CN101701917A - 一种水稻冠层叶瘟病快速诊断系统与方法 - Google Patents
一种水稻冠层叶瘟病快速诊断系统与方法 Download PDFInfo
- Publication number
- CN101701917A CN101701917A CN200910154289A CN200910154289A CN101701917A CN 101701917 A CN101701917 A CN 101701917A CN 200910154289 A CN200910154289 A CN 200910154289A CN 200910154289 A CN200910154289 A CN 200910154289A CN 101701917 A CN101701917 A CN 101701917A
- Authority
- CN
- China
- Prior art keywords
- rice
- rice canopy
- febrile disease
- data
- seasonal febrile
- 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
Images
Abstract
本发明公开了一种诊断水稻冠层叶瘟病的系统,包括光谱发射系统、光谱接收系统、调节支架、计算机数据处理系统、作物操作平台,光谱发射系统发射的光照射在水稻冠层上,反射光被光谱接收系统采集,得到水稻冠层光谱反射率数据,光谱反射率数据传入计算机数据处理系统,通过水稻冠层叶瘟病快速诊断方法进行数据预处理和判别公式的判别,实现水稻冠层叶瘟病的快速诊断识别。本发明还公开了一种诊断水稻冠层叶瘟病的方法,应用组合模拟波段算法和判别公式Y=5.283X进行快速判别,减少人眼判别的失误率和主观性,可用于实时的病害防治和对点喷药措施,同时此系统结构简单、成本较低,利于普及应用。
Description
技术领域
本发明涉及一种水稻冠层叶瘟病的快速诊断系统与方法,尤其是用于根据某特定组合模拟波长结合判别算法进行水稻冠层叶瘟病快速诊断判别。
背景技术
稻瘟病是水稻病害中最为常见的一种,严重发病情况下可使水稻减产40%~50%。目前,水稻叶瘟的诊断多依靠人眼进行分级测报,在发病早期,病斑不显著,则难以实现快速准确判别,从而错过防治的有利时期。同时,人眼识别的主观性强,需要的时间和精力较多,无法满足现代农业的发展要求。
专利申请号为ZL200910097341.4的专利申请公开了一种基于多光谱图像处理的水稻稻叶瘟病检测分级方法。利用可见/近红外多光谱摄像机实时采集绿光波段、红光波段、近红外波段三个波段通道的单色灰度图像,然后使用MATLAB软件,通过图象处理方法编写应用软件,进行图像处理。包括背景及噪声、干扰等的消除和作物病斑信息的识别分析,实现植物是否发病及病斑位置和分级的准确快速处理。但本方法及其采用的设备都比较复杂、昂贵,不利于田间普及。
因此,研究一种既能快速、准确对水稻叶瘟进行判别,又简单、成本低的系统和方法是非常必要的。
发明内容
本发明提供一种基于组合模拟波段算法的能快速、准确又简便、低成本的诊断水稻冠层叶瘟病的系统和方法。
一种基于组合模拟波段算法的水稻冠层叶瘟病快速诊断系统,包括
(a)光谱发射系统,用于发射可见-近红外范围的连续光;
(b)光谱接收系统,用于采集可见-近红外范围的光谱反射率数据;
(c)调节支架,用于实现光谱接收系统上下方向和360°范围的旋转操作;
(d)计算机数据处理系统,用于对光谱接收系统采集的反射率数据的存储、预处理、模型建立及水稻冠层叶瘟病的快速诊断判别、结果显示、存储;
(e)作物操作平台,用于调节作物水平位置高低;
光谱发射系统发射的光照射在水稻冠层上,反射光被光谱接收系统采集,得到水稻冠层光谱反射率数据,光谱反射率数据传入计算机数据处理系统,通过水稻冠层叶瘟病快速诊断方法进行数据预处理和判别公式的判别,实现水稻冠层叶瘟病的快速诊断识别。
所述的光谱发射系统发射可见-近红外连续光的波长为380~1100nm,既包括人眼能识别的可见光380~780nm波谱范围,又包括人眼不能看到的近红外780~1100nm的波谱范围,可有效的与专家判别进行对比分析。
所述的调节支架进行光谱接收系统上下方向高度的调节范围为0.2~2.0m。能更好地调节光谱接收系统的探头到水稻冠层平面的垂直距离。
基于组合模拟波段算法的水稻冠层叶瘟病快速诊断方法,包括如下步骤:
1)对采集到的波长范围为400~1000nm的水稻冠层光谱反射率数据进行预处理并提取最优值;方法为首先进行直接正交信号校正处理,设定计算的成分数为2~20,允许的偏差(tolerance)为0.0005~0.0015;对直接正交信号校正处理后的组合模拟波长400~1000nm的数据再进行连续投影算法处理,设定最大选中波长点数量为2~30,经连续投影算法处理后,选定直接正交信号校正处理后的组合模拟波段775nm处的数据为最优值,作为水稻叶瘟病判别公式的输入值;
2)将直接正交信号校正处理后组合模拟波段775nm处的数据代入水稻叶瘟病判别公式:Y=5.283X。判别公式中X为经过预处理后组合模拟波段775nm处对应的数据,Y为判别结果,当Y>0.5时,该样本为健康样本,当Y<0.5时,该样本为染病样本。
对于其他植物的叶瘟病的诊断,所建立的判别公式是不适应的,需要采用本发明所述方法步骤重新建立判别公式。
本发明具有的有益效果是:
(1)本发明应用组合模拟波段算法和判别公式Y=5.283X进行快速判别,缩短了病害判别时间,减少人眼判别的失误率和主观性,可用于实时的病害防治和对点喷药措施,有利于实现水稻病害防治的精细化管理和作业,同时此系统结构简单、成本较低,利于普及应用;
(2)可根据实际情况,利用该方法选择其他特征组合模拟波长,建立相应模型,用于作物其它生长信息的快速检测和判别。
附图说明
图1是水稻冠层叶瘟病快速诊断系统结构示意图。
其中:1、光谱发射系统;2、光谱接收系统;3、调节支架;4、计算机数据处理系统;5、电源系统;6、作物操作平台。
图2是水稻冠层叶瘟病快速诊断方法流程图。
图3是水稻冠层原始可见-近红外反射光谱图。
图4是应用水稻叶瘟病判别公式的判别结果示意图。
具体实施方式
实施例1
如附图1所示,本发明水稻冠层叶瘟病快速诊断系统包括光谱发射系统1、光谱接收系统2、调节支架3、计算机数据处理系统4、电源系统5和作物操作平台6。
将光谱发射系统1、光谱接收系统2和作物操作平台6的高度和角度调整好,具体布置应使光谱发射系统的光照射在水稻冠层上,光线入射角度为45°,水稻冠层大体分布在一个平面上。光谱接收系统对准水稻冠层,光谱接收系统的探头距水稻冠层平面的垂直距离大约为150mm。开机启动该诊断系统后,待光谱发射系统和光谱接收系统预热15分钟后,首先用光谱接收系统自带白板代替水稻冠层,进行光谱扫描并根据系统自带标准曲线对光谱接收系统进行校正。系统校正好以后,再进行水稻冠层光谱数据的采集。水稻冠层在380~1100nm范围的反射率数据被光谱接收系统采集,并通过USB数据线传入计算机数据处理系统进行存储待用。
计算机数据处理系统首先将水稻冠层光谱反射率数据进行存储,然后通过水稻冠层叶瘟病快速诊断方法进行判别分析,具体步骤如下:
1)将光谱接收系统采集的水稻冠层光谱反射率数据通过USB数据线传入计算机数据处理系统进行数据存储,并选取400~1000nm范围的数据待用;
2)对选取的400~1000nm范围的光谱数据进行数据预处理,方法为直接正交信号校正处理(参见Westerhuis,J.A.;De Jong,S.;Smilde,A.K.Direct orthogonal signal correction.Chemometrics and Intelligent LaboratorySystems,2001,56,13-25.),设定计算的成分数为10,允许的偏差(tolerance)为0.001。对直接正交信号校正处理后的组合模拟波长400~1000nm的数据进行连续投影算法处理(参见Araújo,M.C.U.;Saldanha,T.C.B.;R.K.H.;Yoneyama,T.;Chame,H.C.;Visani,V.The successive projectionsalgorithm for variable selection in spectroscopic multicomponent analysis.Chemometrics and Intelligent Laboratory Systems,2001,57,65-73.),选择对水稻叶瘟病诊断最有效的波长点。运行连续投影算法时,设定最大选中波长点数量为5。通过上述计算,选定直接正交信号校正处理后的组合模拟波段775nm处的数据作为水稻叶瘟病判别公式的输入值。此处组合模拟波段775nm处的数据为综合400~1000nm范围的数据经过数据预处理运算,计算得出的数据,并不是光谱接收系统直接采集的775nm处的原始数据。
3)将直接正交信号校正处理后组合模拟波段775nm处的数据代入水稻叶瘟病判别公式:Y=5.283X。判别公式中X为经过预处理后组合模拟波段775nm处对应的数据,Y为判别结果,当Y>0.5时,该样本为健康样本,当Y<0.5时,该样本为染病样本。
以籼稻原丰早品种作为供试水稻品种,供试菌为稻瘟病病原菌稻灰梨孢Pyricularia grisea菌株ZB1。试验分为对照(健康)和染病两组,在相同条件下同时进行。稻苗在人工气候箱培养,欲染病的稻苗在3~4片叶时进行喷雾接种,环境条件是:25℃、RH>86%,然后在25~28℃恒温下黑暗保湿24小时,再移出室外进行隔离光照、喷水保湿培养,采用第4天采集的120个水稻样本的光谱数据,其中健康和染病样本各60个。随机选择建模集样本80个(健康和染病样本各40个),其余40个样本(健康和染病各20个)为预测集样本。采集水稻冠层的原始可见-近红外反射光谱图如附图3所示,图中横坐标为波长,范围为400~1000nm,纵坐标为光谱反射率值。
将直接正交信号校正处理后的光谱数据连续投影算法处理,获得组合模拟波段775nm处的数值作为输入变量X,将样本健康或染病的种类作为输出变量Y,应用建模集80个样本得到水稻冠层叶瘟诊断的直接线性方程。其结果如下:Y=5.283X,其中:X为直接信号校正处理后的组合模拟波段775nm处的光谱值,Y为水稻冠层叶瘟的判别值。当Y>0.5时,判定该样本为健康样本,当Y<0.5时,判定该样本为染病样本。用建模集样本对该直接线性方程的判别性能进行验证,对建模集样本的判别准确率为100%,对预测集样本的判别准确率为95.0%,具体结果见附图4。
实施例2
采用如实施例1所用的装置,直接正交信号校正处理,设定计算的成分数为20,允许的偏差(tolerance)为0.0005,运行连续投影算法时,设定最大选中波长点数量为15,运用如实施例1所用的方法,得到的可见-近红外反射光谱图也如附图3所示,应用水稻叶瘟病判别公式的判别结果示意图如附图4所示,用建模集样本对该直接线性方程的判别性能进行验证,对建模集样本的判别准确率为100%,对预测集样本的判别准确率为95.0%。
实施例3
采用如实施例1所用的装置,直接正交信号校正处理,设定计算的成分数为5,允许的偏差(tolerance)为0.0015,运行连续投影算法时,设定最大选中波长点数量为30,运用如实施例1所用的方法,得到的可见-近红外反射光谱图也如附图3所示,应用水稻叶瘟病判别公式的判别结果示意图如附图4所示,用建模集样本对该直接线性方程的判别性能进行验证,对建模集样本的判别准确率为100%,对预测集样本的判别准确率为95.0%。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权力要求的保护范围内,对本方面做出的任何修改和改变,都落入本发明的保护范围。
Claims (4)
1.基于组合模拟波段算法的水稻冠层叶瘟病快速诊断系统,其特征在于:包括
(a)光谱发射系统(1),用于发射可见-近红外范围的连续光;
(b)光谱接收系统(2),用于采集可见-近红外范围的光谱反射率数据;
(c)调节支架(3),用于实现光谱接收系统上下方向和360°范围的旋转操作;
(d)计算机数据处理系统(4),用于对光谱接收系统采集的反射率数据的存储、预处理、模型建立及水稻冠层叶瘟病的快速诊断判别、结果显示、存储;
(e)作物操作平台(6),用于调节待测作物水平位置高低;
光谱发射系统(1)发射的光照射在水稻冠层上,反射光被光谱接收系统采集,得到水稻冠层光谱反射率数据,光谱反射率数据传入计算机数据处理系统,通过水稻冠层叶瘟病快速诊断方法进行数据预处理和判别公式的判别,实现水稻冠层叶瘟病的快速诊断识别。
2.如权利要求1所述的水稻冠层叶瘟病快速诊断系统,其特征在于:所述的光谱发射系统(1)发射可见-近红外连续光的波长为380~1100nm。
3.如权利要求1所述的水稻冠层叶瘟病快速诊断系统,其特征在于:所述的调节支架(3)进行光谱接收系统(2)上下方向高度的调节范围为0.2~2.0m。
4.基于组合模拟波段算法的水稻冠层叶瘟病快速诊断方法,其特征在于:包括如下步骤:
1)对采集到的波长范围为400~1000nm的水稻冠层光谱反射率数据进行预处理并提取最优值;方法为首先进行直接正交信号校正处理,设定计算的成分数为2~20,允许的偏差为0.0005~0.0015;对直接正交信号校正处理后的组合模拟波长400~1000nm的数据再进行连续投影算法处理,设定最大选中波长点数量为2~30,经连续投影算法处理后,选定直接正交信号校正处理后的组合模拟波段775nm处的数据为最优值,作为水稻叶瘟病判别公式的输入值;
2)将直接正交信号校正处理后组合模拟波段775nm处的数据代入水稻叶瘟病判别公式:Y=5.283X,判别公式中X为经过预处理后组合模拟波段775nm处对应的数据,Y为判别结果;当Y>0.5时,该样本为健康样本,当Y<0.5时,该样本为染病样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101542891A CN101701917B (zh) | 2009-11-19 | 2009-11-19 | 一种水稻冠层叶瘟病快速诊断系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101542891A CN101701917B (zh) | 2009-11-19 | 2009-11-19 | 一种水稻冠层叶瘟病快速诊断系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101701917A true CN101701917A (zh) | 2010-05-05 |
CN101701917B CN101701917B (zh) | 2011-05-11 |
Family
ID=42156837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101542891A Expired - Fee Related CN101701917B (zh) | 2009-11-19 | 2009-11-19 | 一种水稻冠层叶瘟病快速诊断系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101701917B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458596A (zh) * | 2014-12-21 | 2015-03-25 | 华东交通大学 | 多角度原位光谱检测番茄叶片丙二醛含量装置及方法 |
CN104568772A (zh) * | 2014-12-21 | 2015-04-29 | 华东交通大学 | 多角度原位光谱检测番茄叶片谷氨酸含量装置及方法 |
CN104655573A (zh) * | 2015-01-22 | 2015-05-27 | 浙江大学 | 一种植物侧表面冠层的高光谱扫描系统 |
CN105158811A (zh) * | 2015-09-24 | 2015-12-16 | 河北省科学院地理科学研究所 | 模拟现实场景的地物波谱采集装置和采集方法 |
CN105352899A (zh) * | 2015-10-26 | 2016-02-24 | 北京农业信息技术研究中心 | 一种基于反射光谱的变量施药窗口期决策方法 |
-
2009
- 2009-11-19 CN CN2009101542891A patent/CN101701917B/zh not_active Expired - Fee Related
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458596A (zh) * | 2014-12-21 | 2015-03-25 | 华东交通大学 | 多角度原位光谱检测番茄叶片丙二醛含量装置及方法 |
CN104568772A (zh) * | 2014-12-21 | 2015-04-29 | 华东交通大学 | 多角度原位光谱检测番茄叶片谷氨酸含量装置及方法 |
CN104655573A (zh) * | 2015-01-22 | 2015-05-27 | 浙江大学 | 一种植物侧表面冠层的高光谱扫描系统 |
CN105158811A (zh) * | 2015-09-24 | 2015-12-16 | 河北省科学院地理科学研究所 | 模拟现实场景的地物波谱采集装置和采集方法 |
CN105158811B (zh) * | 2015-09-24 | 2016-07-06 | 河北省科学院地理科学研究所 | 模拟现实场景的地物波谱采集装置和采集方法 |
CN105352899A (zh) * | 2015-10-26 | 2016-02-24 | 北京农业信息技术研究中心 | 一种基于反射光谱的变量施药窗口期决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101701917B (zh) | 2011-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101718683B (zh) | 快速检测叶片叶绿素含量的建模方法及检测方法 | |
Qiu et al. | Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms | |
CN101701917B (zh) | 一种水稻冠层叶瘟病快速诊断系统与方法 | |
Zhang et al. | High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion | |
CN101936882B (zh) | 一种作物氮素和水分无损检测方法及装置 | |
Pinheiro Lisboa et al. | Prediction of sugarcane yield based on NDVI and concentration of leaf-tissue nutrients in fields managed with straw removal | |
Tan et al. | Estimating nitrogen status of rice canopy using hyperspectral reflectance combined with BPSO-SVR in cold region | |
CN103048266B (zh) | 一种设施番茄氮磷钾胁迫自动识别方法和装置 | |
CN102081039A (zh) | 一种环境可控的作物营养水分高光谱图像检测装置 | |
Yang et al. | Winter wheat SPAD estimation from UAV hyperspectral data using cluster-regression methods | |
CN105067532B (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
Ghamkhar et al. | Real-time, non-destructive and in-field foliage yield and growth rate measurement in perennial ryegrass (Lolium perenne L.) | |
CN109916838A (zh) | 一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法 | |
Stamford et al. | Development of an accurate low cost NDVI imaging system for assessing plant health | |
CN109187417A (zh) | 一种无人机载的太赫兹波及高光谱遥感农作物监测系统 | |
Fan et al. | A simple visible and near-infrared (V-NIR) camera system for monitoring the leaf area index and growth stage of Italian ryegrass | |
CN107991245A (zh) | 一种作物光谱信息采集装置及作物植被指数获取方法 | |
CN102759510A (zh) | 一种油菜冠层信息光谱检测方法 | |
Zhu et al. | Rapid determination of spore germinability of Clostridium perfringens based on microscopic hyperspectral imaging technology and chemometrics | |
Qian et al. | Development and application of crop monitoring system for detecting chlorophyll content of tomato seedlings | |
Jin et al. | A Novel Tran_NAS Method for the Identification of Fe-and Mg-Deficient Pear Leaves from N-and P-Deficient Pear Leaf Data | |
Yao et al. | Design and testing of an active light source apparatus for crop growth monitoring and diagnosis | |
CN115266720A (zh) | 多尺度光谱成像的玉米生长期养分信息检测方法 | |
Mao et al. | Optimization of spectroscopy parameters and prediction of chlorophyll content at seeding stage of winter wheat | |
Rajwade et al. | Assessment of water stress in rainfed maize using RGB and thermal imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110511 Termination date: 20191119 |