CN114199800A - 一种水稻纹枯病识别方法、***、设备及介质 - Google Patents
一种水稻纹枯病识别方法、***、设备及介质 Download PDFInfo
- Publication number
- CN114199800A CN114199800A CN202111492501.2A CN202111492501A CN114199800A CN 114199800 A CN114199800 A CN 114199800A CN 202111492501 A CN202111492501 A CN 202111492501A CN 114199800 A CN114199800 A CN 114199800A
- Authority
- CN
- China
- Prior art keywords
- spectral
- rice
- index
- sheath blight
- data
- 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.)
- Granted
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 83
- 235000009566 rice Nutrition 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 52
- 240000007594 Oryza sativa Species 0.000 title 1
- 230000003595 spectral effect Effects 0.000 claims abstract description 97
- 241000209094 Oryza Species 0.000 claims abstract description 83
- 201000010099 disease Diseases 0.000 claims abstract description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 42
- 238000010219 correlation analysis Methods 0.000 claims abstract description 31
- 208000015181 infectious disease Diseases 0.000 claims abstract description 26
- 238000012706 support-vector machine Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 17
- 238000010521 absorption reaction Methods 0.000 claims description 14
- 238000002310 reflectometry Methods 0.000 claims description 14
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 239000000049 pigment Substances 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000011835 investigation Methods 0.000 abstract description 6
- 241001530056 Athelia rolfsii Species 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 208000035240 Disease Resistance Diseases 0.000 abstract description 2
- 238000010832 independent-sample T-test Methods 0.000 abstract description 2
- 241000813090 Rhizoctonia solani Species 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 208000034048 Asymptomatic disease Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种水稻纹枯病识别方法、***、设备及介质,步骤包括:获取水稻的原始高光谱数据并进行标准化处理,然后计算一阶微分光谱特征和连续统去除特征,根据植被指数计算指数特征,将以上特征分别与纹枯病不同染病程度进行相关性分析并结合阈值法选取出第一光谱特征集,根据独立样本T检验方法筛选出以上在不同染病程度的作物样本中呈现显著差异的第二光谱特征集,从第一光谱特征集与第二光谱特征集中取交集得到最优光谱特征集,将最优光谱特征集输入支持向量机模型得到识别结果,通过识别结果评估水稻品种纹枯病抗病程度,以快速、无损的方式完成纹枯病发病调查,并解决了人工田间调查数据冗余度高、主观性高与监测精度差的缺陷。
Description
技术领域
本发明涉及水稻纹枯病识别技术领域,特别涉及一种水稻纹枯病识别方法、***、设备及介质。
背景技术
水稻纹枯病是水稻三大病害之一,是一种由立枯丝核菌引起的真菌病害,该丝核菌广泛分布于土壤中,侵染水稻可致水稻减产10%-30%,严重者多达50%以上。近年来,由于水稻高肥密植等高产栽培措施的广泛应用,该病害的发生愈加严重。
当前,纹枯病调查以人工为主,我国对病害的监测预报主要依靠人工目测、手查、田间取样等方式,方法不仅耗时、费力,而且受观察者主观判断的影响很大,无法满足大范围、实时监测水稻纹枯病发病的需求。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此,本发明提出一种水稻纹枯病识别方法、***、设备及介质,利用无人机高光谱影像对水稻纹枯病病害植株监测,以快速、无损的方式完成纹枯病发病调查,并解决了人工田间调查数据冗余度高、主观性高与监测精度差的缺陷。
第一方面,本发明提供了一种水稻纹枯病识别方法,包括以下步骤:
获取水稻的原始高光谱数据,对所述原始高光谱数据进行标准化处理,得到目标高光谱数据;
根据所述目标高光谱数据计算一阶微分光谱特征和连续统去除特征;根据植被指数计算指数特征;
将所述一阶微分光谱特征、所述连续统去除特征以及所述指数特征分别与纹枯病不同染病程度进行相关性分析,得到相关性分析结果,根据阈值法从所述相关性分析结果中选取出第一光谱特征集;
根据Spss中独立样本T检验方法筛选出所述一阶微分光谱特征、所述连续统去除特征与所述指数特征在不同染病程度的作物样本中呈现显著差异的第二光谱特征集;
从所述第一光谱特征集与所述第二光谱特征集中取交集,得到最优光谱特征集;
将所述最优光谱特征集输入支持向量机模型,得到所述支持向量机模型输出的水稻纹枯病不同染病程度的识别结果。
根据本发明的实施例,至少具有如下技术效果:
本方法利用高光谱影像进行水稻纹枯病病害植株监测,通过高光谱影像数据获取一阶微分光谱特征、连续统去除特征以及指数特征,然后利用相关性分析与阈值法选取出第一光谱特征集,利用独立样本T检验方法筛选出一阶微分光谱特征、连续统去除特征与指数特征在不同染病程度的作物样本中呈现显著差异的第二光谱特征集,从第一光谱特征集与第二光谱特征集中取交集,得到最优光谱特征集,利用支持向量机机器学习方式,评估水稻品种纹枯病抗病程度,以快速、无损的方式完成纹枯病发病调查,并解决了人工田间调查数据冗余度高、主观性高与监测精度差的缺陷。
根据本发明的一些实施例,所述获取水稻的原始高光谱数据,包括:
在水稻种植区域周围布设五个以上像控点,通过无人机采集水稻的像元亮度值影像,其中,所述像控点为固定、无遮挡且有明显识别标识的地标;
通过辐射定标将所述像元亮度值影像转换为辐射亮度值影像,其中,所述辐射定标计算公式包括:
L(λ)=Gain·DN+Bais
其中,所述L(λ)为辐射亮度值,所述Gain为增益系数,所述Bais为偏置系数,所述DN为观测灰度值;
通过辐射传输模型MODTRAN4+将所述辐射亮度值转换为地表反射率;
将像控点和辐射亮度值影像上的地标进行对应匹配,对辐射亮度值影像的几何畸变进行倾斜改正和偏移改正,生成高光谱正射影像。
根据本发明的一些实施例,所述对所述原始高光谱数据进行标准化处理,包括:
其中,所述为水稻健康样本光谱数据A的地表反射率,所述为水稻健康样本光谱数据B、C、D、E的地表反射率,所述Ratioi为i波长下的比率,所述为健康样本光谱数据B、C、D、E在水稻种植区域在i波长下的的标准化后的地表反射率。
根据本发明的一些实施例,所述连续统去除特征包括波段深度、吸收峰面积、波段宽度以及吸收特征。
根据本发明的一些实施例,根据所述目标高光谱数据计算一阶微分光谱特征和连续统去除特征,包括:
根据差分法将所述目标高光谱数据转化为一阶微分光谱特征;
从所述目标高光谱数据选取550nm至750nm波段之间的候选高光谱数据,利用连续统去除法获得相对光谱反射率,根据所述相对光谱反射率分别求出波段深度、吸收峰面积、波段宽度以及吸收特征。
根据本发明的一些实施例,所述植被指数包括赤霉病指数、绿波段指数、结构不敏感色素指数、归一化色素与叶绿素指数、窄波段归一化植被指数、氮素光谱指数以及三角指数。
根据本发明的一些实施例,所述相关性分析为Spearman秩相关性分析。
第二方面,本发明提供了一种水稻纹枯病识别***,包括以下模块:
数据标准化模块,用于获取水稻的原始高光谱数据,对所述原始高光谱数据进行标准化处理,得到目标高光谱数据;
数据计算模块,用于根据所述目标高光谱数据计算一阶微分光谱特征和连续统去除特征;根据植被指数计算指数特征;
第一特征筛选模块,用于将所述一阶微分光谱特征、所述连续统去除特征以及所述指数特征分别与纹枯病不同染病程度进行相关性分析,得到相关性分析结果,根据阈值法从所述相关性分析结果中选取出第一光谱特征集;
第二特征筛选模块,用于根据Spss中独立样本T检验方法筛选出所述一阶微分光谱特征、所述连续统去除特征与所述指数特征在不同染病程度的作物样本中呈现显著差异的第二光谱特征集;
特征确定模块,用于从所述第一光谱特征集与所述第二光谱特征集中取交集,得到最优光谱特征集;
数据输出模块,用于将所述最优光谱特征集输入支持向量机模型,得到所述支持向量机模型输出的水稻纹枯病不同染病程度的识别结果。
第三方面,本发明提供了一种水稻纹枯病识别设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上述的一种水稻纹枯病识别方法。
第四方面,本发明提供了一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上述的一种水稻纹枯病识别方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的一种水稻纹枯病识别方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
当前,纹枯病调查以人工为主,我国对病害的监测预报主要依靠人工目测、手查、田间取样等方式,方法不仅耗时、费力,而且受观察者主观判断的影响很大,无法满足大范围、实时监测水稻纹枯病发病的需求。
参照图1,本发明提供了一种水稻纹枯病识别方法,本方法包括以下步骤:
步骤S100、获取水稻的原始高光谱数据,对原始高光谱数据进行标准化处理,得到目标高光谱数据;
步骤S200、根据目标高光谱数据计算一阶微分光谱特征和连续统去除特征;根据植被指数计算指数特征;
步骤S300、将一阶微分光谱特征、连续统去除特征以及指数特征分别与纹枯病不同染病程度进行相关性分析,得到相关性分析结果,根据阈值法从相关性分析结果中选取出第一光谱特征集;
步骤S400、根据Spss中独立样本T检验方法筛选出一阶微分光谱特征、连续统去除特征与指数特征在不同染病程度的作物样本中呈现显著差异的第二光谱特征集,其中,Spss是一款统计分析软件;
步骤S500、从第一光谱特征集与第二光谱特征集中取交集,得到最优光谱特征集;
步骤S600、将最优光谱特征集输入支持向量机模型,得到支持向量机模型输出的水稻纹枯病不同染病程度的识别结果。
在一些实施例中,步骤S100中获取水稻的原始高光谱数据,包括:
在水稻种植区域周围布设五个以上像控点,通过无人机采集水稻的像元亮度值影像,其中,像控点为固定、无遮挡且有明显识别标识的地标;
通过辐射定标将像元亮度值影像转换为辐射亮度值影像,其中,辐射定标计算公式包括:
L(λ)=Gain·DN+Bais
其中,L(λ)为辐射亮度值,Gain为增益系数,Bais为偏置系数,DN(是遥感影像像元亮度值,记录的地物的灰度值)为观测灰度值;
通过辐射传输模型MODTRAN4+(由美国光谱科技公司、空间物理实验室联合开发的辐射传输模型)将辐射亮度值转换为地表反射率;
将像控点和辐射亮度值影像上的地标进行对应匹配,对辐射亮度值影像的几何畸变进行倾斜改正和偏移改正,生成高光谱正射影像。
在步骤S100中,对原始高光谱数据进行标准化处理,包括:
其中,为水稻健康样本光谱数据A的地表反射率,为水稻健康样本光谱数据B、C、D、E的地表反射率,Ratioi为i波长下的比率,为健康样本光谱数据B、C、D、E在水稻种植区域在i波长下的的标准化后的地表反射率。
在步骤S200中,连续统去除特征包括波段深度、吸收峰面积、波段宽度以及吸收特征。
在步骤S200中,根据目标高光谱数据计算一阶微分光谱特征和连续统去除特征,包括:
根据差分法将目标高光谱数据转化为一阶微分光谱特征;
从目标高光谱数据选取550nm至750nm波段之间的候选高光谱数据,利用连续统去除法获得相对光谱反射率,根据相对光谱反射率分别求出波段深度、吸收峰面积、波段宽度以及吸收特征。
在步骤S200中,植被指数包括赤霉病指数、绿波段指数、结构不敏感色素指数、归一化色素与叶绿素指数、窄波段归一化植被指数、氮素光谱指数以及三角指数。
在步骤S300中,相关性分析为Spearman秩相关性分析。
为了便于本领域人员的理解,以下提供一组最佳实施例:
步骤1,获取水稻的高光谱数据:
在采集影像区域周围布设五个以上像控点,像控点的选择应固定、无遮挡,有明显识别标识,通过无人机采集水稻的像元亮度值影像;通过辐射定标将像元亮度值影像转换为辐射亮度值影像,其中,辐射定标计算公式包括:
L(λ)=Gain·DN+Bais
其中,L(λ)为辐射亮度值,Gain为增益系数,Bais为偏置系数,DN为观测灰度值;
通过辐射传输模型MODTRAN4+将辐射亮度值转换为地表反射率;
将像控点和辐射亮度值影像上的地标进行对应匹配,对辐射亮度值影像的几何畸变进行倾斜改正和偏移改正,生成高光谱正射影像。
步骤2,高光谱数据标准化:
选取水稻周边的健康样本光谱数据A作为标准样本,分别用水稻的健康样本B、C、D、E光谱数据的均值除以周边健康样本光谱数据的均值,得到比值曲线用于反映光谱测量的差异性:
其中,为水稻品种周边的健康样本光谱数据A的反射率,为水稻品种的健康样本B、C、D、E光谱数据的反射率,Ratioi为i波长下的比率,为B、C、D、E水稻品种在水稻种植区域在i波长下的的标准化后的反射率。
步骤3,获取光谱特征:
根据差分法将目标高光谱数据转化为一阶微分特征;
选取550nm-750nm波段的目标高光谱数据利用连续统去除法获得相对光谱反射率,根据相对光谱反射率分别求出波段深度、吸收峰面积、波段宽度以及吸收特征;
选择常用作物病害胁迫指数,根据常用作物病害胁迫指数计算得到对应的指数特征,常用作物病害胁迫指数包括赤霉病指数、绿波段指数、结构不敏感色素指数、归一化色素与叶绿素指数、窄波段归一化植被指数、氮素光谱指数与三角指数。
步骤4,建模特征的选择:
将一阶微分光谱特征、连续统去除特征以及指数特征分别与纹枯病不同染病程度进行相关性分析,得到相关性分析结果,根据阈值法从相关性分析结果中选取出第一光谱特征集,相关性分析为Spearman秩相关性分析;
根据Spss中独立样本T检验方法筛选出一阶微分光谱特征、连续统去除特征与指数特征在不同染病程度的作物样本中呈现显著差异的第二光谱特征集;
染病程度为
0级免疫无症状;
1级高抗:发病率0%至5.0%;
2级抗:发病率5.0%至10.0%;
3级中抗:发病率10.0%至20.0%;
4级中感:发病率20.0%至40.0%;
5级高感:发病率40.0%以上。
步骤5,支持向量机模型建立:
通过高光谱数据以及严重度调查的数据构建支持向量机模型,通过非线性变换将输入空间变换到高维空间,然后在新空间中求最优分类面,从而将原空间中的非线性问题转化成新空间中的线性问题进行求解,将水稻纹枯病样本数据分为0级免疫无症状;1级高抗:发病率0%至5.0%、2级抗:发病率5.0%至10.0%、3级中抗:发病率10.0%至20.0%、4级中感:发病率20.0%至40.0%和5级高感:发病率40.0%以上六类,其中随机选取样本数据作为训练样本,训练样本作为输入,训练支持向量机模型。
步骤6,获取识别结果及品种筛选:
把水稻最优特征集作为输入变量,使用支持向量机模型得到水稻纹枯病不同染病程度的识别结果,通过无人机图像定位各级染病水稻植株的位置和相对应的品种信息、对不同品种的染病程度进行统计评价,计算不同水稻品种在0级免疫无症状;1级高抗:发病率0%至5.0%、2级抗:发病率5.0%至10.0%、3级中抗:发病率10.0%至20.0%、4级中感:发病率20.0%至40.0%和5级高感:发病率40.0%以上六类等级的状况,筛选抗纹枯病高的水稻品种。
基于上述实施例,本实施例还提供了一种水稻纹枯病识别***,包括以下模块:
数据标准化模块,用于获取水稻的原始高光谱数据,对原始高光谱数据进行标准化处理,得到目标高光谱数据;
数据计算模块,用于根据目标高光谱数据计算一阶微分光谱特征和连续统去除特征;根据植被指数计算指数特征;
第一特征筛选模块,用于将一阶微分光谱特征、连续统去除特征以及指数特征分别与纹枯病不同染病程度进行相关性分析,得到相关性分析结果,根据阈值法从相关性分析结果中选取出第一光谱特征集;
第二特征筛选模块,用于根据Spss中独立样本T检验方法筛选出一阶微分光谱特征、连续统去除特征与指数特征在不同染病程度的作物样本中呈现显著差异的第二光谱特征集;
特征确定模块,用于从第一光谱特征集与第二光谱特征集中取交集,得到最优光谱特征集;
数据输出模块,用于将最优光谱特征集输入支持向量机模型,得到支持向量机模型输出的水稻纹枯病不同染病程度的识别结果。
需要注意的是,本实施提供的***实施例与上述的方法实施例是基于同一个发明构思,因此上述方法实施例的相关内容同样适用于本***实施例,此处不再赘述。
本申请一个实施例,提供了一种水稻纹枯病识别设备;该设备可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。具体地,该设备包括:一个或多个控制处理器和存储器,本实例以一个控制处理器为例。控制处理器和存储器可以通过总线或者其他方式连接,本实例以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的电子设备对应的程序指令/模块;控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而实现上述方法实施例的短视频推荐方法。存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。一个或者多个模块存储在存储器中,当被一个或者多个控制处理器执行时,执行上述方法实施例中的一种水稻纹枯病识别方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,可使得上述一个或多个控制处理器执行上述方法实施例中的一种水稻纹枯病识别方法。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种水稻纹枯病识别方法,其特征在于,包括以下步骤:
获取水稻的原始高光谱数据,对所述原始高光谱数据进行标准化处理,得到目标高光谱数据;
根据所述目标高光谱数据计算一阶微分光谱特征和连续统去除特征;根据植被指数计算指数特征;
将所述一阶微分光谱特征、所述连续统去除特征以及所述指数特征分别与纹枯病不同染病程度进行相关性分析,得到相关性分析结果,根据阈值法从所述相关性分析结果中选取出第一光谱特征集;
根据Spss中独立样本T检验方法筛选出所述一阶微分光谱特征、所述连续统去除特征与所述指数特征在不同染病程度的作物样本中呈现显著差异的第二光谱特征集;
从所述第一光谱特征集与所述第二光谱特征集中取交集,得到最优光谱特征集;
将所述最优光谱特征集输入支持向量机模型,得到所述支持向量机模型输出的水稻纹枯病不同染病程度的识别结果。
2.根据权利要求1所述的一种水稻纹枯病识别方法,其特征在于,所述获取水稻的原始高光谱数据,包括:
在水稻种植区域周围布设五个以上像控点,通过无人机采集水稻的像元亮度值影像,其中,所述像控点为固定、无遮挡且有明显识别标识的地标;
通过辐射定标将所述像元亮度值影像转换为辐射亮度值影像,其中,所述辐射定标计算公式包括:
L(λ)=Gain·DN+Bais
其中,所述L(λ)为辐射亮度值,所述Gain为增益系数,所述Bais为偏置系数,所述DN为观测灰度值;
通过辐射传输模型MODTRAN4+将所述辐射亮度值转换为地表反射率;
将像控点和辐射亮度值影像上的地标进行对应匹配,对辐射亮度值影像的几何畸变进行倾斜改正和偏移改正,生成高光谱正射影像。
4.根据权利要求1所述的一种水稻纹枯病识别方法,其特征在于,所述连续统去除特征包括波段深度、吸收峰面积、波段宽度以及吸收特征。
5.根据权利要求4所述的一种水稻纹枯病识别方法,其特征在于,根据所述目标高光谱数据计算一阶微分光谱特征和连续统去除特征,包括:
根据差分法将所述目标高光谱数据转化为一阶微分光谱特征;
从所述目标高光谱数据选取550nm至750nm波段之间的候选高光谱数据,利用连续统去除法获得相对光谱反射率,根据所述相对光谱反射率分别求出波段深度、吸收峰面积、波段宽度以及吸收特征。
6.根据权利要求1所述的一种水稻纹枯病识别方法,其特征在于,所述植被指数包括赤霉病指数、绿波段指数、结构不敏感色素指数、归一化色素与叶绿素指数、窄波段归一化植被指数、氮素光谱指数以及三角指数。
7.根据权利要求1所述的一种水稻纹枯病识别方法,其特征在于,所述相关性分析为Spearman秩相关性分析。
8.一种水稻纹枯病识别***,其特征在于,包括:
数据标准化模块,用于获取水稻的原始高光谱数据,对所述原始高光谱数据进行标准化处理,得到目标高光谱数据;
数据计算模块,用于根据所述目标高光谱数据计算一阶微分光谱特征和连续统去除特征;根据植被指数计算指数特征;
第一特征筛选模块,用于将所述一阶微分光谱特征、所述连续统去除特征以及所述指数特征分别与纹枯病不同染病程度进行相关性分析,得到相关性分析结果,根据阈值法从所述相关性分析结果中选取出第一光谱特征集;
第二特征筛选模块,用于根据Spss中独立样本T检验方法筛选出所述一阶微分光谱特征、所述连续统去除特征与所述指数特征在不同染病程度的作物样本中呈现显著差异的第二光谱特征集;
特征确定模块,用于从所述第一光谱特征集与所述第二光谱特征集中取交集,得到最优光谱特征集;
数据输出模块,用于将所述最优光谱特征集输入支持向量机模型,得到所述支持向量机模型输出的水稻纹枯病不同染病程度的识别结果。
9.一种水稻纹枯病识别设备,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的一种水稻纹枯病识别方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的一种水稻纹枯病识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492501.2A CN114199800B (zh) | 2021-12-08 | 2021-12-08 | 一种水稻纹枯病识别方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492501.2A CN114199800B (zh) | 2021-12-08 | 2021-12-08 | 一种水稻纹枯病识别方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114199800A true CN114199800A (zh) | 2022-03-18 |
CN114199800B CN114199800B (zh) | 2023-11-21 |
Family
ID=80651319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111492501.2A Active CN114199800B (zh) | 2021-12-08 | 2021-12-08 | 一种水稻纹枯病识别方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114199800B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114689526A (zh) * | 2022-05-31 | 2022-07-01 | 北京市农林科学院智能装备技术研究中心 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
CN114993965A (zh) * | 2022-05-13 | 2022-09-02 | 中煤嘉沣(湖南)环保科技有限责任公司 | 一种污染源自动识别方法以及*** |
CN118090672A (zh) * | 2024-04-25 | 2024-05-28 | 奥谱天成(厦门)光电有限公司 | 猕猴桃特征检测方法、装置、介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006250827A (ja) * | 2005-03-11 | 2006-09-21 | Pasuko:Kk | 作物の生育状況分析方法 |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN111767863A (zh) * | 2020-07-01 | 2020-10-13 | 安徽大学 | 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法 |
CN111832507A (zh) * | 2020-07-20 | 2020-10-27 | 安徽大学 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
CN112634212A (zh) * | 2020-12-14 | 2021-04-09 | 江西省林业科学院 | 基于高光谱无人机的病害潜伏树检测方法及*** |
-
2021
- 2021-12-08 CN CN202111492501.2A patent/CN114199800B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006250827A (ja) * | 2005-03-11 | 2006-09-21 | Pasuko:Kk | 作物の生育状況分析方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN111767863A (zh) * | 2020-07-01 | 2020-10-13 | 安徽大学 | 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法 |
CN111832507A (zh) * | 2020-07-20 | 2020-10-27 | 安徽大学 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
CN112634212A (zh) * | 2020-12-14 | 2021-04-09 | 江西省林业科学院 | 基于高光谱无人机的病害潜伏树检测方法及*** |
Non-Patent Citations (1)
Title |
---|
李志伟;袁婧;丁为民;杨红兵;沈少庆;崔嘉林;: "基于高光谱成像技术识别水稻纹枯病", 华南农业大学学报, no. 06, pages 103 - 109 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114993965A (zh) * | 2022-05-13 | 2022-09-02 | 中煤嘉沣(湖南)环保科技有限责任公司 | 一种污染源自动识别方法以及*** |
CN114993965B (zh) * | 2022-05-13 | 2023-04-18 | 中煤嘉沣(湖南)环保科技有限责任公司 | 一种污染源自动识别方法以及*** |
CN114689526A (zh) * | 2022-05-31 | 2022-07-01 | 北京市农林科学院智能装备技术研究中心 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
CN118090672A (zh) * | 2024-04-25 | 2024-05-28 | 奥谱天成(厦门)光电有限公司 | 猕猴桃特征检测方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114199800B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fernandez-Gallego et al. | Wheat ear counting in-field conditions: high throughput and low-cost approach using RGB images | |
Haghighattalab et al. | Application of unmanned aerial systems for high throughput phenotyping of large wheat breeding nurseries | |
US20230316555A1 (en) | System and Method for Image-Based Remote Sensing of Crop Plants | |
Virlet et al. | Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring | |
CN114199800A (zh) | 一种水稻纹枯病识别方法、***、设备及介质 | |
Paulus et al. | Technical workflows for hyperspectral plant image assessment and processing on the greenhouse and laboratory scale | |
CN108414455B (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
Hall et al. | Low‐resolution remotely sensed images of winegrape vineyards map spatial variability in planimetric canopy area instead of leaf area index | |
Yue et al. | Method for accurate multi-growth-stage estimation of fractional vegetation cover using unmanned aerial vehicle remote sensing | |
Li et al. | Quantification winter wheat LAI with HJ-1CCD image features over multiple growing seasons | |
Houborg et al. | Adapting a regularized canopy reflectance model (REGFLEC) for the retrieval challenges of dryland agricultural systems | |
Wang et al. | Unsupervised discrimination between lodged and non-lodged winter wheat: A case study using a low-cost unmanned aerial vehicle | |
Sagan et al. | Data-driven artificial intelligence for calibration of hyperspectral big data | |
US20220307971A1 (en) | Systems and methods for phenotyping | |
CN113553697B (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
US11594015B1 (en) | Detecting changes in forest composition | |
CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
Palacios et al. | Early yield prediction in different grapevine varieties using computer vision and machine learning | |
Murray et al. | The novel use of proximal photogrammetry and terrestrial LiDAR to quantify the structural complexity of orchard trees | |
Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
Misra et al. | Artificial neural network for estimating leaf fresh weight of rice plant through visual-nir imaging | |
Chen et al. | Preliminary research on total nitrogen content prediction of sandalwood using the error-in-variable models based on digital image processing | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
CN114663761A (zh) | 作物长势确定方法、装置、设备和存储介质 | |
Wang et al. | Improved estimation of SPAD values in walnut leaves by combining spectral, texture, and structural information from UAV-based multispectral image |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |