[發明專利]基于機器學習和高光譜成像的多種類柑橘病葉識別方法及系統

在審

• 申請號: 202110087395.3
• 申請日: 2021-01-22
• 公開（公告）號: CN112903602A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 吳葉蘭;陳怡宇;管慧寧;劉杰;廉小親
• 申請（專利權）人: 北京工商大學
• 主分類號: G01N21/25
• 分類號: G01N21/25;G06K9/62;G06K9/32;G06T7/00
• 代理公司: 北京北新智誠知識產權代理有限公司 11100
• 代理人: 朱麗華

1.一種基于機器學習和高光譜成像的多種類柑橘病葉識別方法，其特征在于，所述方法包括：

獲取柑橘病葉的高光譜圖像，其中所述柑橘葉片包括正常葉片、潰瘍病葉片、除草劑危害葉片、紅蜘蛛危害葉片和煤煙病葉片；

將所述高光譜圖像的像素亮度值轉換為反射率值；

提取所述轉換后的高光譜圖像對應的光譜信息并作為實驗樣本；

對所述實驗樣本進行預處理；

提取所述預處理后的實驗樣本的特征波長；

利用所述預處理后的實驗樣本或所述特征波長構建訓練樣本集，并利用所述訓練樣本集構建病葉識別模型；

利用構建完成的病葉識別模型進行病葉識別。

2.如權利要求1所述的基于機器學習和高光譜成像的多種類柑橘病葉識別方法，其特征在于，“提取所述轉換后的高光譜圖像對應的光譜信息并作為實驗樣本”，包括：

獲取所述轉換后的高光譜圖像的有效光譜范圍；

識別所述轉換后的高光譜圖像中的發病區；

根據所述發病區獲取固定大小的感興趣區域；

以所述感興趣區域內每個像素的反射率值作為所述實驗樣本。

3.如權利要求2所述的基于機器學習和高光譜成像的多種類柑橘病葉識別方法，其特征在于，“對所述實驗樣本進行預處理”，包括：

按下式所示的方法對所述實驗樣本進行一階求導：

其中，λ_i為實驗樣本的第i個波長，r(λ_i)是λ_i對應的反射率，Δλ為實驗樣本的相鄰兩波段間波長間隔。

4.如權利要求2所述的基于機器學習和高光譜成像的多種類柑橘病葉識別方法，其特征在于，“對所述實驗樣本進行預處理”，包括：

按下式所示的方法對所述實驗樣本進行多元散射矯正：

其中，為所有實驗樣本的反射率平均值，Data_i為第i個實驗樣本的反射率，n為實驗樣本總個數，Data_ij為第i個實驗樣本在第j個波長的反射率，k_i為第i個實驗樣本的基線偏移量，b_i為第i個實驗樣本的平移量，為校正后實驗樣本的光譜信息。

5.如權利要求2所述的基于機器學習和高光譜成像的多種類柑橘病葉識別方法，其特征在于，“對所述實驗樣本進行預處理”，包括：

按下式所示的方法對所述實驗樣本進行標準正態變換：

其中，為標準正態變換后第k個實驗樣本的反射率，x_k為第k個實驗樣本變換前的反射率，SDev(X)為所有實驗樣本的標準差，Mean(X)為所有實驗樣本的均值。

6.如權利要求3或4或5所述的基于機器學習和高光譜成像的多種類柑橘病葉識別方法，其特征在于，“提取所述預處理后的實驗樣本的特征波長”，包括：

計算所述預處理后的實驗樣本對應的光譜數據X_m×n的協方差矩陣C_n×n；其中，m表示實驗樣本總數，n表示實驗樣本的光譜波段；

計算C_n×n的特征值和特征向量；按降序選取k個特征向量，并作為列向量組成特征向量矩陣U_n×k；

按下式所示方法將實驗樣本投影到特征向量U_n×k；

Y_m×k＝X_m×nU_n×k

其中，Y_m×k為投影后實驗樣本的數據；

基于所述Y_m×k獲取對應的主成分荷載并獲取主成分荷載圖；

以所述主成分荷載圖中荷載曲線的波峰和波谷的波長作為所述特征波長。