CN102621118B - 温室蔬菜病虫害的预警方法 - Google Patents
温室蔬菜病虫害的预警方法 Download PDFInfo
- Publication number
- CN102621118B CN102621118B CN 201210071291 CN201210071291A CN102621118B CN 102621118 B CN102621118 B CN 102621118B CN 201210071291 CN201210071291 CN 201210071291 CN 201210071291 A CN201210071291 A CN 201210071291A CN 102621118 B CN102621118 B CN 102621118B
- Authority
- CN
- China
- Prior art keywords
- early warning
- disease
- pest
- result
- fluorescence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种温室蔬菜病虫害的预警方法,步骤:1.安装型号为PC-3的自动气象站对温室环境条件自动检测,预警***每隔24小时对检测结果进行统计。2.光纤光谱仪采集叶绿素荧光。3.叶绿素荧光光谱采集***接收荧光光谱经处理后传入计算机。4.预警***提取荧光光谱数据。5.预警***继续判断提取的荧光光谱数据,进一步判断。6.预警***显示提取的荧光光谱数据的第一、二特征点的判断结果,决定终止检测、进行下一步检测或实现病害与虫害分类,确定病虫害的类型、潜伏期及发生等级。7.监测预测***将得到的监测结果输出,预警***对分析处理结果进行判断,显示和保存处理结果,对形成警情的结果传输至报警***,完成一次报警。
Description
技术领域
本发明应用于温室蔬菜病虫害防治领域,更确切地说,本发明涉及一种温室蔬菜病虫害的预警方法。
背景技术
蔬菜病虫害的监测与预警是农业蔬菜生产管理中的重要环节,也是其优良品质的保证。随着温室建设规模的发展及内部设施的完善,病虫害的管理也列为温室生产管理的重要组成部分。近年来设施农业病虫害的发生规模有逐年增大的趋势,农药作为一种补偿性手段得到了广泛性的应用,但也随之带来农药残留、人体内重金属离子积累等危害人类健康的问题,蔬菜是温室主要批量生产的作物,因此解决温室蔬菜病虫害的监测与预警问题具有重要的意义。
目前,针对各种植物的病虫害预警问题主要依靠对气候条件的监测与预警,通过采集历年的气象数据(如温度、湿度、露点温度、降雨量、日照时间、太阳辐射等)进行各种处理,通过对比年或月的平均数据得到当年病虫害发生的气象数据,从而指导现在的农业生产。这种方法虽然对于现在的生产有一定的帮助,但气象数据也受到风速、蒸发量、地温等各方面的影响,此外,每一次海洋的大规模运动都会给陆地的气象数据带来突发性的变化,而这种运动不可控也无法改变;同时,依靠积累气象数据平均值、最大值或最小值得到病虫害预警指标的方法只能达到定性分析,只能得到病虫害发生条件的阈值,而病虫害的发生还要依靠微生物种群的变化和病菌与植物体相互作用的结果,因此这种方法预警的临界点更广泛,单单依靠气象数据不能够完全指导现在及未来的生产活动。较为常用的另一种方法为酶活性的化学检测方法,是根据酶活性的增大或是减小的规律检测病菌的侵染情况,必须采摘活体叶片进行离体测量,需要使用化学药品进行测定,采用这种方法费时、费力,而且破坏活体叶片,不能达到无损检测的要求。
温室是一个半封闭的环境个体,在与外部环境条件进行气体交换的同时也保证着内部生长的作物完成正常的生理反应,作物的生理生化反应与周围环境的相互作用致使在温室内部形成了高温高湿的环境特点,而这种环境条件又极利于病虫害的发生,但病虫害的发生和流行具有周期性和季节性的特点,如果采用全年时间的预警必然造成资源的浪费和成本投入的增加,而单纯的对环境指标的计算无法满足温室病虫害预警的需求,因此采用新的方法对温室病虫害的预警具有重要的意义。
发明内容
本发明所要解决的技术问题是克服了现有技术存在的问题,提供了一种温室蔬菜病虫害的预警方法。
为解决上述技术问题,本发明是采用如下技术方案实现的:所述的温室蔬菜病虫害的预警方法的步骤如下:
1.安装型号为PC-3的自动气象站,对温室的环境条件进行常年自动检测,并将检测结果通过无线传输方式输入计算机中,预警***每隔24小时对检测结果进行统计。确定温室环境温度达到15℃、相对湿度达到55%作为病虫害发生的起始预警温度、湿度,且该温湿度环境持续6小时后,作为监测预测***的监测阈值;确定温室环境温度达到35℃作为监测预测***的终止条件。若未达到监测阈值则继续检测,若达到监测阈值则启动叶绿素荧光光谱采集***,如果环境条件超出发生病虫害所需要的环境条件阈值则终止检测。
2.操作者启动计算机,打开叶绿素荧光光谱采集***,首先对叶绿素荧光光谱采集***中的光纤光谱仪和激光发生器进行连接测试,检查通讯是否正常,通讯检查结果正常后,开启激光发生器发出激光,同时光纤光谱仪开始采集被激光激发出来的叶绿素荧光。
3.叶绿素荧光光谱采集***启动光谱采集软件接收荧光光谱,将激光发生器垂直照射蔬菜叶片表面,激光强度为7.5mW,荧光采集探头与叶片距离2cm并成45°角接收荧光光谱,光纤光谱仪把采集到的荧光光谱进行分光、光电转换和A/D转换后传入计算机,传入计算机的数据以光谱的形式显示并保存。
4.操作者打开预警***中的数据采集模块,提取计算机中保存的荧光光谱数据,判断提取的荧光光谱数据.叶绿素荧光光谱采集***所采集到的光谱范围为500.500~799.784nm,在一段光谱范围内光谱强度的最大值或最小值称为光谱的波峰或波谷,在这段波谱内共出现三峰二谷,波峰的位置大致位于510.098~514.461,682.984~687.354,731.056~736.301nm之间,波谷的位置大致位于630.510~635.745,710.784~714.275nm之间,为下文表达方便起见,将波谷630.510~635.745nm称为第一波谷,将波峰682.984~687.354nm称为第二波峰。若荧光光谱的第一波谷强度值小于0,说明叶片可能处于病虫害侵染状态,需要对其进行继续判断;若荧光光谱的第一波谷强度值大于0,说明叶片可能处于健康状态,需要进一步判断。
5.预警***自动继续判断提取的荧光光谱数据,提取荧光光谱的第二波峰发射波长位置,若第二波峰发射波长位置大于685nm,说明叶片可能处于病虫害侵染状态,需要对其进行继续判断;若荧光光谱的第二波峰发射波长小于685nm,说明叶片可能处于健康状态,需要进一步判断。
6.预警***显示提取的荧光光谱数据的第一、二特征点的判断结果,若完全不能够满足前两个特征,终止检测;若只满足一个特征点,提示操作者是否 决定进行下一步检测;若完全符合两个特征点,则自动通过分类模型与预测模型的检测,实现病害与虫害的分类,进而确定病虫害的类型及潜伏期、发生等级。
7.监测预测***将得到的监测结果输出,预警***对分析处理结果进行判断,显示和保存处理结果,对形成警情的结果传输至报警***,完成一次报警;对未形成警情的结果进行提示,由操作者决定是否显示并保存数据。
与现有技术相比本发明的有益效果是:
1.本发明所述的温室蔬菜病虫害的预警方法确定了温室蔬菜病虫害预警的初始值,提供了定量检测病虫害的预警方法,解决了传统气象数据统计方法的耗时费力、不定量的缺点,达到了测量时间短、定量与准确的效果。
2.本发明所述的温室蔬菜病虫害的预警方法直接针对叶片表面测量,瞬时完成,达到无损检测的效果,解决了传统化学方法测量酶活性检验病菌侵染情况,避免了化学方法检测与破坏活体叶片的缺点。
3.本发明所述的温室蔬菜病虫害的预警方法针对于单株植物进行定量测量,更利于及早发现病源植株。
4.本发明所述的温室蔬菜病虫害的预警方法测量准确、精度高,对于黄瓜区分健康、霜霉、白粉、蚜虫害的分类的准确率达到94.7%,霜霉病害的分类准确率达到97.7%,白粉病害分类准确率达到91.9%,蚜虫害的分类准确率达到96.3%。
附图说明
下面结合附图对本发明作进一步的说明:
图1是本发明所述的温室蔬菜病虫害的预警方法中蔬菜叶绿素荧光光谱采集***的结构原理示意框图;
图2是本发明所述的温室蔬菜病虫害的预警方法中温室蔬菜病虫害监测预测***工作流程的示意框图;
图3是本发明所述的温室蔬菜病虫害的预警方法中温室蔬菜病虫害预警***结构的示意框图;
图4是本发明所述的温室蔬菜病虫害的预警方法中采集的叶绿素荧光光谱;
图5是本发明所述的温室蔬菜病虫害的预警方法对健康叶片与病虫害叶片分类结果图。
具体实施方式
下面结合附图对本发明作详细的描述:
传统的采用气象数据统计的方法实现病虫害预测,只能对病虫害的发生情况作出定性的判断;而采用酶活性的增大或是减小的方法检测病菌的侵染情况却费时、费力,且化学药品的使用会带来环境污染、操作者体内毒素的积累、 测量成本的增加等问题。本发明所要解决的技术问题是提供了一种温室蔬菜病菌虫害潜伏期的检测与预警方法,该预警方法不仅能够实现快速、准确、无损的检测,而且能够检测植物的营养成分,进而判断植物所处于健康状态或是病虫害的侵染及发生阶段。这种方法是在蔬菜叶片表现病害病症之前达到检测病菌侵染阶段,是一种实时检测、快速准确与无损植物活体叶片的监测和预警方法。
参阅图1,叶绿素荧光光谱采集***是自主研发的光谱采集***,这是进行叶绿素荧光光谱采集的必要条件,包括激光发生器(激光二极管)、激光发射探头、光纤光谱仪、荧光采集探头与装有控制软件的计算机,计算机与光纤光谱仪之间采用电连接,激光发生器与激光发射探头之间、光纤光谱仪与荧光采集探头之间是光纤和电线连接。打开计算机的光谱采集软件,发出检测指令和发光指令,开启光纤光谱仪和激光发生器(激光二极管),利用激光发生器发出激光,垂直照射到植物叶片表面以激发叶片的叶绿素荧光,再利用光纤光谱仪采集叶片反射的荧光,光纤光谱仪与叶片距离2cm,光纤光谱仪的光电转换模块将荧光光谱转换成电信号输入计算机内,由计算机显示并保存光谱,以便进行下一步的检测。
参阅图2,图中是本发明所述的温室蔬菜病虫害的预警方法中温室蔬菜病虫害监测预测***工作流程的示意框图。本发明所采用的温室蔬菜病虫害的预警方法为温室蔬菜外部环境条件与温室蔬菜内在的叶绿素荧光光谱同时检测相结合,因此将环境条件检测作为病虫害预警***的初始检测,叶绿素荧光光谱作为病虫害预警的定量检测。在日常的温室蔬菜生产管理中,只需定期(初始设定24小时,也可根据用户需要自行设定)对气象站的数据进行提取、统计分析,与病虫害预警的环境条件阈值进行对比,若没有达到初始条件的阈值则无需进行定量检测;若达到了初始条件检测阈值,则需要进一步进行叶绿素荧光光谱的检测并进行定量计算,提取荧光光谱的第一、二特征点,若不符合光谱第一、二特征点则终止检测,若达到了特征点则需对荧光光谱进行定量分析,即将光谱进行波段筛选(简单波段自相关选择方法)、降维(主成分分析法)后将主成分得分值输入分类模型和预测模型进行计算,输出模型的计算结果,确定病虫害的类型及潜伏时期,完成温室蔬菜病虫害的监测。
参阅图3,图中是本发明所述的温室蔬菜病虫害的预警***结构,利用PC-3型自动气象站得到温室内(蔬菜外部)的环境条件,利用叶绿素荧光光谱采集***得到蔬菜叶片荧光光谱数据,利用病虫害的发病规律得到环境条件判别阈值,以及光谱分析技术建立病虫害判别数据库、监测预测***与报警***,通过对环境条件和蔬菜叶片叶绿素荧光光谱的采集,经过判别数据库识别后,确定叶片的健康状态,若判断叶片处于非健康状态,则继续对光谱进行波段筛选、 降维处理,再结合病虫害分类模型和预测模型,确定病虫害的潜伏期及发生情况,由报警***的操作者判断警情,实现温室、主控室与管理者三者同时报警,完成一次病虫害预警检测。
1.数据采集
1)叶绿素荧光光谱数据采集
利用叶绿素荧光光谱采集***采集了黄瓜的幼苗期、壮苗期、开花期、结果期四个作物生长时间内的霜霉、白粉和蚜虫三种病虫害叶片样本的叶绿素荧光光谱数据,采集了炭疽、灰霉、镰刀菌枯萎病出现病斑时的叶片光谱数据,并进行了详细的计算。
2)蔬菜外部环境条件数据采集
通过调研和数据采集统计了黄瓜常见的五种病害和三种虫害发生的环境条件,病害分别为霜霉、白粉、灰霉、炭疽、镰刀菌枯萎病,虫害分别为美洲斑潜蝇、蚜虫和朱砂叶螨。蔬菜外部环境条件是采用PC-3型自动气象站常年自动检测,其监测的指标包括环境的温度、湿度、露点温度等指标量,定期(初始设定24小时)将数据无线传输至计算机,由操作者提取气象数据并计算。
2.判别数据库
1)环境条件判别
通过对环境数据的统计发现病害发生的条件中,环境温度在15~32℃之间适宜病菌孢子的发育,低于15℃、高于35℃均不利于病菌孢子侵染叶片;除温度因素外,环境湿度也是病害发生和蔓延的重要因素,在环境湿度达到60%及以上,较为适宜病害的发生,而湿度达到80%~90%,极有利于某些病害的发生,有利的环境条件持续6小时,是保证病菌成功侵染叶片并成活的基本条件。
导致虫卵产生的环境温度范围是15~30℃,但当湿度大于70%后不利于虫卵的成活,根据有效积温法则,每年虫害发生的世代不同,在5~6、9~10月是美洲斑潜蝇和蚜虫的害盛期,6~8月是朱砂叶螨的害盛期。而作物从播种至收获的生长时期也是5~10月,因此从虫害的发生周期角度出发,蔬菜正常生长周期内具备虫害发生的条件。
通过分析统计,确定环境温度达到15℃为病虫害发生的起始温度,湿度达到60%为病虫害发生的起始湿度,本着“提前预警”的原则,将湿度55%作为预警的起始湿度,且该温湿度持续6小时后(病菌附着叶片并成活的时间),作为监测预测***的起始条件。确定环境温度达到35℃为监测预测***的终止条件。
2)第一特征点判别
判别数据库的内容根据黄瓜生长时期的不同,分别对幼苗、壮苗、开花、结果四个不同生长时期内的叶片进行荧光光谱采集,确定判别点;根据叶片受病虫害的影响情况不同,对于病害叶片样本分别采集健康、潜伏期、病症初显、 大面积流行四个时期内的荧光光谱,对于虫害叶片分别采集健康、虫卵及少量成虫(0~50头)、少量虫卵及大量成虫(50~200头)、大面积成虫或全面覆盖(200头以上),并对其进行特征信息提取。
参阅图4,叶绿素荧光光谱属于可见光波段光谱,采用叶绿素荧光光谱采集***所采集到的光谱范围为500.500~799.784nm,在这段波谱内共出现三峰二谷,波峰的位置大致位于510.098~514.461、682.984~687.354、731.056~736.301nm之间,波谷的位置大致位于630.510~635.745、710.784~714.275nm之间,为下文表达方便起见,将波谷630.510~635.745nm称为第一波谷,将波峰682.984~687.354nm称为第二波峰。
通过对130片健康叶片、178片虫害叶片研究发现,健康叶片的第一波谷强度均大于0,178片虫害叶片中有164片的第一波谷强度小于0,且随着虫情指数的增大,第一波谷强度随之变得越小,直至不能形成荧光光谱。第一特征点对于健康叶片检测的准确率为100%,对于虫害叶片检测的准确率达到92.13%。故将第一波谷强度值作为荧光光谱检测健康叶片与病虫害叶片的第一特征点。
3)第二特征点判别
经统计发现健康叶片的第二波峰发射波长处于682.135~685.326nm之间,白粉病害叶片的第二波峰发射波长为684.197~685.749nm之间,蚜虫害的第二波峰发射波长为685.019~685.620nm之间。统计130片健康叶片,其中107片叶片的第二波峰发射波长小于685nm,约为统计总数的82.3%。统计148片病虫害叶片,其中有126片的第二波峰发射波长大于685nm,约为统计总数的85.1%。因此确定685nm作为区分病虫害与健康叶片的第二特征点,第二波峰发射波长大于685nm的叶片为病虫害叶片,第二波峰发射波长小于685nm的为健康叶片。
3.监测预测***
监测预测***分别是对得到的环境条件进行计算,再利用分类模型和预测模型对采集的荧光光谱进行分析,最后得出监测结果报告。
1)环境监测
取一天(24h)的环境条件监测结果,计算连续的6个小时内的平均温度值(Tmean)、平均湿度值(RHmean),计算公式如下:
式中,i=1,2,...,6
j=1,2,...,6
xi为温度,
xj为湿度
n为样本个数,此处为6。
2)分类模型
采用光纤光谱仪采集到的荧光发射谱全波段为331.010~1099.970nm,每条谱线记录1355个数据点,数据冗杂;同时为消除光谱首末端波动影响及激发光光谱曲线,根据特征峰谷波长选取500.573~799.916nm波段进行数据分析等相关处理,该波段共有523个数据点,光谱分析数据工作仍然繁重,因此建立分类模型首先利用简单波段自相关选择方法筛选光谱内的有效波段,再对有效波段内的光谱数据进行主成分分析,达到降维的目的,最后以主成分得分值和病虫害的侵染等级作为模型的输入和输出值,采用最小二乘支持向量机的方法建立模型
荧光光谱特征信息提取,光谱敏感波段的筛选:简单自相关波段选择方法是计算同一光谱内两波段间的自相关系数,认为两波段自相关系数较大则表示两个波段相似度较大,将光谱内所有波段进行相关系数计算后,得到的相关系数较小者,被认为是有效信息。采用简单自相关波段选择方法对523个光谱数据采用5点高斯平滑方法进行处理,得到中心波长分别是500.573~798.791nm,即将原光谱分成105个波段,并将105个波段两两组合计算其决定系数R2,将R2值按序排列,统计其值及出现次数,发现波段38~41、60~68区域得到的R2值最小,如表1所示,其代表的波长分别为606.846~617.222nm、670.035~695.165nm,将这部分光谱作为波段优选区域。
表1 光谱划分波段自相关系数
经过波段筛选后对光谱进行降维处理并选择建立模型方法。数据降维方法采用的是主成分分析方法(PCA),而建立模型方法采用的是最小二乘支持向量机(LSSVM)。
主成分分析降维方法的实现步骤:
a.对原始光谱数据进行标准化处理;
b.计算数据协方差矩阵,并进行下次分解,得出主成分分量;
c.计算各主成分累积贡献率,并根据贡献率值要求选取主成分个数;
d.使用主成分得分代替光谱数据进行其它处理。
以上主成分分析的计算过程采用MATLAB 2009b软件princomp命令计算完成,截取分类模型中部分数据(健康叶片样本、霜霉叶片样本、白粉叶片样本、蚜虫叶片样本各3个)说明主成分分析计算,如表2所示。
表2部分样本主分成得分值
表2中PC代表主成分得分值,即模型的输入值,yi代表模型的输出值,通过主成分分析后,得到的主成分对原光谱数据信息的贡献率如表3所示。
表3各主成分对原光谱的贡献率
从表3可以看出,采用前5个主成分能够代表原光谱数据99.9991%信息,参阅图5,图中为采用第一、二主成分对健康叶片、霜霉叶片、白粉叶片、蚜虫叶片四种光谱样本的分类结果,因此说明采用光谱分析方法可以实现病虫害的定性分类。
最小二乘支持向量机计算:将主成分前5个得分值作为分类模型的输入值xi,yi作为输出值,x为已知的预测集中的样本,采用的最小二乘支持向量机方法进行分类,设样本数据的分类函数为:
其中:K(x·xi)为核函数,
αi,b为模型参数,
采用的核函数为RBF核函数:
其中:x为预测集中的样本,
模型的训练采用MATLAB工具箱中的trainlssvm函数完成,得到模型参数如下:
b=[0.2935,0.0044]1×2
gam=9.5828;
σ2=42.0006;
gam表示正规化参数,决定了适应误差的最小化和平滑程度。
3)霜霉病害预测模型
建立霜霉病害的预测模型同样选择分类模型的筛选的波段结果,将这部分光谱数据进行主成分分析后,作为模型的输入值,将霜霉病害的侵染等级作为输出值,即健康叶片的输出值为1,潜伏期叶片的输出值为2,病症初显期的输出值为3,大面积流行期的输出值为4,x为已知的预测集中的样本,采用最小二乘支持向量机算法进行分类,分类函数同样设为:
其中:K(x·xi)为核函数,
αi,b为模型参数,
采用的核函数为RBF核函数:
其中:x为预测集中的样本,
得到模型参数如下:
b=[-3.9842,2.3926]1×2
gam=2;
σ2=5;
gam表示正规化参数,决定了适应误差的最小化和平滑程度。
4)白粉病害预测模型
建立白粉病害的预测模型分类模型的筛选的波段结果,将这部分光谱数据进行主成分分析后,作为模型的输入值xi,将白粉病害的侵染等级作为输出值yi,即健康叶片的输出值为1,潜伏期叶片的输出值为2,病症初显期的输出值为3,大面积流行期的输出值为4,x为已知的预测集中的样本,采用最小二乘支持向量机算法进行分类,分类函数同样为:
其中:K(x·xi)为核函数,
αi,b为模型参数。
采用的核函数为RBF核函数:
其中:x为预测集中的样本,
得到模型参数如下:
b=[-3.9842,2.3926]1×2
gam=10;
σ2=0.02;
gam表示正规化参数,决定了适应误差的最小化和平滑程度.
5)蚜虫害预测模型
建立蚜虫害的预测模型选择分类模型的筛选的波段结果,将这部分光谱数据进行主成分分析后,作为模型的输入值xi,将蚜虫害的侵染等级作为输出值yi,健康样本的输出值为1、有虫卵及少量蚜虫样本的输出值为2、大量蚜虫害样本的输出值为3、蚜虫大面积或全部覆盖样本的输出值为4,x为已知的预测集中的样本,采用最小二乘支持向量机算法进行分类,分类函数同样为:
其中:K(x·xi)为核函数,
αi,b为模型参数。
采用的核函数为RBF核函数:
其中:x为预测集中的样本,
得到模型参数如下:
b=[1.5306,1.7378]1×2
gam=630.0187;
σ2=0.0849;
gam表示正规化参数,决定了适应误差的最小化和平滑程度。
4.报警***
操作者通过对得到的监测结果报告进行分析和判断,若结果为真则将监测结果同时传输到主控室、温室和管理者,实现报警并由操作者将计算结果保存。若结果为假,则由操作者决定是否将结果保存。
温室蔬菜病虫害的预警方法的步骤如下:(参阅图2)
1.安装型号为PC-3的自动气象站,对温室的环境条件进行常年自动检测,并将检测结果通过无线传输方式输入计算机中,预警***每隔24小时对监测结果进行统计。若未达到监测阈值则继续检测,若达到监测阈值则启动叶绿素荧光光谱采集***,如果环境条件超出发生病虫害所需要的环境条件阈值则终止检测;
2.操作者启动计算机,打开叶绿素荧光光谱采集***,首先对叶绿素荧光光谱采集***中的光纤光谱仪和激光发生器进行连接测试,检查通讯是否正常。若检查结果不正常进行仪器设备检查。通讯检查结果正常后,开启激光二极管(激光发生器)发出激光,同时光纤光谱仪开始采集被激光激发出来的叶绿素荧光。
3.叶绿素荧光光谱采集***启动光谱采集软件接收荧光光谱。采用的光谱激发光源为激光光源,将激光二极管(激光发生器)垂直照射蔬菜叶片表面, 激光强度为7.5mW,荧光采集探头与叶片距离2cm并成45°角接收荧光光谱,光纤光谱仪把采集到的荧光光谱进行分光、光电转换和A/D转换后传入计算机,传入计算机的数据以光谱的形式显示并保存。
4.操作者打开预警***中的数据采集模块,提取计算机中保存的荧光光谱数据,判断提取的荧光光谱数据。若荧光光谱的第一波谷强度值小于0,说明叶片可能处于病虫害侵染状态,需要对其进行继续判断;若荧光光谱的第一波谷强度值大于0,说明叶片可能处于健康状态,需要进一步判断。
5.预警***自动继续判断提取的荧光光谱数据,提取荧光光谱的第二波峰发射波长位置,若第二波峰发射波长位置大于685nm,说明叶片可能处于病虫害侵染状态,需要对其进行继续判断;若荧光光谱的第二波峰发射波长小于685nm,说明叶片可能处于健康状态,需要进一步判断;
6.预警***显示提取的荧光光谱数据的第一、二特征点的判断结果,若完全不能够满足前两个特征,终止检测;若只满足一个特征点,提示操作者是否决定进行下一步检测;若完全符合两个特征点,则需要将光谱经过简单波段自相关选择方法波段筛选后,再进行主成分分析降维处理,将主成分得分值输入分类模型与预测模型进行检测,实现病害与虫害的分类,进而确定病虫害的类型及潜伏期、发生等级;
7.监测预测***将得到的监测结果输出,预警***对分析处理结果进行判断,显示和保存处理结果,对形成警情的结果传输至报警***,完成一次报警;对未形成警情的结果进行提示,由操作者决定是否显示并保存数据。
实施例
1.操作者启动计算机,由计算机接收PC-3型自动气象站无线传输的温室环境条件数据,如表4所示:
表42010年6月15日温室内环境条件24小时采集
计算7:00点至12:00点的平均温度和平均湿度:
平均温度=(21.6+21.4+21.0+20.9+20.6+20.8)/6=21.05℃
平均湿度=(80.3+77.8+78.2+77.3+78.3+77.5)/6=78.23%
由计算结果得知,该环境条件可以满足病虫害的生长发育条件,而且从表中可以得出,一天内的连续6小时的平均温度均大于15℃,平均湿度大于55%,能够满足病虫害发生的环境条件,此时操作者需要启动预警***中的叶绿素荧光光谱采集***。
2.进行仪器通讯检查,无误后采用叶绿素荧光光谱采集***获得叶片荧光光谱数据。
3.调节叶绿素荧光光谱采集探头与叶片表面距离2cm,成45°角,并将测量获得的光谱数据存入计算机中。
4.本次采集叶片样本个数为24,其中健康叶片编号为001~009,霜霉病害叶片编号为010~014,白粉病害叶片编号为015~019,蚜虫害叶片编号为020~024。预警***对得到的荧光光谱数据提取第一特征点,结果如表5所示:
表5叶片样本的第一特征点提取结果
从表5的结果中得到:
健康叶片编号为:001、002、003、004、005、006、007、008、009、011、012、021、023;
病虫害叶片的编号为:010、013、014、015、016、017、018、019、020、022、024。
5.预警***继续对输入的叶片样本进行第二特征点提取,提取的结果如表6所示。
表6叶片样本的第二特征点提取结果
从表6的结果中得到:
健康叶片编号为:001、002、003、004、006、007、008、009、015、016;
病虫害叶片的编号为:005、010、011、012、013、014、017、018、019、020、021、022、023、024。
6.从表5、6第一、二特征点的检测结果得到,编号001、002、003、004、006、007、008、009确定为健康叶片,010、013、014、017、018、019、020、022、024确定为病虫害叶片,005、011、012、015、016、021、023符合一个特征点,在预警***中显示判断结果,如表7所示,提示进行下一步确认。
表7特征点判断结果
将编号005、010、011、012、013、014、015、016、017、018、019、020、021、022、023、024提取光谱敏感波段606.846~617.222nm、670.035~695.165nm,对这两部分波段内的光谱数据进行主成分分析,采用MATLAB软件princomp函数计算完成,编程如下:
[pc,score,latent,tsquare]=princomp(pca_x);
pp=(cumsum(latent./sum(latent)))*100;
其中:pc——主成分得分值,
pp——累积贡献率。
提取前5个主成分得分值,得到:
并代入分类模型中,作为x值,编程如下:
type=′c′;
kernel_type=′RBF_kernel′;
gam=9.5828;
sig2=42.0006;
preprocess=′preprocess′;
codefct=′code_MOC′;
[Yc,codebook,old_codebook]=code(Y,codefct);
[alpha,b]=trainlssvm({X,Yc,type,gam,sig2,kernel_type,
preprocess});
Yd0=simlssvm({X,Yc,type,gam,sig2,kernel_type,preprocess},{alph
a,b},Xt);
Yd=code(Yd0,old_codebook,[],codebook);%Yd为分类结果得到相应的判断结果如表8所示:
表8分类模型判断结果
提取005、010、011、012、013、014叶片前5个主成分得分值,输入霜霉预测模型中;提取015、016、017、018、019叶片前5个主成分得分值,输入白粉预测模型中;提取020、021、022、023、024叶片前5个主成分得分值,输入白粉预测模型中;编程如前所述。汇总判断结果,如表9所示:
表9模型判断结果
7.在预警***界面输出表9,由操作者对结果的真假进行核实,若结果为真则通过预警***的报警***将结果传输至温室、主控室及管理者三方并将数据保存;若结果为假,则放弃报警。
上面所列的数据为本发明对黄瓜叶片的测量试验结果。测量结果显示本发明对黄瓜病虫害预测的结果准确、可靠。
Claims (1)
1.一种温室蔬菜病虫害的预警方法,其特征在于,所述的温室蔬菜病虫害的预警方法的步骤如下:
1)安装型号为PC-3的自动气象站,对温室的环境条件进行常年自动检测,并将检测结果通过无线传输方式输入计算机中,预警***每隔24小时对检测结果进行统计,确定温室环境温度达到15℃、相对湿度达到55%作为病虫害发生的起始预警温度、湿度,且该温湿度环境持续6小时,作为监测预测***的监测阈值;确定温室环境温度达到35℃作为监测预测***的终止条件,若未达到监测阈值则继续检测,若达到监测阈值则启动叶绿素荧光光谱采集***,如果环境条件超出发生病虫害所需要的环境条件阈值则终止检测;
2)操作者启动计算机,打开叶绿素荧光光谱采集***,首先对叶绿素荧光光谱采集***中的光纤光谱仪和激光发生器进行连接测试,检查通讯是否正常,通讯检查结果正常后,开启激光发生器发出激光,同时光纤光谱仪开始采集被激光激发出来的叶绿素荧光;
3)叶绿素荧光光谱采集***启动光谱采集软件接收荧光光谱,将激光发生器垂直照射蔬菜叶片表面,激光强度为7.5mW,荧光采集探头与叶片距离2cm并成45°角接收荧光光谱,光纤光谱仪把采集到的荧光光谱进行分光、光电转换和A/D转换后传入计算机,传入计算机的数据以光谱的形式显示并保存;
4)操作者打开预警***中的数据采集模块,提取计算机中保存的荧光光谱数据,判断提取的荧光光谱数据,叶绿素荧光光谱采集***所采集到的光谱范围为500.500~799.784nm,在一段光谱范围内光谱强度的最大值或最小值称为光谱的波峰或波谷,在这段波谱内共出现三峰二谷,波峰的位置大致位于510.098~514.461、682.984~687.354与731.056~736.301nm之间,波谷的位置大致位于630.510~635.745与710.784~714.275nm之间,为下文表达方便起见,将波谷630.510~635.745nm称为第一波谷,将波峰682.984~687.354nm称为第二波峰,若荧光光谱的第一波谷强度值小于0,说明叶片可能处于病虫害侵染状态,需要对其进行继续判断;若荧光光谱的第一波谷强度值大于0,说明叶片可能处于健康状态,需要进一步判断;
5)预警***自动继续判断提取的荧光光谱数据,提取荧光光谱的第二波峰发射波长位置,若第二波峰发射波长位置大于685nm,说明叶片可能处于病虫害侵染状态,需要对其进行继续判断;若荧光光谱的第二波峰发射波长小于685nm,说明叶片可能处于健康状态,需要进一步判断;
6)预警***显示提取的荧光光谱数据的第一、二特征点的判断结果,若完全不能够满足前两个特征,终止检测;若只满足一个特征点,提示操作者是否决定进行下一步检测;若完全符合两个特征点,则自动通过分类模型与预测模 型的检测,实现病害与虫害的分类,进而确定病虫害的类型及潜伏期、发生等级;
7)监测预测***将得到的监测结果输出,预警***对分析处理结果进行判断,显示和保存处理结果,对形成警情的结果传输至报警***,完成一次报警;对未形成警情的结果进行提示,由操作者决定是否显示并保存数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210071291 CN102621118B (zh) | 2012-03-18 | 2012-03-18 | 温室蔬菜病虫害的预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210071291 CN102621118B (zh) | 2012-03-18 | 2012-03-18 | 温室蔬菜病虫害的预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102621118A CN102621118A (zh) | 2012-08-01 |
CN102621118B true CN102621118B (zh) | 2013-11-06 |
Family
ID=46561162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210071291 Expired - Fee Related CN102621118B (zh) | 2012-03-18 | 2012-03-18 | 温室蔬菜病虫害的预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102621118B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102823570B (zh) * | 2012-09-19 | 2014-07-09 | 南京农业大学 | 一种基于触压扰动信号的虫情检测装置及虫情预警*** |
CN104090535A (zh) * | 2014-06-10 | 2014-10-08 | 广西小草信息产业有限责任公司 | 一种大棚监控报警*** |
CN104931425A (zh) * | 2015-05-29 | 2015-09-23 | 苏州德锐朗智能科技有限公司 | 一种具有温湿补偿的叶绿素含量检测及控制方法 |
CN106568722A (zh) * | 2016-10-19 | 2017-04-19 | 中国农业大学 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
CN106770084A (zh) * | 2016-11-23 | 2017-05-31 | 百奥森(江苏)食品安全科技有限公司 | 一种蔬菜农药残留检测装置 |
CN107064089B (zh) * | 2017-04-13 | 2023-04-18 | 浙江大学 | 一种基于物联网的辣椒苗疫病早期监测装置和方法 |
CN107357271B (zh) * | 2017-06-30 | 2018-07-17 | 深圳春沐源控股有限公司 | 温室作物病虫害的防治方法、防治*** |
CN109470667A (zh) * | 2018-11-14 | 2019-03-15 | 华东理工大学 | 一种结合水质参数和三维荧光光谱进行污染物溯源的方法 |
CN109387498B (zh) * | 2018-12-12 | 2021-07-13 | 江苏省农业科学院 | 一种基于光谱成像技术的豆象危害情况观测技术 |
CN110057764B (zh) * | 2019-04-25 | 2021-09-14 | 浙江省农业科学院 | 一种农药施药安全管理警示装置及方法 |
CN113693041B (zh) * | 2021-08-26 | 2022-12-20 | 广东省农业科学院植物保护研究所 | 一种应用于无公害蔬菜的虫害防控装置及防控方法 |
CN117969771B (zh) * | 2024-04-01 | 2024-05-28 | 广东海洋大学 | 一种番茄植株病害监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1653217A1 (en) * | 2004-10-29 | 2006-05-03 | Palo Alto Research Center Incorporated | Anti-resonant waveguide sensors |
CN101413893A (zh) * | 2008-11-27 | 2009-04-22 | 吉林大学 | 植物叶绿素测量仪及叶绿素测量方法 |
CN101881725A (zh) * | 2010-06-11 | 2010-11-10 | 浙江大学 | 基于反射光谱的大棚作物生长状况自动监测*** |
JP4757103B2 (ja) * | 2005-06-13 | 2011-08-24 | 学校法人関西文理総合学園 | 試料中のウイルスを検出する方法およびシステム |
-
2012
- 2012-03-18 CN CN 201210071291 patent/CN102621118B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1653217A1 (en) * | 2004-10-29 | 2006-05-03 | Palo Alto Research Center Incorporated | Anti-resonant waveguide sensors |
JP4757103B2 (ja) * | 2005-06-13 | 2011-08-24 | 学校法人関西文理総合学園 | 試料中のウイルスを検出する方法およびシステム |
CN101413893A (zh) * | 2008-11-27 | 2009-04-22 | 吉林大学 | 植物叶绿素测量仪及叶绿素测量方法 |
CN101881725A (zh) * | 2010-06-11 | 2010-11-10 | 浙江大学 | 基于反射光谱的大棚作物生长状况自动监测*** |
Non-Patent Citations (10)
Title |
---|
Laury Chaerle etal..Monitoring and screening plant populations with combined thermal and chlorophyll fluorescence imaging.《Journal of Experimental Botany》.2006,第58卷(第4期),773-784. |
Monitoring and screening plant populations with combined thermal and chlorophyll fluorescence imaging;Laury Chaerle etal.;《Journal of Experimental Botany》;20061222;第58卷(第4期);773-784页 * |
刘峰等.基于遥感数据与作物生长模型同化的作物长势监测.《农业工程学报》.2011,第27卷(第10期),101-106页. |
叶绿素荧光PCA-SVM分析的黄瓜病虫害诊断研究;杨昊谕等;《光谱学与光谱分析》;20101130;第30卷(第11期);3018-3021页 * |
基于叶绿素荧光光谱分析的黄瓜霜霉病害预测模型;隋媛媛;《光谱学与光谱分析》;20111130;第31卷(第11期);2987-2990页 * |
基于遥感数据与作物生长模型同化的作物长势监测;刘峰等;《农业工程学报》;20111031;第27卷(第10期);101-106页 * |
杨昊谕等.叶绿素荧光PCA-SVM分析的黄瓜病虫害诊断研究.《光谱学与光谱分析》.2010,第30卷(第11期),3018-3021页. |
植物源农药在烟草病虫害防治上的研究与应用;董志坚等;《中国烟草学报》;20040831;第10卷(第4期);42-47页 * |
董志坚等.植物源农药在烟草病虫害防治上的研究与应用.《中国烟草学报》.2004,第10卷(第4期),42-47页. |
隋媛媛.基于叶绿素荧光光谱分析的黄瓜霜霉病害预测模型.《光谱学与光谱分析》.2011,第31卷(第11期),2987-2990页. |
Also Published As
Publication number | Publication date |
---|---|
CN102621118A (zh) | 2012-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102621118B (zh) | 温室蔬菜病虫害的预警方法 | |
Ahmadi et al. | Early detection of Ganoderma basal stem rot of oil palms using artificial neural network spectral analysis | |
Liaghat et al. | Early detection of basal stem rot disease (Ganoderma) in oil palms based on hyperspectral reflectance data using pattern recognition algorithms | |
CN102084794B (zh) | 多传感器信息融合的作物病虫害早期检测方法及装置 | |
Fan et al. | Individual wheat kernels vigor assessment based on NIR spectroscopy coupled with machine learning methodologies | |
JP6485850B2 (ja) | 植物の活力診断方法、並びにこれに用いられる計測システム及び診断システム | |
Bendel et al. | Evaluating the suitability of hyper-and multispectral imaging to detect foliar symptoms of the grapevine trunk disease Esca in vineyards | |
US11461899B1 (en) | Method for detecting infection stage of anthracnose pathogenic with pre-analysis capacity | |
Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
CN107392920B (zh) | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 | |
CN109187417B (zh) | 一种无人机载的太赫兹波及高光谱遥感农作物监测*** | |
Huang et al. | Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
CN115684107B (zh) | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 | |
CN101074925A (zh) | 可见和近红外光谱特征波段的植物叶片灰霉病害诊断方法 | |
Liu et al. | Diagnosis of citrus greening using raman spectroscopy-based pattern recognition | |
Qi et al. | Rapid and non-destructive determination of soluble solid content of crown pear by visible/near-infrared spectroscopy with deep learning regression | |
Fan et al. | Non-destructive detection of single-seed viability in maize using hyperspectral imaging technology and multi-scale 3D convolutional neural network | |
Xiao et al. | Rapid detection of maize seed germination rate based on Gaussian process regression with selection kernel function | |
Zhang et al. | Evaluating maize grain quality by continuous wavelet analysis under normal and lodging circumstances | |
Huang et al. | Identification of Fusarium head blight in wheat ears using vertical angle-based reflectance spectroscopy | |
Cum et al. | Machine learning models comparison for water stress detection based on stem electrical impedance measurements | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及*** | |
CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和*** | |
Larson et al. | Apple fruitlet abscission prediction. I. Development and evaluation of reflectance spectroscopy models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131106 Termination date: 20170318 |