CN105954202A - 一种柑橘溃疡病高光谱模型传递的方法 - Google Patents
一种柑橘溃疡病高光谱模型传递的方法 Download PDFInfo
- Publication number
- CN105954202A CN105954202A CN201610260903.2A CN201610260903A CN105954202A CN 105954202 A CN105954202 A CN 105954202A CN 201610260903 A CN201610260903 A CN 201610260903A CN 105954202 A CN105954202 A CN 105954202A
- Authority
- CN
- China
- Prior art keywords
- citrus
- spectrum image
- model
- hyperspectral
- high spectrum
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种柑橘溃疡病高光谱模型传递的方法,利用源机M1和目标机M2采集柑橘的高光谱图像,利用遗传偏最小二乘算法提取了M1高光谱图像的特征波段,并建立了最小二乘支持向量机判别模型。采用分段直接校正算法构建了两台仪器所采集的高光谱图像的函数关系式,将校正后的M2高光谱图像输入到最小二乘支持向量机判别模型中,模型的预测集识别率由校正前的26%提高到了97%。说明本发明所述的方法可用于柑橘溃疡病高光谱模型的传递,有利于建立稳健的柑橘溃疡病高光谱模型,提高柑橘溃疡病的检测精度。
Description
技术领域
本发明涉及柑橘溃疡病检测领域,具体涉及一种柑橘溃疡病高光谱模型传递的方法。
背景技术
柑橘溃疡病(citrus canker)是影响全球柑橘种植业发展的重大检疫性病害,主要危害叶片和果实。病菌通过雨水、苗木等媒介传播,从寄主的气孔、皮孔以及伤口侵入。病果和病叶的症状类似,染病前期,病斑呈黄色或暗黄色的小斑点;后期,病斑呈木栓化,严重影响柑橘果实外观品质,造成了很大的经济损失。目前大部分研究都集中在对这种病害的防治和检测方面,而对于带有溃疡病斑的柑橘类水果的剔除主要还是通过人工分选,对工人要求较高,且效率低,准确性差。随着图像处理技术的日趋先进和计算机硬件成本的降低及处理速度的提高,机器视觉系统在农产品品质自动检测和分级领域应用越来越广泛,因此,需要一种高效无损的柑橘溃疡病检测手段。
近年来,高光谱成像技术逐渐应用于柑橘溃疡病检测,并取得了较好的效果。如李江波等发表了基于高光谱成像技术检测脐橙溃疡(农业工程学报,第26卷,第8期,222-228页),研究从带有不同缺陷的柑橘类水果中快速识别出溃疡果的有效方法,基于高光谱成像技术,该文提出特征波段主成分分析法及波段比算法。田有文等发表了农产品病虫害高光谱成像无损检测的研究进展(激光与红外,第43卷第23期,1329-1335页),结合高光谱成像技术在水果、蔬菜、肉类以及谷物等农产品病虫害无损检测研究应用方面最新研究成果,进行系统的总结与分析。
但是,不同研究者所建立的柑橘溃疡病识别模型都是基于特定型号的高光谱成像仪基础之上,普适性低,无法相互使用。倘若针对不同型号的高光谱成像仪分别建模,不仅效率低下,而且成本较高,实用性较低。在生产实践中,为了获取不同尺度农田信息,便携式高光谱成像仪因其体积小、重量轻、安装简单等优点,已开始应用于车载和机载式农田信息采集系统。与实验室高光谱成像平台相比,便携式高光谱成像仪的采集的高光谱图像质量容易受到气象因子的影响,精度较低。基于上述,本发明公开了一种柑橘溃疡病的高光谱模型传递的方法。
发明内容
本发明的目的在于针对现有技术的不足,提供一种柑橘溃疡病高光谱模型传递的方法。
本发明解决上述技术问题的技术方案为:
一种柑橘溃疡病高光谱模型传递的方法,包括如下步骤:
1)利用源机M1和目标机M2分别采集柑橘的高光谱图像;提取高光谱图像中的感兴趣区域的平均光谱反射率;
2)采用KS(kennard-stone)算法将M1所采集的高光谱图像分成建模集和预测集,利用GA-PLS算法(遗传偏最小二乘算法)提取建模集内的高光谱图像的特征波长;
3)将建模集内的高光谱图像的特征波长处的平均光谱反射率输入到LS-SVM(最小二乘向量机)判别模型中,建立判别模型;
4)采用SPXY(sample set partitioning based on joint x-y distance)算法分别从源机M1和目标机M2所测的高光谱图像中选择相同柑橘的高光谱图像作为标样集;
5)针对标样集内的高光谱图像,采用PDS算法(直接分段校正算法)建立源机M1和目标机M2之间高光谱图像的转换矩阵F;所述的转换矩阵F通过偏最小二乘法计算得到;
6)通过目标机M2采集未知柑橘样本的高光谱图像,乘以转换矩阵F,得到校正后的高光谱图像;将校正后的高光谱图像输入到LS-SVM判别模型中,计算识别结果。
上述技术方案中,利用M1的高光谱图像建立了判别模型,通过数学方法建立M1和M2的高光谱图像之间的函数关系,再由计算得到的函数关系式对M2所采集的高光谱图像进行校正,使得校正后的高光谱图像适用于所建立的判别模型,实现模型的通用性。
作为优选,所述的步骤1)中的感兴趣区域是指:针对健康的柑橘,把整个柑橘当作感兴趣区域;针对染病的柑橘,把病斑组织作为感兴趣区域。
作为优选,所述的步骤1)中的柑橘包括不同感染期的柑橘溃疡病。
作为优选,所述的步骤2)中建模集和预测集的比例为1.8-2.2:1。
作为优选,所述的目标机M2为便携式高光谱成像仪。由于便携式高光谱成像仪体积小、重量轻、安装简单等优点,能够应用于车载和机载式农田信息采集系统中,便于对柑橘溃疡病进行高光谱图像的采集。
作为优选,所述的步骤5)中建立转换矩阵F是指:在M2的标样集内的高光谱图像中选择第j-5个到第j+5个波长处的标样光谱矩阵与M1的标样集内的高光谱图像中第j个波长处的光谱矩阵进行匹配,通过偏最小二乘法求出转换系数fj,求出全部波长处的fj,构成转换矩阵F。
同现有技术相比,本发明的有益效果体现在:
(1)便携式高光谱成像仪因其便携性、体积小等优点被安装在田间移动式车辆、农用无人机和有人飞机上。本发明所涉述的柑橘溃疡病高光谱模型传递方法应用于实验室高光谱成像平台和便携式高光谱成像仪之间的传递。该方法能够实现室内实验室高光谱成像平台高光谱成像仪所建立的柑橘溃疡病模型传递到机载便携式高光谱成像仪之上,有利于提高柑橘溃疡病模型的普适性,提高柑橘溃疡病的检测精度。
(2)模型的建立需要足够多的样品,在一些样品不易获取的情况下,本发明所述的柑橘溃疡病高光谱模型传递方法不需要收集太多的样品,能够提高建模效率,有助于及时地对柑橘溃疡病进行检测、防治。
附图说明
图1为实施例中柑橘溃疡病高光谱模型传递的流程图;
图2为校正前后的平均光谱反射率曲线图;
图3为校正前PCA得到的前三个主成分得分图;
图4为校正后PCA得到的前三个主成分得分图。
具体实施方式
下面结合实施例和附图详细说明本发明。
实施例:
采集青果期的健康柑橘样本58个,感染溃疡病样本48个,共106个样本。分别应用实验室高光谱成像平台,主要包括CCD相机(C8484-05,Hamamatsu Photonics,Hamamatsu City,Japan)、成像光谱仪(ImSpector V10E,Spectral Imaging Ltd.,Oulu,Finland)、线光源(Fiber-Lite DC950,Dolan JennerIndustries Inc.,Boxborough,MA)、电控移动平台、暗箱和电脑和便携式高光谱成像仪(SOC710VP,Surface Optics Corporation,San Diego,CA)采集高光谱图像。
如图1所示,具体的柑橘溃疡病高光谱模型传递的流程如下,包括如下步骤:
1)利用源机M1和目标机M2分别采集柑橘(106个样本)的高光谱图像;提取高光谱图像的感兴趣区域的平均光谱反射率;感兴趣区域是指:针对健康的柑橘,把整个柑橘当作感兴趣区域;针对染病的柑橘,把病斑组织作为感兴趣区域;所述的柑橘溃疡病包括不同感染期的柑橘溃疡病。
2)采用Kennard-Stone算法将M1所采集的高光谱图像按比例2:1分成建模集和预测集;
3)利用GA-PLS算法提取源机M1建模集内的高光谱图像的特征波长,将建模集内的高光谱图像的特征波长处的平均光谱反射率输入到LS-SVM判别模型中,建立判别模型;
4)采用SPXY算法分别从源机M1和目标机M2所测的高光谱图像中分别选择15个柑橘的高光谱图像作为标样集;
5)针对标样集的高光谱图像,采用PDS算法建立源机M1和目标机M2之间高光谱图像的转换矩阵F;在M2的标样集内的高光谱图像中选择第j-5个到第j+5个波长处的标样光谱矩阵与M1的标样集内的高光谱图像中第j个波长处的光谱矩阵进行匹配,通过偏最小二乘法求出转换系数fj,求出全部波长处的fj,构成转换矩阵F。
6)将目标机M2中剩余样品(除去标样集)样本的高光谱图像乘以转换矩阵F,得到校正后的高光谱图像;将校正后的高光谱图像输入到LS-SVM判别模型中,计算识别结果。
图2显示了校正前后两台不同型号的高光谱成像仪两类柑橘样本的平均光谱反射率曲线。从图2可以看出,校正前(M1,M2),两台高光谱成像仪所测的同类样品的平均光谱反射率曲线存在较大的差异,如健康M1与健康M2,感病M1与感病M2;经校正之后(M2C),有效地消除了两者之间的差异,正常和染病的柑橘样本平均光谱反射率幅值和特征吸收峰基本一致,如健康M1与健康M2C,感病M2与感病M2C。
图2和图3分别显示了校正前后主成分分析(PCA)后得到的主成分得分图。由于高光谱成像仪的响应函数不同,同一批柑橘样品,光谱反射率幅值存在较大的差异,经过PDS校正之后,相同类别的柑橘样本基本重叠一起,说明本发明提出的柑橘溃疡病高光谱模型传递方法能够有效的消除不同高光谱成像仪之间的差异。
为了进一步验证所述柑橘溃疡病高光谱模型传递的方法,建立了LS-SVM判别模型。采用Kennard-Stone算法将样本按照2:1的比例分成建模集和预测集,利用GA-PLS提取建模集的特征波长,将特征波长的平均光谱反射率输入到LS-SVM模型中。校正前后,LS-SVM模型的识别结果如表1所示。
表1校正前后LS-SVM模型的识别结果
经校正之后,LS-SVM模型建模集和预测集的识别率分别由校正前的33%和26%提高到了98%和97%。说明本发明提出的柑橘溃疡病高光谱模型传递方法是可行的。
以上所述仅为本发明的具体的实施例,凡依本发明申请专利范围所做的变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种柑橘溃疡病高光谱模型传递的方法,其特征在于,包括如下步骤:
1)利用源机M1和目标机M2分别采集柑橘的高光谱图像;提取高光谱图像中的感兴趣区域的平均光谱反射率;
2)采用KS算法将M1所采集的高光谱图像分成建模集和预测集,利用GA-PLS算法提取建模集内的高光谱图像的特征波长;
3)将建模集内的高光谱图像的特征波长处的平均光谱反射率输入到LS-SVM判别模型中,建立判别模型;
4)采用SPXY算法分别从源机M1和目标机M2所测的高光谱图像中选择相同柑橘的高光谱图像作为标样集;
5)针对标样集内的高光谱图像,采用PDS算法建立源机M1和目标机M2之间高光谱图像的转换矩阵F;所述的转换矩阵F通过偏最小二乘法计算得到;
6)通过目标机M2采集未知柑橘样本的高光谱图像,乘以转换矩阵F,得到校正后的高光谱图像;将校正后的高光谱图像输入到LS-SVM判别模型中,计算识别结果。
2.根据权利要求1所述的柑橘溃疡病高光谱模型传递的方法,其特征在于,所述的步骤1)中的感兴趣区域是指:针对健康的柑橘,把整个柑橘当作感兴趣区域;针对染病的柑橘,把病斑组织作为感兴趣区域。
3.根据权利要求1所述的柑橘溃疡病高光谱模型传递的方法,其特征在于,所述的步骤1)中的柑橘包括不同感染期的柑橘溃疡病。
4.根据权利要求1所述的柑橘溃疡病高光谱模型传递的方法,其特征在于,所述的步骤2)中建模集和预测集的比例为1.8-2.2:1。
5.根据权利要求1所述的柑橘溃疡病高光谱模型传递的方法,其特征在于,所述的目标机M2为便携式高光谱成像仪。
6.根据权利要求1所述的柑橘溃疡病高光谱模型传递的方法,其特征在于,所述的步骤5)中建立转换矩阵F是指:在M2的标样集内的高光谱图像中选择第j-5个到第j+5个波长处的标样光谱矩阵与M1的标样集内的高光谱图像中第j个波长处的光谱矩阵进行匹配,通过偏最小二乘法求出转换系数fj,求出全部波长处的fj,构成转换矩阵F。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610260903.2A CN105954202A (zh) | 2016-04-22 | 2016-04-22 | 一种柑橘溃疡病高光谱模型传递的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610260903.2A CN105954202A (zh) | 2016-04-22 | 2016-04-22 | 一种柑橘溃疡病高光谱模型传递的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105954202A true CN105954202A (zh) | 2016-09-21 |
Family
ID=56916828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610260903.2A Pending CN105954202A (zh) | 2016-04-22 | 2016-04-22 | 一种柑橘溃疡病高光谱模型传递的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105954202A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144533A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于高光谱成像技术的一点红萝卜空心鉴别方法 |
CN107462528A (zh) * | 2017-08-02 | 2017-12-12 | 塔里木大学 | 一种多通道光谱检测红枣品质的方法 |
CN107478580A (zh) * | 2017-07-31 | 2017-12-15 | 中国科学院遥感与数字地球研究所 | 基于高光谱遥感的土壤重金属含量估算方法及装置 |
CN107525772A (zh) * | 2017-06-28 | 2017-12-29 | 温州大学 | 一种海带质量检测的方法及系统 |
CN108535199A (zh) * | 2018-03-16 | 2018-09-14 | 塔里木大学 | 一种户外多尺度枣园高光谱偏振探测方法 |
CN109975230A (zh) * | 2019-05-16 | 2019-07-05 | 北京印刷学院 | 大气污染物浓度在线检测系统及方法 |
CN110335249A (zh) * | 2019-05-31 | 2019-10-15 | 浙江大学山东工业技术研究院 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
CN111077102A (zh) * | 2018-10-19 | 2020-04-28 | 中国石油化工股份有限公司 | 不同型号仪器测定的原油近红外光谱转换及原油识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278460A (zh) * | 2013-05-30 | 2013-09-04 | 华南农业大学 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN104036257A (zh) * | 2014-06-25 | 2014-09-10 | 华南农业大学 | 基于d-s理论的多源数据融合柑橘黄龙病检测分类方法 |
-
2016
- 2016-04-22 CN CN201610260903.2A patent/CN105954202A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278460A (zh) * | 2013-05-30 | 2013-09-04 | 华南农业大学 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN104036257A (zh) * | 2014-06-25 | 2014-09-10 | 华南农业大学 | 基于d-s理论的多源数据融合柑橘黄龙病检测分类方法 |
Non-Patent Citations (4)
Title |
---|
刘娇等: "不同品种间的猪肉含水率高光谱模型传递方法研究", 《农业工程学报》 * |
周林峰: "黄酒主要品质的近红外光谱检测模型建立与转移的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
孙俊等: "基于GA-LS-SVM的水稻叶片含氮率预测", 《江苏大学学报(自然科学版)》 * |
采用KS算法分建模集和预测集,: "采用KS算法分建模集和预测集,", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144533A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于高光谱成像技术的一点红萝卜空心鉴别方法 |
CN107525772A (zh) * | 2017-06-28 | 2017-12-29 | 温州大学 | 一种海带质量检测的方法及系统 |
CN107478580A (zh) * | 2017-07-31 | 2017-12-15 | 中国科学院遥感与数字地球研究所 | 基于高光谱遥感的土壤重金属含量估算方法及装置 |
CN107462528A (zh) * | 2017-08-02 | 2017-12-12 | 塔里木大学 | 一种多通道光谱检测红枣品质的方法 |
CN108535199A (zh) * | 2018-03-16 | 2018-09-14 | 塔里木大学 | 一种户外多尺度枣园高光谱偏振探测方法 |
CN111077102A (zh) * | 2018-10-19 | 2020-04-28 | 中国石油化工股份有限公司 | 不同型号仪器测定的原油近红外光谱转换及原油识别方法 |
CN111077102B (zh) * | 2018-10-19 | 2022-06-24 | 中国石油化工股份有限公司 | 不同型号仪器测定的原油近红外光谱转换及原油识别方法 |
CN109975230A (zh) * | 2019-05-16 | 2019-07-05 | 北京印刷学院 | 大气污染物浓度在线检测系统及方法 |
CN110335249A (zh) * | 2019-05-31 | 2019-10-15 | 浙江大学山东工业技术研究院 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105954202A (zh) | 一种柑橘溃疡病高光谱模型传递的方法 | |
Liu et al. | Improved kiwifruit detection using pre-trained VGG16 with RGB and NIR information fusion | |
CN109632033B (zh) | 一种体积测量的设备与方法 | |
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN102621077B (zh) | 基于高光谱反射图像采集系统的玉米种子纯度无损检测方法 | |
CN110596280B (zh) | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 | |
CN103808669B (zh) | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 | |
CN104897583B (zh) | 一种微量血迹无损检测装置及方法 | |
CN101949686A (zh) | 水果内外综合品质在线无损检测方法及装置 | |
CN103472031A (zh) | 一种基于高光谱成像技术的脐橙糖度检测方法 | |
CN114663821B (zh) | 基于视频高光谱成像技术的产品质量实时无损检测方法 | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
CN106251328B (zh) | 一种利用二维高光谱图像识别鸡胴体表面污染物的方法 | |
CN106442561A (zh) | 用于检测柑橘表皮缺陷的在线图像采集系统及方法 | |
CN113920376B (zh) | 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法 | |
WO2011041924A1 (zh) | 滤波片光谱图像技术识别自然场景成熟柑橘的装置及方法 | |
CN111076670B (zh) | 一种苹果内外品质在线无损检测方法 | |
Tian et al. | Study on the methods of detecting cucumber downy mildew using hyperspectral imaging technology | |
Lang et al. | Detection of chlorophyll content in maize canopy from UAV imagery | |
CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
CN105844264B (zh) | 一种基于受力的油用牡丹果实图像的识别方法 | |
CN106556602A (zh) | 一种鱼体新鲜度的检测方法及其装置 | |
CN104573662A (zh) | 一种云判方法和系统 | |
CN106023223A (zh) | 柑橘果实大小描述及分级方法 | |
CN106965939A (zh) | 一种基于近红外多光谱残冰检测的多相机图像采集装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160921 |