[發(fā)明專(zhuān)利]一種基于成像高光譜數(shù)據(jù)的小麥白粉病嚴(yán)重程度檢測(cè)模型的建模方法及應(yīng)用

在審

• 申請(qǐng)?zhí)枺?/td>: 202010633251.9
• 申請(qǐng)日: 2020-07-02
• 公開(kāi)（公告）號(hào): CN111751295A
• 公開(kāi)（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 趙晉陵;方艷;黃林生;梁棟;徐超;黃文江;張東彥;翁士狀
• 申請(qǐng)（專(zhuān)利權(quán)）人: 安徽大學(xué)
• 主分類(lèi)號(hào): G01N21/25
• 分類(lèi)號(hào): G01N21/25;G06F30/27
• 代理公司: 北京方圓嘉禾知識(shí)產(chǎn)權(quán)代理有限公司 11385
• 代理人: 李正

本發(fā)明提供了一種基于成像高光譜數(shù)據(jù)的小麥白粉病嚴(yán)重程度檢測(cè)模型的建模方法及應(yīng)用。通過(guò)高光譜成像儀掃描獲取侵染白粉病小麥葉片382.9～1059.1nm波長(zhǎng)范圍內(nèi)1024個(gè)波段的高光譜影像；計(jì)算小麥葉片白粉病病情指數(shù)，依據(jù)病情指數(shù)對(duì)小麥侵染程度進(jìn)行分級(jí)，獲取小麥葉片的等級(jí)標(biāo)簽；以高光譜影像的光譜數(shù)據(jù)作為原始波段，利用主成分分析算法、隨機(jī)森林和連續(xù)投影算法分別從1024個(gè)波段中挑選出對(duì)白粉病敏感的特征波段的光譜信息，用支持向量機(jī)、隨機(jī)森林、概率神經(jīng)網(wǎng)絡(luò)三種建模方法將等級(jí)標(biāo)簽和每個(gè)樣本特征波長(zhǎng)光譜信息一一對(duì)應(yīng)，訓(xùn)練對(duì)應(yīng)關(guān)系，得到預(yù)估模型。本發(fā)明的預(yù)估模型精度達(dá)到93.33％。

技術(shù)領(lǐng)域

本發(fā)明涉及病蟲(chóng)害防治技術(shù)領(lǐng)域，尤其涉及一種基于成像高光譜數(shù)據(jù)的 小麥白粉病嚴(yán)重程度檢測(cè)模型的建模方法及應(yīng)用。

背景技術(shù)

小麥白粉病是一種世界性病害，在各主要產(chǎn)麥國(guó)均有分布，我國(guó)山東沿 海、四川、貴州、云南發(fā)生普遍，危害也重。傳統(tǒng)的檢測(cè)方法主要基于目測(cè) 手查，存在效率低下、檢測(cè)成本高、受人為主觀影響因素大等弊端。成像高 光譜技術(shù)因其高光譜“圖譜合一”的優(yōu)勢(shì)已被廣泛應(yīng)用于作物病害檢測(cè)領(lǐng)域。 現(xiàn)有技術(shù)公開(kāi)基于成像高光譜數(shù)據(jù)的小麥白粉病嚴(yán)重程度檢測(cè)方法，但是目 前的檢測(cè)方法檢測(cè)變量多，處理復(fù)雜。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于成像高光譜數(shù)據(jù)的小麥白粉病嚴(yán)重程 度檢測(cè)模型的建模方法及應(yīng)用，本發(fā)明的建模方法構(gòu)建得到的模型提取變量 少，檢測(cè)準(zhǔn)確度高。

為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供以下技術(shù)方案：

本發(fā)明提供了一種基于成像高光譜數(shù)據(jù)的小麥白粉病嚴(yán)重程度檢測(cè)模 型的建模方法，包括以下步驟：

1)掃描獲取侵染白粉病小麥葉片382.9～1059.1nm波長(zhǎng)范圍內(nèi)1024個(gè) 波段的高光譜影像；

2)以步驟1)所述高光譜影像的光譜數(shù)據(jù)作為原始波段，采用主成分分 析算法、隨機(jī)森林和連續(xù)投影算法分別對(duì)所述原始波段進(jìn)行降維獲得對(duì)白粉 病敏感的特征波段，分別為主成分分析算法降維后的特征波段、隨機(jī)森林降 維后的特征波段和連續(xù)投影算法降維后的特征波段的光譜信息；

3)測(cè)定所述侵染白粉病小麥葉片病情指數(shù)，基于所述病情指數(shù)對(duì)小麥 白粉病的嚴(yán)重程度劃分成不同等級(jí)，得到等級(jí)標(biāo)簽；所述劃分標(biāo)準(zhǔn)包括：病 情指數(shù)＝0為0級(jí)，健康；0病情指數(shù)≤45％為1級(jí)，輕度侵染；病情指數(shù)45％ 為2級(jí)，重度侵染；

4)以所述主成分分析算法降維后的每個(gè)樣本特征波段的光譜信息和等 級(jí)標(biāo)簽為原始數(shù)據(jù)，采用支持向量機(jī)建模、隨機(jī)森林建模或概率神經(jīng)網(wǎng)絡(luò)建 模進(jìn)行建模；或者，

以隨機(jī)森林降維后的每個(gè)樣本特征波段的光譜信息和等級(jí)標(biāo)簽為原始 數(shù)據(jù)，采用隨機(jī)森林建模或概率神經(jīng)網(wǎng)絡(luò)建模進(jìn)行建模；或者，

以連續(xù)投影算法降維后的每個(gè)樣本特征波段的光譜信息和等級(jí)標(biāo)簽為 原始數(shù)據(jù)，采用隨機(jī)森林建模；得到6個(gè)預(yù)估模型；

所述步驟2)和步驟3)之間沒(méi)有時(shí)間順序限制。

優(yōu)選的，步驟3)所述侵染白粉病小麥葉片病情指數(shù)的計(jì)算方法包括： 基于步驟1)所述高光譜影像的圖像數(shù)據(jù)，提取小麥葉片中侵染白粉病的部 分，計(jì)算每片小麥葉片上白粉病病斑面積和每片小麥葉片的面積，利用式I 計(jì)算小麥葉片病情指數(shù)；

優(yōu)選的，所述提取小麥葉片中侵染白粉病部分的方法包括閾值分割法。

優(yōu)選的，步驟1)中所述高光譜影像的分辨率為2～3nm。

優(yōu)選的，步驟1)中所述高光譜影像包括每個(gè)像元的光譜信息和每個(gè)波 段的圖像信息。

優(yōu)選的，步驟1)在獲得高光譜影像后，還包括對(duì)高光譜影像進(jìn)行 Savitzky-Golay平滑處理。