基于成像高光譜數(shù)據(jù)的小麥白粉病診斷研究.pdf

1、白粉病作為小麥的主要病害之一，嚴(yán)重制約著中國(guó)小麥的產(chǎn)量和品質(zhì)。該病害在早期如果發(fā)現(xiàn)不及時(shí)、不準(zhǔn)確，容易使農(nóng)戶增加經(jīng)濟(jì)損失，還可能造成過量噴灑農(nóng)藥引起農(nóng)田環(huán)境污染。同時(shí)，在該病染病中晚期，無損監(jiān)測(cè)對(duì)病害防控的重要性降低，但能為災(zāi)害損失評(píng)估提供有價(jià)值的參考，因此如何對(duì)小麥關(guān)鍵生育期的白粉病嚴(yán)重度進(jìn)行快速、準(zhǔn)確地診斷變得十分重要。遙感技術(shù)具有無損、快捷、省時(shí)等優(yōu)勢(shì)，尤其是高光譜成像技術(shù)融合圖像和光譜的數(shù)據(jù)優(yōu)勢(shì)，可以為作物病蟲害監(jiān)測(cè)研究中的目標(biāo)

2、識(shí)別提供重要的技術(shù)支持。本論文以小麥自粉病葉片為研究對(duì)象，利用ImSpector V10E-QE成像光譜儀收集研究目標(biāo)的“圖譜合一”數(shù)據(jù)，結(jié)合計(jì)算機(jī)圖像處理和機(jī)器學(xué)習(xí)技術(shù)，進(jìn)行白粉病病情回歸預(yù)測(cè)與病害嚴(yán)重度分類研究，以期指導(dǎo)作物病害噴藥防治及為災(zāi)后損失評(píng)估提供技術(shù)支撐。本文主要研究?jī)?nèi)容和結(jié)果如下:
　　(1)利用計(jì)算機(jī)圖像處理技術(shù)進(jìn)行病斑分割，實(shí)現(xiàn)病情指數(shù)(Disease Index，DI)的定量計(jì)算。首先，在中值濾波增強(qiáng)圖像之后

3、，采用OTSU分割算法和模糊C—均值聚類對(duì)Lab顏色空間中的a分量和b分量進(jìn)行葉片和背景區(qū)域分割處理;其次，利用超紅顏色特征2R-G-B實(shí)現(xiàn)病斑區(qū)域分割。試驗(yàn)結(jié)果表明:(a)在葉片分割上，兩種算法均能完整分割出葉片區(qū)域，但是在實(shí)際處理過程中OTSU分割算法用時(shí)更少，執(zhí)行效率更高;(b)利用超紅特征可以有效實(shí)現(xiàn)病斑區(qū)域分割;之后，通過分割得出的葉片區(qū)域和病斑區(qū)域像素?cái)?shù)定量計(jì)算出病情指數(shù)。最后，在VS2012平臺(tái)上，搭建小麥葉片病斑分割系統(tǒng)

4、，實(shí)現(xiàn)研究樣本圖像預(yù)處理、圖像分割和面積計(jì)算功能，為后續(xù)研究提供數(shù)據(jù)支持。
　　(2)以染病初期的小麥葉片高光譜數(shù)據(jù)為研究對(duì)象，針對(duì)性計(jì)算新的植被指數(shù)，構(gòu)建早期白粉病病情回歸預(yù)測(cè)模型。引入Relief-F算法提取染病早期最敏感波段和波段差，利用歸一化波段差和單波段組合計(jì)算構(gòu)造新的植被指數(shù):白粉病病害指數(shù)(Powdery Mildew Disease Index，PMDI)，通過分析病情指數(shù)與11種植被指數(shù)（含PMDI指數(shù)）的相關(guān)性

5、及線性模型，得出PMDI模型有最高的決定系數(shù)(R2=0.8399)和最低的均方根誤差(RMSE=4.5220)，效果優(yōu)于其他病害植被指數(shù)的結(jié)果。同時(shí)，在常用植被指數(shù)中歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI）模型決定系數(shù)最高，R2=0.7771，RMSE=5.3364。最后，選擇PMDI和NDVI分別構(gòu)建小麥白粉病染病早期病情指數(shù)的支持向量回歸(Support Vector

6、Regression，SVR)預(yù)測(cè)模型。結(jié)果表明，經(jīng)敏感波段篩選構(gòu)建的PMDI指數(shù)的預(yù)測(cè)結(jié)果更好(預(yù)測(cè)模型的R2=0.8863，RMSE=3.5532)，可以為小麥白粉病早期無損診斷提供方法與模型支持。
　　(3)以染病中晚期的小麥葉片高光譜數(shù)據(jù)為研究對(duì)象，獲取白粉病不同嚴(yán)重度的光譜特征，用以區(qū)分中晚期病害不同嚴(yán)重等級(jí)。應(yīng)用等距映射算法(Isometric Feature Mapping，Isomap)降維處理原始?xì)w一化光譜數(shù)據(jù)，

7、以178個(gè)樣本作為試驗(yàn)數(shù)據(jù)，選取136個(gè)作為訓(xùn)練樣本，其余52個(gè)作為測(cè)試樣本，將樣本降維后的特征輸入到概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network,PNN）建立嚴(yán)重等級(jí)分類識(shí)別模型，模型總體識(shí)別精度可以達(dá)到88％，高于利用PMDI建立的識(shí)別結(jié)果（總體識(shí)別精度為69％）;同時(shí)針對(duì)染病早期的樣本數(shù)據(jù)，以降維數(shù)據(jù)構(gòu)建的預(yù)測(cè)模型Isomap-SVR的相關(guān)系數(shù)R2為0.7980，均方根誤差RMSE為4.6522，其結(jié)果并