基于光譜和多光譜圖像技術(shù)的油菜菌核病識(shí)別.pdf

1、油菜是我國(guó)四大油料作物之一，油菜的生長(zhǎng)狀況決定了油菜籽的產(chǎn)量和質(zhì)量。油菜菌核病作為油菜生產(chǎn)中重要的病害之一，病株一般減產(chǎn)70％以上，嚴(yán)重影響了油菜的產(chǎn)量和品質(zhì)。目前，油菜菌核病的診斷多依靠人眼進(jìn)行判別，其缺點(diǎn)是預(yù)測(cè)不及時(shí)、主觀性強(qiáng)、效率低，因此，急需一種能夠快速、準(zhǔn)確進(jìn)行油菜菌核病檢測(cè)的方法和技術(shù)。本文應(yīng)用光譜和多光譜圖像技術(shù)油菜菌核病進(jìn)行快速識(shí)別和早期診斷。主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)如下：
　　 1．結(jié)合油菜菌核病的發(fā)病機(jī)理，利用可

2、見/近紅外光譜技術(shù)對(duì)油菜菌核病進(jìn)行了早期診斷。采用ASD便攜式光譜儀采集油菜葉片樣本的光譜，建立油菜菌核病識(shí)別的偏最小二乘模型(PLS)、BP神經(jīng)網(wǎng)絡(luò)模型(BPNN)、最小二乘支持向量機(jī)識(shí)別模型(LS—SVM)，并比較這些模型的識(shí)別效果。其中依據(jù)二階微分處理并且經(jīng)過偏最小二乘分析提取特征值而建立的BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)識(shí)別模型效果最好，識(shí)別率都達(dá)到了100％。為了提高模型的計(jì)算速度，根據(jù)建立的PLs識(shí)別模型提取關(guān)于油菜菌核病信

3、息的8個(gè)特征波長(zhǎng)。根據(jù)這些特征波長(zhǎng)建立識(shí)別模型，預(yù)測(cè)識(shí)別正確率在判別閾值為0.5和0.4的情況下分別達(dá)到87.5％和65％。說(shuō)明這些特征波長(zhǎng)在一定程度上代表了所有波長(zhǎng)的信息，是大量光譜數(shù)據(jù)中最重要的波長(zhǎng)部分，提取特征波長(zhǎng)對(duì)于模型的簡(jiǎn)化以及后續(xù)的儀器開發(fā)打下了良好的基礎(chǔ)。
　　 2．應(yīng)用了紅、綠、近紅外三通道的多光譜圖像進(jìn)行了油菜菌核病的識(shí)別方法的研究。對(duì)采集到的紅、綠、近紅外組成的多光譜圖像進(jìn)行了去除背景噪聲處理，并提取了RGB

4、、HSI顏色空間的12個(gè)顏色特征和紅、綠、近紅外三個(gè)通道圖像的15個(gè)紋理特征，主要運(yùn)用偏最小二乘回歸分析、BP神經(jīng)網(wǎng)絡(luò)以及最小二乘支持向量機(jī)建立了油菜菌核病的識(shí)別模型。比較了所建立的模型的識(shí)別效果。發(fā)現(xiàn)MSC預(yù)處理下建立的分別基于顏色特征和紋理特征的BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型效果最優(yōu)，在判別閾值為0.1的情況下的識(shí)別率達(dá)到100％。為了對(duì)BPNN模型的適用性進(jìn)行評(píng)價(jià)，本文又選擇了不同批次50個(gè)健康樣本和50個(gè)染病樣本輸入到此模型，在0.1的判