CN111751295A - 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 - Google Patents
一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 Download PDFInfo
- Publication number
- CN111751295A CN111751295A CN202010633251.9A CN202010633251A CN111751295A CN 111751295 A CN111751295 A CN 111751295A CN 202010633251 A CN202010633251 A CN 202010633251A CN 111751295 A CN111751295 A CN 111751295A
- Authority
- CN
- China
- Prior art keywords
- powdery mildew
- modeling
- wave band
- wheat
- dimensionality reduction
- 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.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 69
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 69
- 241000221785 Erysiphales Species 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003384 imaging method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 230000003595 spectral effect Effects 0.000 claims abstract description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 58
- 201000010099 disease Diseases 0.000 claims abstract description 57
- 238000007637 random forest analysis Methods 0.000 claims abstract description 55
- 238000000513 principal component analysis Methods 0.000 claims abstract description 40
- 208000015181 infectious disease Diseases 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims description 93
- 238000012937 correction Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 206010039509 Scab Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用。通过高光谱成像仪扫描获取侵染白粉病小麦叶片382.9~1059.1nm波长范围内1024个波段的高光谱影像;计算小麦叶片白粉病病情指数,依据病情指数对小麦侵染程度进行分级,获取小麦叶片的等级标签;以高光谱影像的光谱数据作为原始波段,利用主成分分析算法、随机森林和连续投影算法分别从1024个波段中挑选出对白粉病敏感的特征波段的光谱信息,用支持向量机、随机森林、概率神经网络三种建模方法将等级标签和每个样本特征波长光谱信息一一对应,训练对应关系,得到预估模型。本发明的预估模型精度达到93.33%。
Description
技术领域
本发明涉及病虫害防治技术领域,尤其涉及一种基于成像高光谱数据的 小麦白粉病严重程度检测模型的建模方法及应用。
背景技术
小麦白粉病是一种世界性病害,在各主要产麦国均有分布,我国山东沿 海、四川、贵州、云南发生普遍,危害也重。传统的检测方法主要基于目测 手查,存在效率低下、检测成本高、受人为主观影响因素大等弊端。成像高 光谱技术因其高光谱“图谱合一”的优势已被广泛应用于作物病害检测领域。 现有技术公开基于成像高光谱数据的小麦白粉病严重程度检测方法,但是目 前的检测方法检测变量多,处理复杂。
发明内容
本发明的目的在于提供一种基于成像高光谱数据的小麦白粉病严重程 度检测模型的建模方法及应用,本发明的建模方法构建得到的模型提取变量 少,检测准确度高。
为了实现上述发明目的,本发明提供以下技术方案:
本发明提供了一种基于成像高光谱数据的小麦白粉病严重程度检测模 型的建模方法,包括以下步骤:
1)扫描获取侵染白粉病小麦叶片382.9~1059.1nm波长范围内1024个 波段的高光谱影像;
2)以步骤1)所述高光谱影像的光谱数据作为原始波段,采用主成分分 析算法、随机森林和连续投影算法分别对所述原始波段进行降维获得对白粉 病敏感的特征波段,分别为主成分分析算法降维后的特征波段、随机森林降 维后的特征波段和连续投影算法降维后的特征波段的光谱信息;
3)测定所述侵染白粉病小麦叶片病情指数,基于所述病情指数对小麦 白粉病的严重程度划分成不同等级,得到等级标签;所述划分标准包括:病 情指数=0为0级,健康;0<病情指数≤45%为1级,轻度侵染;病情指数>45% 为2级,重度侵染;
4)以所述主成分分析算法降维后的每个样本特征波段的光谱信息和等 级标签为原始数据,采用支持向量机建模、随机森林建模或概率神经网络建 模进行建模;或者,
以随机森林降维后的每个样本特征波段的光谱信息和等级标签为原始 数据,采用随机森林建模或概率神经网络建模进行建模;或者,
以连续投影算法降维后的每个样本特征波段的光谱信息和等级标签为 原始数据,采用随机森林建模;得到6个预估模型;
所述步骤2)和步骤3)之间没有时间顺序限制。
优选的,步骤3)所述侵染白粉病小麦叶片病情指数的计算方法包括: 基于步骤1)所述高光谱影像的图像数据,提取小麦叶片中侵染白粉病的部 分,计算每片小麦叶片上白粉病病斑面积和每片小麦叶片的面积,利用式I 计算小麦叶片病情指数;
优选的,所述提取小麦叶片中侵染白粉病部分的方法包括阈值分割法。
优选的,步骤1)中所述高光谱影像的分辨率为2~3nm。
优选的,步骤1)中所述高光谱影像包括每个像元的光谱信息和每个波 段的图像信息。
优选的,步骤1)在获得高光谱影像后,还包括对高光谱影像进行 Savitzky-Golay平滑处理。
优选的,步骤2)中在采用主成分分析算法、随机森林和连续投影算法 分别对所述原始波段进行降维前,还包括对原始波段进行多元散射校正,得 到降维前病害分级的准确度预测结果;在得到主成分分析算法降维后的特征 波段、随机森林降维后的特征波段和连续投影算法降维后的特征波段后,还 包括对所述主成分分析算法降维后的特征波段、随机森林降维后的特征波段 和连续投影算法降维后的特征波段分别进行多元散射校正,得到3种降维后 病害分级的准确度预测结果。
优选的,步骤2)中所述主成分分析算法降维后的特征波段、随机森林 降维后的特征波段和连续投影算法降维后的特征波段数量独立为10~20。
本发明还提供了上述方案所述建模方法构建得到的预估模型在预估小 麦白粉病严重程度中的应用。
优选的,所述应用包括以下步骤:获取侵染白粉病小麦叶片特征波段光 谱数据,将所述光谱数据输入对应的预估模型,得到小麦白粉病的严重程度 等级。
本发明的有益效果:本发明提供了一种基于成像高光谱数据的小麦白粉 病严重程度检测方法,本发明扫描获取侵染白粉病小麦叶片382.9~1059.1nm 波长范围内1024个波段的高光谱影像;测定所述侵染白粉病小麦叶片病情 指数,基于所述病情指数对小麦白粉病的严重程度划分成不同等级,得到等 级标签;以所述主成分分析算法降维后的特征波段的光谱信息和等级标签为 原始数据,采用支持向量机建模、随机森林建模或概率神经网络建模进行建 模;或者,以随机森林降维后的特征波段的光谱信息和等级标签为原始数据, 采用随机森林建模或概率神经网络建模进行建模;或者,以连续投影算法降 维后的特征波段的光谱信息和等级标签为原始数据,采用随机森林建模;得 到6个预估模型。本发明的预估模型能够用于准确评估小麦叶片白粉病侵染 严重程度。本发明的模型精度为89.33%~93.33%,与现有技术相比,经过降 维后,本发明采用全部变量1024个波段的1%进行建模,提取的变量少,在 减少噪声和信息冗余影响的同时,能够大大减少计算量,提高检测速率,并 且达到较高的测试精度。
附图说明
图1为检测方法的流程图;其中,1-1为获取成像高光谱数据;2-1为对 成像高光谱数据中的光谱进行分析;2-2对成像高光谱数据中的图像进行分 析;3-1为建立模型预测过程;
图2A为在ENVI中对高光谱数据进行Savitzky-Golay(SG)平滑处理前 的光谱曲线;
图2B为在ENVI中对高光谱数据进行Savitzky-Golay(SG)平滑处理后 的光谱曲线;
图3为假彩色影像;
图4为叶片尺度上不同病害程度的视觉对比图;
图5为不同程度病害的光谱曲线;
图6为主成分分析选择最佳波长;
图7为随机森林选择最佳波长;
图8为SPA选择最佳波长。
具体实施方式
本发明提供了一种基于成像高光谱数据的小麦白粉病严重程度检测模 型的建模方法,包括以下步骤:
1)扫描获取侵染白粉病小麦叶片382.9~1059.1nm波长范围内1024个 波段的高光谱影像;
2)以步骤1)所述高光谱影像的光谱数据作为原始波段,采用主成分分 析算法、随机森林和连续投影算法分别对所述原始波段进行降维获得对白粉 病敏感的特征波段,分别为主成分分析算法降维后的特征波段、随机森林降 维后的特征波段和连续投影算法降维后的特征波段的光谱信息;
3)测定所述侵染白粉病小麦叶片病情指数,基于所述病情指数对小麦 白粉病的严重程度划分成不同等级,得到等级标签;所述划分标准包括:病 情指数=0为0级,健康;0<病情指数≤45%为1级,轻度侵染;病情指数>45% 为2级,重度侵染;
4)以所述主成分分析算法降维后的每个样本特征波段的光谱信息和等 级标签为原始数据,采用支持向量机建模、随机森林建模或概率神经网络建 模进行建模;或者,
以随机森林降维后的每个样本特征波段的光谱信息和等级标签为原始 数据,采用随机森林建模或概率神经网络建模进行建模;或者,
以连续投影算法降维后的每个样本特征波段的光谱信息和等级标签为 原始数据,采用随机森林建模;得到6个预估模型;
所述步骤2)和步骤3)之间没有时间顺序限制。
本发明首先扫描获取侵染白粉病小麦叶片382.9~1059.1nm波长范围内 1024个波段的高光谱影像;所述高光谱影像的分辨率优选为2~3nm;所述 扫描的设备优选为地面推扫成像光谱仪,所述地面推扫成像光谱仪优选的通 过线性阵列推扫成像获取图像;本发明具体实施过程中,采用一个垂直于运 动方向的面阵探测器,在飞行平台向前运动中完成二维空间扫描,它的空间 扫描方向是遥感平台运动方向;所述高光谱影像优选的包括每个像元的光谱 信息和每个波段的推行信息;在获得高光谱影像后,本发明优选的还包括通过数据线连接计算机,完成拼接BMP图片、转换反射率、平滑光谱曲线后 导出为BIL格式。
得到高光谱影像后,本发明优选的还包括对高光谱影像进行 Savitzky-Golay平滑处理,具体是在ENVI中对“图谱合一”的原始高光谱 影像统一处理;所述Savitzky-Golay平滑处理的作用是降低光谱仪器中的噪 音干扰,提高光谱平滑性;所述Savitzky-Golay平滑处理优选的在ENVI5.3 中选择工具箱中Savitzky-GolayFilter工具,设置导数阶数为0;多元散射校 正方法是现阶段多波长定标建模常用的一种数据处理方法,经过散射校正后得到的光谱数据能够有效地消除散射影响,增强了与成分含量相关的光谱吸 收信息。
得到高光谱影像后,本发明以所述高光谱影像的光谱数据作为原始波 段,采用主成分分析算法、随机森林和连续投影算法分别对所述原始波段进 行降维获得对白粉病敏感的特征波段,分别为主成分分析算法降维后的特征 波段、随机森林降维后的特征波段和连续投影算法降维后的特征波段的光谱 信息;所述主成分分析算法降维后的特征波段、随机森林降维后的特征波段 和连续投影算法降维后的特征波段的数量独立优选为10~20,更优选为 12~18,最优选为15。
本发明在在采用主成分分析算法、随机森林和连续投影算法分别对所述 原始波段进行降维前,优选的还包括对原始波段进行多元散射校正,得到降 维前病害分级的准确度预测结果;在得到主成分分析算法降维后的特征波 段、随机森林降维后的特征波段和连续投影算法降维后的特征波段后,还包 括对所述主成分分析算法降维后的特征波段的光谱信息、随机森林建模降维 后的特征波段的光谱信息和连续投影算法降维后的特征波段的光谱信息分 别进行多元散射校正,得到3种降维后病害分级的准确度预测结果;所述多元散射矫正的作用是减少原始光谱数据1024个波段带来的计算量大和干扰 信息多的问题。
在本发明中,采用主成分分析算法对原始波段进行降维的方法包括:保 留前三个主成分的特征个数,加载波长选择波峰波谷作为特征波长;主成分 分析通过线性变换将原始数据变换为一组各维度线性无关的表示,用于提取 数据的主要特征分量。主成分分析本质上是将方差最大的方向作为主要特 征,让数据在不同正交方向上没有相关性,能够很好的解除线性相关。在不 丢失主要光谱信息的前提下,选择数目较少的新变量替代原来较多的变量, 解决了高光谱波段过多、谱带重叠的分析难题。本发明中,主成分分析中的 前三个主成分包含了99.21%的方差信息,保留前三个主成分的特征个数, 加载波长选择波峰波谷作为特征波长。
在本发明中,采用随机森林对原始波段进行降维的方法包括:选取比重 大于0.2的所有属性作为特征波长。在本发明中,比重大于0.2的波长能够 保证更高的模型精度。
在本发明中,采用连续投影算法对原始波段进行降维的方法包括:选出 一个初始波段,然后在每一次迭代时加入新的波段,直到达到的波段数为10; 所述初始波段随机选取;所述新的波段是除初始波段以外的任意波段。
本发明测定所述侵染白粉病小麦叶片病情指数,基于所述病情指数对小 麦白粉病的严重程度划分成不同等级,得到等级标签;所述划分标准包括: 病情指数=0为0级,健康;0<病情指数≤45%为1级,轻度侵染;病情指 数>45%为2级,重度侵染;所述患白粉病小麦叶片病情指数的计算方法优 选的包括基于所述高光谱影像的图像数据,提取小麦叶片中白粉病的部分, 计算每片小麦叶片上白粉病病斑面积和每片小麦叶片的面积,利用式I计算 小麦叶片病情指数;
在本发明中,所述提取小麦叶片中患白粉病的部分的方法包括阈值分割 法,本发明具体实施过程中,利用地面推扫成像光谱仪进行推扫成像,每次 将6片侵染小麦叶片放在置物台,对图像数据进行处理时,将每片叶片裁剪 出来,提取小麦叶片中侵染白粉病的部分;本发明中,成像高光谱数据通过 加载波段达到显示图像的目的,对图像进行病斑分割,病斑面积计算,将不 同严重程度的病害叶片分成几个等级;所述高光谱影像的分辨率优选为2~3 nm;所述高光谱影像优选的包括每个像元的光谱信息和每个波段的图像信息。
得到主成分分析算法降维后的特征波段、随机森林建模降维后的特征波 段、连续投影算法降维后的特征波段和等级标签后,本发明以所述主成分分 析算法降维后的特征波段的光谱信息和等级标签为原始数据,采用支持向量 机建模、随机森林建模或概率神经网络建模进行建模;或者,以随机森林降 维后的特征波段的光谱信息和等级标签为原始数据,采用随机森林建模或概 率神经网络建模进行建模;或者,以连续投影算法降维后的特征波段的光谱 信息和等级标签为原始数据,采用随机森林建模;得到6个预估模型。
在本发明中,所述支持向量机建模方法优选的包括:采用所述主成分分 析算法降维后的特征波段的光谱信息、随机森林降维后的特征波段的光谱信 息或连续投影算法降维后的特征波段的光谱信息作为第一原始数据,采用等 级标签作为第二原始数据,对第一原始数据和第二原始数据应用核函数来确 定最大的边缘分类曲面,最大的边缘分类曲面作为判别,预估病害的严重程 度;本发明中,所述核函数表示通过一个非线性转换后的两个实例间的内积。 具体地,Φ(x,z)是一个函数,或正定核,意味着存在一个从输入空间到特征 空间的映射,对任意输入空间中的x,z有Φ(x,z)=Φ(x)×Φ(z)。
本发明将不同严重度的叶片光谱波段放在模型中训练、验证,通过模型 对病害严重度的预测精度,得到适合预测病害的模型。
本发明还提供了上述方案所述建模方法构建得到的模型在预估小麦白 粉病严重程度中的应用;所述应用优选的包括以下步骤:获取侵染白粉病小 麦叶片特征波段的光谱数据,将所述光谱数据输入对应的预估模型,得到小 麦白粉病的严重程度等级。
下面将结合本发明中的实施例,对本发明中的技术方案进行清楚、完整 地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的 实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳 动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1一种基于成像高光谱数据的小麦白粉病严重程度检测方法
检测方法的流程图参见图1。其中,1-1为获取成像高光谱数据;2-1为 对成像高光谱数据中的光谱进行分析;2-2对成像高光谱数据中的图像进行 分析;3-1为建立模型预测过程。
1、高光谱成像***
本发明使用的高光谱成像***是地面推扫成像光谱仪(PIS),通过线性阵 列推扫成像获取图像。采用一个垂直于运动方向的面阵探测器,在飞行平台 向前运动中完成二维空间扫描,它的空间扫描方向是遥感平台运动方向。每 次扫描以0.7nm采样间隔获取光谱分辨率为2nm的382.9~1059.1nm波长 范围的图像,采集到的高光谱数据包括每个像元的光谱信息和每个波段的推 行那个信息,通过数据线连接计算机,完成拼接BMP图片、转换反射率、 平滑光谱曲线后导出为BIL格式。
2、实验设计
供试小麦材料为施氮肥管理下的京冬12号,在北京农林科学院小麦场 (北纬39.93度,东经116.27度)采集小麦灌溉期关键产期叶片,为了保持小 麦叶片的新鲜,PIS装置被安装在实验场地附近的一个暗室里。小麦叶片采 摘后,固定在用黑布覆盖的采样平台上。
3、光谱数据处理
为了降低光谱仪器中的噪音干扰,提高光谱平滑性,在ENVI中 对高光谱数据进行Savitzky-Golay(SG)平滑处理,处理前后光谱曲 线如图2A和图2B,其中图2A为SG平滑处理前光谱曲线,图2B 为SG平滑处理后光谱曲线。处理后光谱曲线没有明显噪声,曲线平
4、病情指数分级
在ENVI中选取红(680nm)、绿(550nm)、蓝(450nm)波段加载 真彩色图像(图3),用阈值分割法提取分割病斑,计算侵染病情指数。病 情指数计算公式如式I所示:
将获得的叶片数据中白粉病严重度划分为三个等级:0级(健康,病情 指数为0)、1级(轻度侵染,病情指数0~45%)、2级(重度侵染,病情 指数大于45%)。图4展现了叶片尺度上不同等级病害的视觉图像。图5展 示了三个等级的平均光谱曲线。在不同病害平均光谱曲线中能够看到, 550~700nm之间不同等级病害有明显的区别。
5、高光谱降维方法
本研究的高光谱数据波长从382.9到1059.1nm,分为1024个波段,全 部波段作为识别分类因子,计算量大,建模时间长,而且在这样的高维空间 中波段之间相关性强,存在信息冗余及噪声信息,在图像识别中容易造成误 差,降低准确率,通过降维能够缓解“维度灾难”,减小因噪声和冗余信息 造成的低精度。因此需要进行敏感波段选择,从高维光谱特征中挑选有限个 敏感波段,这些敏感波段包含大部分敏感信息,能够有效提高小麦白粉病分 类识别精度。本发明用三种敏感波段选择方法,分别是主成分分析,随机森 林和连续投影算法。
1)主成分分析(Principal Component Analysis,PCA)降维
本研究中前三个主成分(前三个主成分指的是前三组线性不相关的变 量)包含99.21%的方差信息,保留前三个主成分的特征个数,从波长加载 图(图6)中选择波峰波谷作为特征波长。
2)随机森林模型(Random Forests,RF)降维
本发明根据比重图(图7)选择比重大于0.2的所有属性作为特征波长。
3)连续投影算法(Successive Projections Algorithm,SPA)降维
本发明从第一校准对象波谱图(图8)中选择选择相关性最低的一组波 长作为特征波长。
三种降维方法挑选的特征波长被列在表1。
表1三种降维方法挑选的特征波长
6、病害分级建模方法
高光谱数据在建模之前进行多元散射校正(Multiple scattering correction,msc)预处理,多元散射校正方法是现阶段多波长定标建模常用 的一种数据处理方法,经过散射校正后得到的光谱数据能够有效地消除散射 影响,增强了与成分含量相关的光谱吸收信息。
1)支持向量机(Support vector machine,SVM)建模
采用所述原始波段、主成分分析算法降维后的特征波段、随机森林降维 后的特征波段或连续投影算法降维后的特征波段的光谱信息作为原始输入 数据,通过对原始输入数据应用核函数来确定最大的边缘分类曲面,最大的 边缘分类曲面作为判别,预估病害的严重程度;本发明中,所述核函数表示 通过一个非线性转换后的两个实例间的内积。具体地,Φ(x,z)是一个函数, 或正定核,意味着存在一个从输入空间到特征空间的映射,对任意输入空间 中的x,z有Φ(x,z)=Φ(x)×Φ(z)。
2)随机森林(Random forests,RF)
采用所述原始波段、主成分分析算法降维后的特征波段、随机森林降维 后的特征波段或连续投影算法降维后的特征波段的光谱信息作为原始输入 数据,(1)从原始训练数据集中,应用bootstrap方法有放回地随机抽取K个 新的自助样本集,并由此构建K棵分类回归树,每次未被抽到的样本组成 了K个袋外数据(Out-of-bag,OOB)。(2)设有n个特征,则在每一棵树的每 个节点处随机抽取mtry个特征(mtry≤n),通过计算每个特征蕴含的信息量, 在mtry个特征中选择一个最具有分类能力的特征进行节点***。(3)每棵树 最大限度地生长,不做任何剪裁。(4)将生成的多棵树组成随机森林,用随机 森林对新的数据进行分类,分类结果按树分类器的投票多少而定。
3)PNN建模
采用所述原始波段、主成分分析算法降维后的特征波段、随机森林降维 后的特征波段或连续投影算法降维后的特征波段的光谱信息作为原始输入 数据,当给出输入时,第一层计算从输入向量到训练输入向量的距离,并生 成一个向量,该向量的元素表示输入与训练输入之间的距离。在输入层和模 式层之间的连接是通过一个高斯函数,求得模式层中的每个神经元和输入层 中每个神经元之间的匹配程度。然后通过每类的匹配程度累加求和,再取平 均,得到输入样本的所属类别。
7、结果分析
75个样本分为5组,每15个样本为一组,每次选择4组作为训练集, 剩下1组作为测试集。三种降维方法结合三种预测模型,样本的分级正确率 如表2所示。
表2小麦白粉病病害分级测试结果
由表2可以看出,没有降维的原始数据建模测试精度最高为88%,经三 种降维方法降维后病害分级测试效果较好,RF、PNN两种建模方法在三种 方法降维后不同程度提高了精度,RF建模方式的结果始终优于PNN,SVM 建模方法在经过PCA降维后精度达到最高,经过RF和SPA降维后测试精 度维持不变。
由上述实施例可以看出,本发明采用三种建模方法过程只用了全部变量 的1%进行建模,就达到了较好的效果,这说明提取的少数变量确实起到了 提取建模所需的有用信息。三种病害分级预测模型对经过PCA降维的特征 波段精度最高,其中支持向量机建模方式得到最高精度93.33%,随机森林 建模方式在预测上表现出比较稳定的结果,三种降维选择特征波段的方式都 达到92%的精度,概率神经网络的预测结果比较稳定。本发明将为小麦白粉 病田间病害程度检测提供基础,也为病害抗性分级提供一种新思路。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普 通技术人员来说,在不脱离本发明原理的前提下,还能够做出若干改进和润 饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法,包括以下步骤:
1)扫描获取侵染白粉病小麦叶片382.9~1059.1nm波长范围内1024个波段的高光谱影像;
2)以步骤1)所述高光谱影像的光谱数据作为原始波段,采用主成分分析算法、随机森林和连续投影算法分别对所述原始波段进行降维获得对白粉病敏感的特征波段,分别为主成分分析算法降维后的特征波段、随机森林降维后的特征波段和连续投影算法降维后的特征波段的光谱信息;
3)测定所述侵染白粉病小麦叶片病情指数,基于所述病情指数对小麦白粉病的严重程度划分成不同等级,得到等级标签;所述划分标准包括:病情指数=0为0级,健康;0<病情指数≤45%为1级,轻度侵染;病情指数>45%为2级,重度侵染;
4)以所述主成分分析算法降维后的每个样本特征波段的光谱信息和等级标签为原始数据,采用支持向量机建模、随机森林建模或概率神经网络建模进行建模;或者,
以随机森林降维后的每个样本特征波段的光谱信息和等级标签为原始数据,采用随机森林建模或概率神经网络建模进行建模;或者,
以连续投影算法降维后的每个样本特征波段的光谱信息和等级标签为原始数据,采用随机森林建模;得到6个预估模型;
所述步骤2)和步骤3)之间没有时间顺序限制。
3.根据权利要求2所述的建模方法,其特征在于,所述提取小麦叶片中侵染白粉病部分的方法包括阈值分割法。
4.根据权利要求1所述的建模方法,其特征在于,步骤1)中所述高光谱影像的分辨率为2~3nm。
5.根据权利要求1所述的建模方法,其特征在于,步骤1)中所述高光谱影像包括每个像元的光谱信息和每个波段的图像信息。
6.根据权利要求1所述的建模方法,其特征在于,步骤1)在获得高光谱影像后,还包括对高光谱影像进行Savitzky-Golay平滑处理。
7.根据权利要求1所述的建模方法,其特征在于,步骤2)中在采用主成分分析算法、随机森林和连续投影算法分别对所述原始波段进行降维前,还包括对原始波段进行多元散射校正,得到降维前病害分级的准确度预测结果;在得到主成分分析算法降维后的特征波段、随机森林降维后的特征波段和连续投影算法降维后的特征波段后,还包括对所述主成分分析算法降维后的特征波段、随机森林降维后的特征波段和连续投影算法降维后的特征波段分别进行多元散射校正,得到3种降维后病害分级的准确度预测结果。
8.根据权利要求1所述的建模方法,其特征在于,步骤2)中所述主成分分析算法降维后的特征波段、随机森林降维后的特征波段和连续投影算法降维后的特征波段数量独立为10~20。
9.权利要求1~8任意一项所述建模方法构建得到的预估模型在预估小麦白粉病严重程度中的应用。
10.根据权利要求9所述应用,其特征在于,所述应用包括以下步骤:获取侵染白粉病小麦叶片特征波段光谱数据,将所述光谱数据输入对应的预估模型,得到小麦白粉病的严重程度等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633251.9A CN111751295A (zh) | 2020-07-02 | 2020-07-02 | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633251.9A CN111751295A (zh) | 2020-07-02 | 2020-07-02 | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111751295A true CN111751295A (zh) | 2020-10-09 |
Family
ID=72679014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010633251.9A Pending CN111751295A (zh) | 2020-07-02 | 2020-07-02 | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111751295A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113948220A (zh) * | 2021-10-29 | 2022-01-18 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
CN116577313A (zh) * | 2023-07-14 | 2023-08-11 | 中国农业科学院植物保护研究所 | 一种小麦白粉病菌潜伏侵染量的定量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408307A (zh) * | 2014-11-25 | 2015-03-11 | 河南农业大学 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
CN104766152A (zh) * | 2015-01-30 | 2015-07-08 | 安徽大学 | 一种作物病害识别与病情评估装置 |
CN105180850A (zh) * | 2015-07-15 | 2015-12-23 | 中国农业大学 | 计算玉米叶部大斑病病斑面积比例的方法及装置 |
CN108846370A (zh) * | 2018-06-26 | 2018-11-20 | 安徽大学 | 一种小麦白粉病中晚期病害严重度自动分析方法 |
CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
-
2020
- 2020-07-02 CN CN202010633251.9A patent/CN111751295A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408307A (zh) * | 2014-11-25 | 2015-03-11 | 河南农业大学 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
CN104766152A (zh) * | 2015-01-30 | 2015-07-08 | 安徽大学 | 一种作物病害识别与病情评估装置 |
CN105180850A (zh) * | 2015-07-15 | 2015-12-23 | 中国农业大学 | 计算玉米叶部大斑病病斑面积比例的方法及装置 |
CN108846370A (zh) * | 2018-06-26 | 2018-11-20 | 安徽大学 | 一种小麦白粉病中晚期病害严重度自动分析方法 |
CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
Non-Patent Citations (3)
Title |
---|
张庆: "基于成像高光谱数据的小麦白粉病诊断研究", 《万方学位论文》 * |
杨珺雯 等: "随机森林在高光谱遥感数据中降维与分类的应用", 《北京师范大学学报(自然科学版)》 * |
王丽艳 等: "高光谱数据降维对马铃薯分类的影响", 《江苏农业科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113948220A (zh) * | 2021-10-29 | 2022-01-18 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
CN113948220B (zh) * | 2021-10-29 | 2022-12-09 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
CN116577313A (zh) * | 2023-07-14 | 2023-08-11 | 中国农业科学院植物保护研究所 | 一种小麦白粉病菌潜伏侵染量的定量方法 |
CN116577313B (zh) * | 2023-07-14 | 2023-10-27 | 中国农业科学院植物保护研究所 | 一种小麦白粉病菌潜伏侵染量的定量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
CN106339674B (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
CN102385694B (zh) | 一种基于地块的作物品种高光谱识别方法 | |
US7184890B2 (en) | Cloud shadow detection: VNIR-SWIR | |
Zhang et al. | Identification of corn seeds with different freezing damage degree based on hyperspectral reflectance imaging and deep learning method | |
CN107527326A (zh) | 一种基于高光谱成像的小麦赤霉病诊断方法 | |
CN111161362B (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
CN112070008B (zh) | 高光谱图像特征识别方法、装置、设备及存储介质 | |
CN111289441A (zh) | 多光谱下的大田作物含水量确定方法、***及设备 | |
CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
CN107145831B (zh) | 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
RU2695963C1 (ru) | Способ распознавания образов биохимических наземных объектов с тонкими спектральными различиями на основе гиперспектральных данных | |
CN112557393A (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
CN110807387A (zh) | 一种基于高光谱图像特征的对象分类方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201009 |
|
RJ01 | Rejection of invention patent application after publication |