CN104036257A - 基于d-s理论的多源数据融合柑橘黄龙病检测分类方法 - Google Patents

Abstract

本发明公开了一种基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，包括：利用高光谱图像采集平台、可见光谱图像采集平台和荧光谱图像采集平台采集到柑橘叶片样品的图像信息，对每种光谱采集的图像信息进行黄龙病症状的分类，得到三种光谱每一类症状的识别率；将三种光谱的识别率作为证据源，给证据识别框各命题分配BPA值，建立证据源的可信度向量；将可信度作为折扣因子对证据识别框内各命题的BPA值进行调整；采用Dempster组合规则将调整后的BPA值进行融合，得到对黄龙病症状的综合识别率，实现对黄龙病症状的正确诊断。本发明方法将高光谱、可见光谱和荧光谱的识别率进行融合，得到一个黄龙病症状的综合识别率，实现对黄龙病症状的正确诊断。

Description

基于D-S理论的多源数据融合柑橘黄龙病检测分类方法

技术领域

本发明涉及柑橘黄龙病检测分类方法，尤其是基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，属于柑橘黄龙病检测领域。

背景技术

柑桔黄龙病(Liberobacter asiaticum)是一种世界性的柑桔病害。在我国主要分布于广东、广西、福建、台湾、海南、云南、贵州、四川、浙江、湖南、江西等省。在南非、印度及东南亚诸国，该病曾称为青果病(Greening)。1995年在第13届国际柑桔病毒病学家会议上一致通过以Citrus HuangLongbing为这类病害的正名。该病对柑桔生产危害极大，感病的柑桔品种得病后可在3～5年内丧失结果能力，甚至枯死。目前，在柑橘基层生产中，柑橘HLB较常用的诊断方法是田间症状诊断法。田间症状诊断法无需任何设备，仅通过柑橘树外部特征即可诊断柑橘HLB。富有经验的柑橘生产者通过对柑橘HLB病状的长期观察学习，总结了一些柑橘HLB的症状诊断依据，积累了一定的田间诊断经验。然而，柑橘黄龙病的症状比较复杂，仅依赖肉眼观察能力以及柑橘HLB可见光病状，难以得到较高的诊断精度。

目前柑橘HLB诊断方法有田间诊断、嫁接诊断、电镜观察、血清学诊断、DNA探针杂交以及PCR(聚合酶链式反应)扩增等。田间诊断法是应用最早、也是当前仍广为应用的鉴别方法。其主要鉴别症状有四种：斑驳状黄化、均匀黄化、黄梢以及红鼻果。由于田间诊断法仅通过肉眼观察病状，受个人经验、认识、条件等方面的限制，导致诊断准确率不高。

嫁接传染法也称指示植物鉴定法，需将可疑病树的病枝芽条嫁接于指示植物的无病实生苗上培育。其缺点是耗时长，无法及时诊断病情；电镜观察法可以借助电镜、投射式荧光显微镜、光学显微镜等辅助设备观察特异性病状，从而确定HLB病菌。由于柑橘树体内的HLB菌浓度较低，且分布不均匀，造成观察具一定难度，另外电镜器材费用昂贵，导致生产中难以推广。

发明内容

本发明的目的是为了解决上述现有技术的缺陷，提供了一种可以实现对黄龙病症状的正确诊断的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法。

本发明的目的可以通过采取如下技术方案达到：

基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于包括以下步骤：

1)利用高光谱图像采集平台、可见光谱图像采集平台和荧光谱图像采集平台采集到柑橘叶片样品的图像信息，对每种光谱采集的图像信息进行黄龙病症状的分类，得到三种光谱每一类症状的识别率；

2)将三种光谱的识别率作为证据源，给证据识别框各命题分配BPA值，建立证据源的可信度向量；

3)将可信度作为折扣因子对证据识别框内各命题的BPA值进行调整；

4)采用Dempster组合规则将调整后的BPA值进行融合，得到对黄龙病症状的综合识别率，实现对黄龙病症状的正确诊断。

作为一种实施方案，步骤1)所述高光谱图像采集平台包括样品台、紫外光源、高光谱成像仪、CCD相机以及计算机，通过紫外光源的照射，利用高光谱成像仪和CCD相机采集样品台上的柑橘叶片样品图像信息，在计算机中对所采集的高光谱图像图像进行黄龙病症状的分类，得到高光谱每一类症状的识别率。

作为一种实施方案，所采集的高光谱图像图像进行黄龙病症状的分类，具体如下：

在校准时，通过采集对反射率为99％标准白色校正板得到全白的标定图R_b，然后采集全黑的标定图像R_d，根据原始图像R_img由下式计算校正后图像R：

$R=\frac{R_{\mathrm{img}}-R_d}{R_b-R_d}$

获取了五种不同症状的柑橘叶片样本在波长370～988nm范围内共512个波段的高光谱图像，每类有250组样本，共计1250组柑橘叶片样本，利用spectraSENS-V3.0软件生成高光谱图像不同种类整个叶片的反射值，并对其进行平均；从五类样本中每类各随机抽取的十组反射值平均值，根据叶片反射值的影响因素柑橘样本种类和波段范围，利用matlab绘制出柑橘叶片的三维光谱曲线，根据光谱曲线颜色判断，样本反射值均值峰值呈现的趋势为：黄化＞缺锌＞症状轻微＞症状明显＞健康；再采用主成分分析与BP神经网络方法对柑橘高光谱数据进行分析处理，以实现柑橘黄龙病的诊断分类。

作为一种实施方案，步骤1)所述可见光谱图像采集平台包括CCD相机和计算机，利用CCD相机直接对样品台上的柑橘叶片样品进行拍摄，将拍摄的图像传输到计算机中，在计算机中对所采集的可见光谱图像进行黄龙病症状的分类，得到可见光谱每一类症状的识别率。

作为一种实施方案，对所采集的可见光谱图像进行黄龙病症状的分类，具体如下：

a)利用彩色图像的灰度化，采用灰色共生矩阵获取可见光图像的纹理特征，计算4个灰度共生矩阵，取距离为1，角度分别为0度、45度、90度和135度，并计算出能量、熵、惯性矩、相关度4个特征值；

b)利用HSV颜色空间下，染病叶片与正常叶片之间的颜色区别，提取能有效反映图像颜色特征的颜色矩，分别是一阶矩(均值，mean)、二阶矩(方差，viarance)和三阶矩(斜度，skewness)来表达叶片的颜色分布；并加入HSI空间的颜色矩；

c)将上述HLB与正常叶片的数据输入BP神经网络进行训练和学习，实现均匀黄化、花叶、健康、斑驳的分类，再将非黄龙病导致的黄化与均匀黄化、花叶、健康、斑驳这四个分类进行对比，最终实现均匀黄化、花叶、健康、斑驳与非黄龙病黄化的分类。

作为一种实施方案，步骤1)所述荧光谱图像采集平台包括MiniPAM荧光仪和计算机，利用MiniPAM荧光仪采集柑橘叶片样品图像信息，在计算机中对所采集的荧光谱图像进行黄龙病症状的分类，得到荧光谱每一类症状的识别率。

作为一种实施方案，步骤2)所述将三种光谱的识别率作为证据源，给证据识别框各命题分配BPA值，建立证据源的可信度向量，具体如下：

设同时提供证据的证据源有n个，证据集为E＝(e₁,e₂，…，e_n)；定义可信度向量：给识别框架各命题分配BPA值，建立证据源的可信度向量R＝(r₁，r₂，..，r_n)；式中，r_i的范围是[0，1]，r_i＝0表示证据源e_i是完全不可靠的，r_i＝1表示证据源e_i是完全可靠的，其中1≤i≤n。

作为一种实施方案，步骤3)所述将可信度作为折扣因子对证据识别框内各命题的BPA值进行调整，具体如下：

令证据i的基本概率分配值的折扣率α_i＝r_i(i＝1，2，…，n)；令m_αi表示利用折扣率α_i对证据e_i调整后BPA值，方法如下：

m_αi(A)＝α_im_i(A)

m_αi(θ)＝1-α_i+α_im_i(θ)

$\∀A\⊆\mathrm{\θ}$

满足BPA函数定义的3个条件，且0≤α_i≤1。

作为一种实施方案，步骤4)所述采用Dempster组合规则将调整后的BPA值进行融合，具体如下：

将调整后的BPA值m_αi代入D empster组合规则，计算最终的融合结果：

令其中，K表示融合过程中各证据之间冲突程度，1-K称为归一化因子，避免在组合过程中将非零的概率分配给空集。

作为一种实施方案，所述可信度向量的确定方法，具体如下：

令m₁、m₂为识别框架θ上的BPA函数，其中θ中包括N个基本假设，则m₁、m₂之间的距离为 $d_{\mathrm{BPA}}(m_1,m_2)=\sqrt{{(\stackrel{\‾}{m_1}-\stackrel{\‾}{m_2})}^T-D(\stackrel{\‾}{m_1}-\stackrel{\‾}{m_2})},$ 其中D为2^N*2^N的矩阵，其元素计算为且A和B已经证明0≤d_BPA(m₁，m₂)≤1；

d_BPA(m_i，m_j)表示m_i和m_j之间的距离，则m_i和m_j之间的相似性表示为S_ij＝1-d_BPA(m_i，m_j)，显然0≤S_ij≤1，表明证据距离越大，相似距离越小，通过计算所有相似性，组建证据距离相似矩阵如下：

$S=\left[\begin{array}{ccccc}1& ...& S_{1j}& ...& S_{1n}\\ .& & .& .& .\\ .& ...& .& .& .\\ .& & .& .& .\\ S_{i1}& ...& S_{\mathrm{ij}}& ...& S_{\mathrm{in}}\\ .& & .& .& .\\ .& ...& .& .& .\\ .& & .& .& .\\ S_{n1}& ...& s_{\mathrm{nj}}& ...& S_{\mathrm{nn}}\end{array}\right]$

令SP(mi)表示其它证据对证据m_i的总支持程度，定义如下：

$\mathrm{SP}\left(m_i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}S(m_i,m_j)$

通过上述定义，利用下式来计算证据m_i的可信度：

$r_i=\frac{\mathrm{SP}\left(m_i\right)}{\max \{\mathrm{SP}\left(m_i\right),i=\mathrm{1,2},...,n\}}$

由此组成可信度向量R＝(r₁，r₂，r₃，...，r_n)。

本发明相对于现有技术具有如下的有益效果：

本发明方法以高光谱、可见光谱和荧光谱得到的识别率为数据源，通过D-S(Dempster-Shafer)改进算法分析三种光谱识别率的可信度，再融合三种光谱的识别率，得到对黄龙病症状的一个新的综合识别率，实现对黄龙病症状的正确诊断。

附图说明

图1为本发明方法的流程示意图。

图2为本发明方法中所采用的高光谱图像采集平台结构示意图。

图3为本发明方法中采用高光谱采集时绘制的五种症状样本的三维光谱曲线图。

具体实施方式

实施例1：

如图1所示，本实施例的多源数据融合柑橘黄龙病检测分类方法包括以下步骤：

1)利用高光谱图像采集平台、可见光谱图像采集平台和荧光谱图像采集平台采集到柑橘叶片样品的图像信息，对每种光谱采集的图像信息进行黄龙病症状的分类，得到三种光谱每一类症状的识别率，具体为：

所述高光谱图像采集平台如图2所示，包括样品台1、紫外光源2、高光谱成像仪3、CCD相机4以及计算机5，通过紫外光源2的照射，利用高光谱成像仪3和CCD相机4采集样品台1上的柑橘叶片样品图像信息，在计算机5中对所采集的高光谱图像图像进行黄龙病症状的分类，得到高光谱每一类症状的识别率；其中，对所采集的高光谱图像图像进行黄龙病症状的分类，具体如下：

在校准时，通过采集对反射率为99％标准白色校正板得到全白的标定图R_b，然后采集全黑的标定图像R_d，根据原始图像R_img由公式(1)计算校正后图像R：

$R=\frac{R_{\mathrm{img}}-R_d}{R_b-R_d}---\left(1\right)$

获取了五种不同症状的柑橘叶片样本(症状明显、症状轻微、缺锌、健康和黄化)在波长370～988nm范围内共512个波段的高光谱图像，每类有250组样本，共计1250组柑橘叶片样本，利用spectraSENS-V3.0软件生成高光谱图像不同种类整个叶片的反射值，并对其进行平均；从五类样本中每类各随机抽取的十组反射值平均值，根据叶片反射值的影响因素柑橘样本种类和波段范围，利用matlab绘制出柑橘叶片的三维光谱曲线如图3所示，图中用颜色表征样本反射值的大小，不同种类的样本以空白间隔开(从左到右依次为缺锌、症状轻微、健康、黄化、症状明显，每种样本为十个)，不同种类样本的光谱曲线形状相似，波峰所对应的特征波长相同，但在两个波峰处，不同种类样本的反射值存在差异，根据光谱曲线颜色判断，样本反射值均值峰值呈现的趋势为：黄化＞缺锌＞症状轻微＞症状明显＞健康；再采用主成分分析与BP神经网络方法对柑橘高光谱数据进行分析处理，以实现柑橘黄龙病的诊断分类。

所述可见光谱图像采集平台包括CCD相机和计算机，利用CCD相机直接对样品台上的柑橘叶片样品进行拍摄，将拍摄的图像传输到计算机中，在计算机中对所采集的可见光谱图像进行黄龙病症状的分类，得到可见光谱每一类症状的识别率；其中，对所采集的可见光谱图像进行黄龙病症状的分类，具体如下：

a)利用彩色图像的灰度化，采用灰色共生矩阵获取可见光图像的纹理特征，计算4个灰度共生矩阵，取距离为1，角度分别为0度、45度、90度和135度，并计算出能量、熵、惯性矩、相关度4个特征值；

b)利用HSV颜色空间下，染病叶片与正常叶片之间的颜色区别，提取能有效反映图像颜色特征的颜色矩，分别是一阶矩(均值，mean)、二阶矩(方差，viarance)和三阶矩(斜度，skewness)来表达叶片的颜色分布；并加入HSI空间的颜色矩(与前述原理类似)；

c)将上述HLB与正常叶片的数据输入BP神经网络进行训练和学习，实现均匀黄化、花叶、健康、斑驳的分类，再将非黄龙病导致的黄化与均匀黄化、花叶、健康、斑驳这四个分类进行对比，最终实现均匀黄化、花叶、健康、斑驳与非黄龙病黄化的分类。

所述荧光谱图像采集平台包括MiniPAM荧光仪和计算机，利用MiniPAM荧光仪采集柑橘叶片样品图像信息，在计算机中对所采集的荧光谱图像进行黄龙病症状的分类(可分为健康、缺锰、缺镁、缺镁型黄龙病、黄化、斑驳和缺锌这7类，或者分为健康、缺锰、黄化、斑驳和缺锌这5类)，得到荧光谱每一类症状的识别率；

上述三种光谱可使用同一台计算机进行黄龙病症状的分类；

2)将三种光谱的识别率作为证据源，给证据识别框各命题分配BPA值，建立证据源的可信度向量，具体为：

设同时提供证据的证据源有n个，证据集为E＝(e₁，e₂，…，e_n)；定义可信度向量：给识别框架各命题分配BPA值，建立证据源的可信度向量R＝(r₁，r₂，..，r_n)；式中，r_i的范围是[0，1]，r_i＝0表示证据源e_i是完全不可靠的，r_i＝1表示证据源e_i是完全可靠的，其中1≤i≤n；其中，可信度向量的确定方法，具体如下：

令m₁、m₂为识别框架θ上的BPA函数，其中θ中包括N个基本假设，则m₁、m₂之间的距离为 $d_{\mathrm{BPA}}(m_1,m_2)=\sqrt{{(\stackrel{\‾}{m_1}-\stackrel{\‾}{m_2})}^T-D(\stackrel{\‾}{m_1}-\stackrel{\‾}{m_2})},$ 其中D为2^N*2^N的矩阵，其元素计算为且A和B已经证明0≤d_BPA(m₁，m₂)≤1；

d_BPA(m_i，m_j)表示m_i和m_j之间的距离，则m_i和m_j之间的相似性表示为S_ij＝1-d_BPA(m_i，m_j)，显然0≤S_ij≤1，表明证据距离越大，相似距离越小，通过计算所有相似性，组建证据距离相似矩阵如下：

$S=\left[\begin{array}{ccccc}1& ...& S_{1j}& ...& S_{1n}\\ .& & .& .& .\\ .& ...& .& .& .\\ .& & .& .& .\\ S_{i1}& ...& S_{\mathrm{ij}}& ...& S_{\mathrm{in}}\\ .& & .& .& .\\ .& ...& .& .& .\\ .& & .& .& .\\ S_{n1}& ...& s_{\mathrm{nj}}& ...& S_{\mathrm{nn}}\end{array}\right]$

令SP(mi)表示其它证据对证据m_i的总支持程度，定义如下：

$\mathrm{SP}\left(m_i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}S(m_i,m_j)$

通过上述定义，利用下式来计算证据m_i的可信度：

$r_i=\frac{\mathrm{SP}\left(m_i\right)}{\max \{\mathrm{SP}\left(m_i\right),i=\mathrm{1,2},...,n\}}$

由此组成可信度向量R＝(r₁，r₂，r₃，...，r_n)。

3)将可信度作为折扣因子对证据识别框内各命题的BPA值进行调整，具体为：

令证据i的基本概率分配值的折扣率α_i＝r_i(i＝1，2，…，n)；令m_αi表示利用折扣率α_i对证据e_i调整后BPA值，方法如下：

m_αi(A)＝α_im_i(A)

m_αi(θ)＝1-α_i+α_im_i(θ)

$\∀A\⊆\mathrm{\θ}$

满足BPA函数定义的3个条件，且0≤α_i≤1。

4)采用Dempster组合规则将调整后的BPA值进行融合，得到对黄龙病症状的综合识别率，实现对黄龙病症状的正确诊断，具体为：

将调整后的BPA值m_αi代入D empster组合规则，计算最终的融合结果：

令其中，K表示融合过程中各证据之间冲突程度，1-K称为归一化因子，避免在组合过程中将非零的概率分配给空集。

实施例2：

根据上述实施例1的方法，且为了方便测试，将高光谱、可见光谱和荧光谱对黄龙病症状的分类统一分为症状明显、症状轻微、缺锌、健康和黄化，并获取症状明显的柑橘叶片样本，每种光谱所得到的识别率以及将三种光谱的识别率融合得到的综合识别率，如下表1所示。

	症状明显	症状轻微	缺锌	健康	黄化
						高光谱	0.9000	0	0	0.1000	0
可见光谱	0.9000	0	0.1000	0	0
						荧光谱	0.8000	0	0.2000	0	0
融合	0.998564	0.000000	0.001436	0.000000	0.000000

表1高光谱、可见光谱和荧光谱以及三种光谱融合的识别率

可以看到，经过融合得到的综合识别率明显高于高光谱、可见光谱和荧光谱得到的识别率，能准确测定叶片属于症状明显。因此，本发明方法可以实现对黄龙病症状的正确诊断。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于包括以下步骤：

1)利用高光谱图像采集平台、可见光谱图像采集平台和荧光谱图像采集平台采集到柑橘叶片样品的图像信息，对每种光谱采集的图像信息进行黄龙病症状的分类，得到三种光谱每一类症状的识别率；

2)将三种光谱的识别率作为证据源，给证据识别框各命题分配BPA值，建立证据源的可信度向量；

3)将可信度作为折扣因子对证据识别框内各命题的BPA值进行调整；

4)采用Dempster组合规则将调整后的BPA值进行融合，得到对黄龙病症状的综合识别率，实现对黄龙病症状的正确诊断。

2.根据权利要求1所述的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于：步骤1)所述高光谱图像采集平台包括样品台、紫外光源、高光谱成像仪、CCD相机以及计算机，通过紫外光源的照射，利用高光谱成像仪和CCD相机采集样品台上的柑橘叶片样品图像信息，在计算机中对所采集的高光谱图像图像进行黄龙病症状的分类，得到高光谱每一类症状的识别率。

3.根据权利要求2所述的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于：对所采集的高光谱图像图像进行黄龙病症状的分类，具体如下：

在校准时，通过采集对反射率为99％标准白色校正板得到全白的标定图R_b，然后采集全黑的标定图像R_d，根据原始图像R_img由下式计算校正后图像R：

$R=\frac{R_{\mathrm{img}}-R_d}{R_b-R_d}$

获取了五种不同症状的柑橘叶片样本在波长370～988nm范围内共512个波段的高光谱图像，每类有250组样本，共计1250组柑橘叶片样本，利用spectraSENS-V3.0软件生成高光谱图像不同种类整个叶片的反射值，并对其进行平均；从五类样本中每类各随机抽取的十组反射值平均值，根据叶片反射值的影响因素柑橘样本种类和波段范围，利用matlab绘制出柑橘叶片的三维光谱曲线，根据光谱曲线颜色判断，样本反射值均值峰值呈现的趋势为：黄化＞缺锌＞症状轻微＞症状明显＞健康；再采用主成分分析与BP神经网络方法对柑橘高光谱数据进行分析处理，以实现柑橘黄龙病的诊断分类。

4.根据权利要求1所述的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于：步骤1)所述可见光谱图像采集平台包括CCD相机和计算机，利用CCD相机直接对样品台上的柑橘叶片样品进行拍摄，将拍摄的图像传输到计算机中，在计算机中对所采集的可见光谱图像进行黄龙病症状的分类，得到可见光谱每一类症状的识别率。

5.根据权利要求4所述的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于：对所采集的可见光谱图像进行黄龙病症状的分类，具体如下：

a)利用彩色图像的灰度化，采用灰色共生矩阵获取可见光图像的纹理特征，计算4个灰度共生矩阵，取距离为1，角度分别为0度、45度、90度和135度，并计算出能量、熵、惯性矩、相关度4个特征值；

b)利用HSV颜色空间下，染病叶片与正常叶片之间的颜色区别，提取能有效反映图像颜色特征的颜色矩，分别是一阶矩(均值，mean)、二阶矩(方差，viarance)和三阶矩(斜度，skewness)来表达叶片的颜色分布；并加入HSI空间的颜色矩；

c)将上述HLB与正常叶片的数据输入BP神经网络进行训练和学习，实现均匀黄化、花叶、健康、斑驳的分类，再将非黄龙病导致的黄化与均匀黄化、花叶、健康、斑驳这四个分类进行对比，最终实现均匀黄化、花叶、健康、斑驳与非黄龙病黄化的分类。

6.根据权利要求1所述的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于：步骤1)所述荧光谱图像采集平台包括MiniPAM荧光仪和计算机，利用MiniPAM荧光仪采集柑橘叶片样品图像信息，在计算机中对所采集的荧光谱图像进行黄龙病症状的分类，得到荧光谱每一类症状的识别率。

7.根据权利要求1所述的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于：步骤2)所述将三种光谱的识别率作为证据源，给证据识别框各命题分配BPA值，建立证据源的可信度向量，具体如下：

设同时提供证据的证据源有n个，证据集为E＝(e₁，e₂，…，e_n)；定义可信度向量：给识别框架各命题分配BPA值，建立证据源的可信度向量R＝(r₁，r₂，..，r_n)；式中，r_i的范围是[0，1]，r_i＝0表示证据源e_i是完全不可靠的，r_i＝1表示证据源ei是完全可靠的，其中1≤i≤n。

8.根据权利要求7所述的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于：步骤3)所述将可信度作为折扣因子对证据识别框内各命题的BPA值进行调整，具体如下：

令证据i的基本概率分配值的折扣率α_i＝r_i(i＝1，2，…，n)；令m_αi表示利用折扣率α_i对证据e_i调整后BPA值，方法如下：

m_ai(A)＝α_im_i(A)

m_ai(θ)＝1-α_i+α_im_i(θ)

$\∀A\⊆\mathrm{\θ}$

满足BPA函数定义的3个条件，且0≤α_i≤1。

9.根据权利要求8所述的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于：步骤4)所述采用Dempster组合规则将调整后的BPA值进行融合，具体如下：

将调整后的BPA值m_αi代入D empster组合规则，计算最终的融合结果：

令其中，K表示融合过程中各证据之间冲突程度，1-K称为归一化因子，避免在组合过程中将非零的概率分配给空集。

10.根据权利要求7所述的基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于：所述可信度向量的确定方法，具体如下：

令m₁、m₂为识别框架θ上的BPA函数，其中θ中包括N个基本假设，则m₁、m₂之间的距离为 $d_{\mathrm{BPA}}(m_1,m_2)=\sqrt{{(\stackrel{\‾}{m_1}-\stackrel{\‾}{m_2})}^T-D(\stackrel{\‾}{m_1}-\stackrel{\‾}{m_2})},$ 其中D为2^N*2^N的矩阵，其元素计算为且A和B已经证明0≤d_BPA(m₁，m₂)≤1；

d_BPA(m_i，m_j)表示m_i和m_j之间的距离，则m_i和m_j之间的相似性表示为S_ij＝1-d_BPA(m_i，m_j)，显然0≤S_ij≤1，表明证据距离越大，相似距离越小，通过计算所有相似性，组建证据距离相似矩阵如下：

$S=\left[\begin{array}{ccccc}1& ...& S_{1j}& ...& S_{1n}\\ .& & .& .& .\\ .& ...& .& .& .\\ .& & .& .& .\\ S_{i1}& ...& S_{\mathrm{ij}}& ...& S_{\mathrm{in}}\\ .& & .& .& .\\ .& ...& .& .& .\\ .& & .& .& .\\ S_{n1}& ...& s_{\mathrm{nj}}& ...& S_{\mathrm{nn}}\end{array}\right]$

令SP(mi)表示其它证据对证据m_i的总支持程度，定义如下：

$\mathrm{SP}\left(m_i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}S(m_i,m_j)$

通过上述定义，利用下式来计算证据m_i的可信度：

$r_i=\frac{\mathrm{SP}\left(m_i\right)}{\max \{\mathrm{SP}\left(m_i\right),i=\mathrm{1,2},...,n\}}$

由此组成可信度向量R＝(r₁，r₂，r₃，...，r_n)。