nèi)容和結果如下:
　　(1)利用計算機圖像處理技術進行病斑分割，實現(xiàn)病情指數(shù)(Disease Index，DI)的定量計算。首先，在中值濾波增強圖像之后

3、，采用OTSU分割算法和模糊C—均值聚類對Lab顏色空間中的a分量和b分量進行葉片和背景區(qū)域分割處理;其次，利用超紅顏色特征2R-G-B實現(xiàn)病斑區(qū)域分割。試驗結果表明:(a)在葉片分割上，兩種算法均能完整分割出葉片區(qū)域，但是在實際處理過程中OTSU分割算法用時更少，執(zhí)行效率更高;(b)利用超紅特征可以有效實現(xiàn)病斑區(qū)域分割;之后，通過分割得出的葉片區(qū)域和病斑區(qū)域像素數(shù)定量計算出病情指數(shù)。最后，在VS2012平臺上，搭建小麥葉片病斑分割系統(tǒng)

4、，實現(xiàn)研究樣本圖像預處理、圖像分割和面積計算功能，為后續(xù)研究提供數(shù)據(jù)支持。
　　(2)以染病初期的小麥葉片高光譜數(shù)據(jù)為研究對象，針對性計算新的植被指數(shù)，構建早期白粉病病情回歸預測模型。引入Relief-F算法提取染病早期最敏感波段和波段差，利用歸一化波段差和單波段組合計算構造新的植被指數(shù):白粉病病害指數(shù)(Powdery Mildew Disease Index，PMDI)，通過分析病情指數(shù)與11種植被指數(shù)（含PMDI指數(shù)）的相關性

5、及線性模型，得出PMDI模型有最高的決定系數(shù)(R2=0.8399)和最低的均方根誤差(RMSE=4.5220)，效果優(yōu)于其他病害植被指數(shù)的結果。同時，在常用植被指數(shù)中歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI）模型決定系數(shù)最高，R2=0.7771，RMSE=5.3364。最后，選擇PMDI和NDVI分別構建小麥白粉病染病早期病情指數(shù)的支持向量回歸(Support Vector

6、Regression，SVR)預測模型。結果表明，經(jīng)敏感波段篩選構建的PMDI指數(shù)的預測結果更好(預測模型的R2=0.8863，RMSE=3.5532)，可以為小麥白粉病早期無損診斷提供方法與模型支持。
　　(3)以染病中晚期的小麥葉片高光譜數(shù)據(jù)為研究對象，獲取白粉病不同嚴重度的光譜特征，用以區(qū)分中晚期病害不同嚴重等級。應用等距映射算法(Isometric Feature Mapping，Isomap)降維處理原始歸一化光譜數(shù)據(jù)，

7、以178個樣本作為試驗數(shù)據(jù)，選取136個作為訓練樣本，其余52個作為測試樣本，將樣本降維后的特征輸入到概率神經(jīng)網(wǎng)絡（Probabilistic Neural Network,PNN）建立嚴重等級分類識別模型，模型總體識別精度可以達到88％，高于利用PMDI建立的識別結果（總體識別精度為69％）;同時針對染病早期的樣本數(shù)據(jù)，以降維數(shù)據(jù)構建的預測模型Isomap-SVR的相關系數(shù)R2為0.7980，均方根誤差RMSE為4.6522，其結果并