CN108846370A - 一种小麦白粉病中晚期病害严重度自动分析方法 - Google Patents
一种小麦白粉病中晚期病害严重度自动分析方法 Download PDFInfo
- Publication number
- CN108846370A CN108846370A CN201810665242.0A CN201810665242A CN108846370A CN 108846370 A CN108846370 A CN 108846370A CN 201810665242 A CN201810665242 A CN 201810665242A CN 108846370 A CN108846370 A CN 108846370A
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- leaf
- severity
- powdery mildew
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 45
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 45
- 241000209140 Triticum Species 0.000 title claims abstract description 38
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 37
- 241000221785 Erysiphales Species 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 12
- 206010039509 Scab Diseases 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 25
- 238000002310 reflectometry Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000134843 Aphelenchoides besseyi Species 0.000 description 1
- 241001124076 Aphididae Species 0.000 description 1
- 241000008892 Cnaphalocrocis patnalis Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000004789 Rosa xanthina Nutrition 0.000 description 1
- 241000109329 Rosa xanthina Species 0.000 description 1
- 241000221662 Sclerotinia Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000012864 cross contamination Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种小麦白粉病中晚期病害严重度自动分析方法，该方法包括以下步骤：(1)采集叶片样本的高光谱数据。(2)根据整个叶片和病斑区域的像素数计算病斑占叶片面积的百分比，求得叶片样本的病情严重度a0。(3)对试验数据进行降维处理。(4)在降维之后，选取m个样本中的m1个样本作为训练样本，将d维特征作为自变量，对应的类别作为因变量输入到概率神经网络模型中进行训练，得到预测模型；将剩余的m‑m1个样本作为测试样本进行模型准确率验证，将这m‑m1个样本的d维特征作为自变量输入到概率神经网络模型中，得到叶片样本的病情严重度的预测结果a1，并将a1与a0进行比较。本发明能够对小麦白粉病严重度进行监测和分析。
Description
技术领域
本发明涉及小麦白粉病监测技术领域，具体涉及一种小麦白粉病中晚期病害严重度自动分析方法。
背景技术
小麦白粉病的发生主要危害小麦的叶片部位，叶片受到病害的侵染会导致叶片生理结构的损坏，间接影响其光合作用和营养供给，光谱吸收的改变就会直观的表现出来，并且对于小麦植株来说，叶片是冠层尺度和航空尺度观测到占比最大的器官。在该病害发病中晚期，很多叶片的DI已经高于50％，此时进行分类定级而给予防治指导的意义已经不大，主要是为灾害损失评估提供参考。
传统的灾害评估主要通过有经验的专家技术人员按照一定的评判准则和经验，在田间人工观察获得病害分类级别，这种方法消耗时间长，工作量大，并且不宜在大范围种植区内展开。目前随着光谱技术的迅速发展，利用高光谱遥感技术可以快速、准确地对作物病害进行分类定级，遥感技术已成为病虫害分类识别的重要研究方向。近年来，国内外学者通过研究病害与光谱反射率之间的统计关系，筛选出对相应病害敏感的光谱波段，实现病害监测与分类识别。Graeff等研究得出冬小麦白粉病和全蚀病叶片的敏感波段，并用来分类识别不同病害。王静等利用7种高光谱植被指数建立了小麦条锈病病情反演模型。罗菊花等通过分析对比不同植被指数，利用归一化植被指数NDVI(Normalized DifferenceVegetation Index)和光化学植被指数PRI(Physiological Reflectance Index)，分类识别了小麦的不同病虫害。李波等利用主成分分析和概率神经网络结合对稻干尖线虫病和稻纵卷叶螟进行识别，结果显示对水稻病虫害的识别精度可以达到95.65％。程术希应用高光谱成像技术分别在茶叶白星病、番茄早疫病和灰霉病以及油菜菌核病的发病期快速诊断上进行研究。袁琳等利用小麦叶片的光谱特征和图像几何、纹理特征对条锈病、白粉病和蚜虫病斑进行识别区分。以上基于高光谱对作物的研究主要都是集中在不同病害间的分类判别，对病害发病严重度的监测研究较少，并且很少有针对小麦白粉病单一病害在关键期严重度的判别研究。
发明内容
本发明的目的在于提供一种小麦白粉病中晚期病害严重度自动分析方法，该方法能够对小麦白粉病严重度进行监测和分析。
为实现上述目的，本发明采用了以下技术方案：
一种小麦白粉病中晚期病害严重度自动分析方法，该方法包括以下步骤：
(1)选取小麦白粉病中晚期的冬小麦叶片作为叶片样本，采集叶片样本的高光谱数据，并对采集到的叶片样本的高光谱数据进行校正。
(2)对校正后的叶片样本的高光谱数据进行反射率转换及归一化处理，得到试验数据，并根据整个叶片和病斑区域的像素数计算病斑占叶片面积的百分比，求得叶片样本的病情严重度a0。
(3)对试验数据进行降维处理：
(31)构造近邻图G：在高维空间中，计算各样本点彼此之间的欧氏距离，选取欧氏距离最近的10个样本点作为近邻点，并将这10个样本点相互连接，设dx(i，j)为样本点xi和样本点xj之间的欧式距离，dx(i，j)即为样本点xi和样本点xj之间连线的权重大小。
(32)计算最短路径：设样本点总数为M，则采用公式dG(i,j)＝min{dG(i,j),dG(m,j)+dG(m,j)}计算所有点的最近距离，由此得到所有样本点的测地距离矩阵DG＝dG(i，j)；若样本点xi和样本点xj是相连的，则二者之间的最短路径dG(i，j)＝dx(i，j)，否则二者之间的距离设为无穷远。
(33)计算最终d维坐标：利用多维标度法，在测地距离矩阵DG上，计算下式最小值来获得样本的d维嵌入空间Y：
其中，DY表示降维后的样本点之间的欧式距离矩阵，τ(D)＝-HSH/2，S是平方距离矩阵H是中心化矩阵Hij＝δij-1/N；假设λP和vP分别是τ(DG)的第P个特征向量和特征值，则时，上式得到全局最小。
(4)在降维之后，选取m个样本中的m1个样本作为训练样本，将d维特征作为自变量，对应的类别作为因变量输入到概率神经网络模型中进行训练，得到预测模型；将剩余的m-m1个样本作为测试样本进行模型准确率验证，将这m-m1个样本的d维特征作为自变量输入到概率神经网络模型中，得到叶片样本的病情严重度的预测结果a1，并将a1与a0进行比较。
进一步的，步骤(1)中，所述的“采集叶片样本的高光谱数据并对采集到的叶片样本的高光谱数据进行校正”的具体步骤为：
(11)采用成像光谱仪采集叶片样本的高光谱数据。
(12)对采集到的叶片样本的高光谱数据进行校正：在所有样本图像采集完成之后，不调动系统设置，获取标准参考白板的反射率，然后盖起镜头盖，得到全黑图像的反射率。
进一步的，步骤(2)中，所述的“对校正后的叶片样本的高光谱数据进行反射率转换及归一化处理”具体包括以下步骤：
(21)采用以下公式计算校正后图像的反射率值R：
其中，R0为样本原始的高光谱反射率值，RD为获取到的全黑图像反射率值，RW为获取到的参考白板反射率值，R为校正后的反射率值。
(22)采用以下公式对所有采集样本的面状光谱数据做消除光照差异的归一化处理：
其中，表示转化后的归一化反射率，Ri表示的是在样本中某一波段i的光谱反射率值，∑Ri表示某一样本的所有光谱反射率的总和，N为样本中总的波段数。
进一步的，步骤(4)中的d等于2。
由以上技术方案可知，本发明以染病中晚期的小麦叶片高光谱数据为研究对象，获取白粉病不同严重度的光谱特征，用以区分中晚期病害不同严重等级。本发明先对原始归一化光谱数据进行降维处理，然后以178个样本作为试验数据，选取136个作为训练样本，其余作为测试样本，将样本降维后的特征输入到概率神经网络(Probabilistic NeuralNetwork,PNN)建立严重等级分类识别模型。采用本发明对小麦白粉病中晚期病害严重度进行自动分析，健康样本预测准确率可达到100％，中度样本准确率为90％，轻度和重度识别准确率均为80％，模型总体识别精度达到88％。本发明可以实现小麦白粉病中晚期严重度的识别，为相关农业生产部门与保险理赔行业实时、准确地对病害严重度进行灾害评估提供了相应的理论依据。
附图说明
图1是本发明的方法流程图；
图2是小麦白粉病中晚期叶片归一化后的光谱反射率光谱曲线图；
图3是小麦白粉病中晚期叶片一阶导数变换后的光谱曲线；
图4是降维处理中的样本数据残差曲线图；
图5是降维处理结果的二维可视化图；
图6是Isomap-PNN分类模型图。
具体实施方式
下面结合附图对本发明做进一步说明：
如图1所示的一种小麦白粉病中晚期病害严重度自动分析方法，该方法包括以下步骤：
(1)选取小麦白粉病中晚期的冬小麦叶片作为叶片样本，采集叶片样本的高光谱数据，并对采集到的叶片样本的高光谱数据进行校正。为了了解叶片真实的光谱特性对严重度不同的响应程度，免去土壤、大气等因素的影响，本发明选取小麦白粉病中晚期叶片作为研究对象，通过分析不同严重度的光谱特性，探讨其在叶片尺度区分的可能性，研究相应算法并构建分类模型，为后续大尺度的灾害损失评估提供理论依据。
具体地说，首先，采用成像光谱仪采集叶片样本的高光谱数据；然后对采集到的叶片样本的高光谱数据进行校正：在所有样本图像采集完成之后，不调动系统设置，获取标准参考白板的反射率，然后盖起镜头盖，得到全黑图像的反射率。
本发明所进行的试验于2013年5月在北京市农林科学院实验农场开展，供试小麦品种为京双16，高感白粉病。于2012年10月播种，常规施肥处理，充足喷水为病菌提供高温、高湿环境利于其发病。对发病中晚期叶片，间隔三天分两次取样，用剪刀在田间剪出冬小麦叶片，并将每个叶片样本放在单独的小塑料袋中，防止水分流失和交叉污染。然后，将所有样本都用冰袋包装，运到室内实验室利用成像光谱仪进行数据测量。采集到共计178个叶片样本。为了降低环境中杂散光对图谱数据质量的影响，成像实验在密封式黑色箱柜中进行。ImSpector V10E成像光谱仪固定在黑色箱柜上方，镜头垂直向下，将采集的叶片平铺在采样台的黑布上，随着步进式移动平台匀速移动。为了尽量消除光照不均性，在密封柜两侧45°角固定卤素灯，并可自由调动高度。先调整好移动平台的速度，避免过快的移速造成图像失真，再经过多次调整，确定镜头距叶片正上方的距离为40cm，曝光时间设置为18ms，确保叶片能够清晰成像。此外，为了降低采集过程中仪器和环境对数据的影响，必须对数据进行校正，以消除部分噪声。
(2)对校正后的叶片样本的高光谱数据进行反射率转换及归一化处理，得到试验数据，并根据整个叶片和病斑区域的像素数计算病斑占叶片面积的百分比，求得叶片样本的病情严重度a0。
(21)本发明采用以下公式计算校正后图像的反射率值R：
其中，R0为样本原始的高光谱反射率值，RD为获取到的全黑图像反射率值，RW为获取到的参考白板反射率值，R为校正后的反射率值。
(22)对所有采集样本的面状光谱数据做消除光照差异的归一化处理，即每个样本每个波段的反射率值除以该样本所有波段的平均反射率值，具体地说，采用以下公式对所有采集样本的面状光谱数据做消除光照差异的归一化处理：
其中，表示转化后的归一化反射率，Ri表示的是在样本中某一波段i的光谱反射率值，∑Ri表示某一样本的所有光谱反射率的总和，N为样本中总的波段数。
(23)通过整个叶片和病斑区域的像素数计算病斑占叶片面积的百分比，求得叶片样本的病情严重度a0。在病害等级划分时，参考国家标准(NY/T613-2002)和数据情况，划分为四个级别，即健康(0～5％)、轻度(5.1～30％)、中度(30.1～50％)、重度(50.1～100％)。
基于四种不同严重程度：健康(0≤DI≤5)、轻度(5.1≤DI≤30)、中度(30.1≤DI≤50)和重度(50.1≤DI)。从原始光谱图图2中看出，四种不同严重程度类别在特定波长范围内具有明显差异：在450nm～700nm，健康叶红边区域的反射率值最低值，其次是轻度和中度叶片，重度叶片具有最高的反射率，表现出明显的四个梯度；在750nm～1000nm，健康叶片反射率值最高，其次是轻度和中度，重度叶片的反射率最低。也就是说，病害越严重，可见光区域叶片的反射率越高，但在近红外区则相反。这些结果与前人对白粉病的研究结果相一致。与白粉病归一化光谱反射率差异相比，一阶导数变换图3中，在690到740nm之间的红边区域，四个严重程度的差异是非常明显的。以上波段区间的差异为有效利用光谱技术分类识别病害严重度提供了重要的依据。
(3)本发明使用的光谱数据的原始光谱波段为400～1000nm，数据维度高、冗余性大，直接把所有数据用来分析建模，不仅增加了模型的复杂度，并且会出现“维度灾难”，造成模型精度的降低。为了有效地处理数据，降维是一个必然的选择。降维目的即在尽可能的保留信息的同时，对波段进行压缩。本发明对小麦白粉病中晚期高维光谱数据进行降维处理，得到原始数据的低维表示作为概率神经网络PNN的输入向量，进而获得小麦白粉病中晚期叶片严重度的分类模型。
具体地说，对步骤(2)中得到的试验数据进行降维处理的过程如下：
(31)构造近邻图G：在高维空间中，计算各样本点彼此之间的欧氏距离，选取欧氏距离最近的10个样本点作为近邻点，并将这10个样本点相互连接，设dx(i，j)为样本点xi和样本点xj之间的欧式距离，dx(i，j)即为样本点xi和样本点xj之间连线的权重大小。
(32)计算最短路径：设样本点总数为M，则采用公式dG(i,j)＝min{dG(i,j),dG(m,j)+dG(m,j)}计算所有点的最近距离，由此得到所有样本点的测地距离矩阵DG＝dG(i，j)；若样本点xi和样本点xj是相连的，则二者之间的最短路径dG(i，j)＝dx(i，j)，否则二者之间的距离设为无穷远。
(33)计算最终d维坐标：利用多维标度法，在测地距离矩阵DG上，计算下式最小值来获得样本的d维嵌入空间Y：
其中，DY表示降维后的样本点之间的欧式距离矩阵，τ(D)＝-HSH/2，S是平方距离矩阵H是中心化矩阵Hij＝δij-1/N；假设λP和vP分别是τ(DG)的第P个特征向量和特征值，则时，上式得到全局最小。
(4)在降维之后，选取m个样本中的m1个样本作为训练样本，将d维特征作为自变量，对应的类别作为因变量输入到概率神经网络模型中进行训练，得到预测模型；将剩余的m-m1个样本作为测试样本进行模型准确率验证，将这m-m1个样本的d维特征作为自变量输入到概率神经网络模型中，得到叶片样本的病情严重度的预测结果a1，并将a1与a0进行比较。优选的，d等于2。
本发明以中晚期白粉病叶片样本共178个作为研究对象，选择其中136个作为训练样本，其余作为测试样本，建立PNN分类识别模型，即将训练样本降维处理后得到的二维数据输入到PNN网络中进行训练(Isomap-PNN模型)，其中spread值选0.1。利用训练后的网络模型对测试样本集进行测试，其中类别1表示健康类别、2表示轻度类别、3表示中度类别、4表示重度类别。由图6可以看出，基于Isomap降维处理的分类模型中健康样本预测准确率可达到100％，中度有1个样本错分，轻度和重度均有2个样本错分，其中错误识别结果都在本样本的邻近类别，这是由于它们的病情指数都是在划分严重度标准的临界值左右导致的。模型的总体预测准确率可以达到88％，得到了较高的识别结果。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种小麦白粉病中晚期病害严重度自动分析方法，其特征在于：该方法包括以下步骤：
(1)选取小麦白粉病中晚期的冬小麦叶片作为叶片样本，采集叶片样本的高光谱数据，并对采集到的叶片样本的高光谱数据进行校正；
(2)对校正后的叶片样本的高光谱数据进行反射率转换及归一化处理，得到试验数据，并根据整个叶片和病斑区域的像素数计算病斑占叶片面积的百分比，求得叶片样本的病情严重度a0；
(3)对试验数据进行降维处理：
(31)构造近邻图G：在高维空间中，计算各样本点彼此之间的欧氏距离，选取欧氏距离最近的10个样本点作为近邻点，并将这10个样本点相互连接，设dx(i，j)为样本点xi和样本点xj之间的欧式距离，dx(i，j)即为样本点xi和样本点xj之间连线的权重大小；
(32)计算最短路径：设样本点总数为M，则采用公式dG(i,j)＝min{dG(i,j),dG(m,j)+dG(m,j)}计算所有点的最近距离，由此得到所有样本点的测地距离矩阵DG＝dG(i，j)；若样本点xi和样本点xj是相连的，则二者之间的最短路径dG(i，j)＝dx(i，j)，否则二者之间的距离设为无穷远；
(33)计算最终d维坐标：利用多维标度法，在测地距离矩阵DG上，计算下式最小值来获得样本的d维嵌入空间Y：
其中，DY表示降维后的样本点之间的欧式距离矩阵，τ(D)＝-HSH/2，S是平方距离矩阵H是中心化矩阵Hij＝δij-1/N；假设λP和VP分别是τ(DG)的第P个特征向量和特征值，则时，上式得到全局最小；
(4)在降维之后，选取m个样本中的m1个样本作为训练样本，将d维特征作为自变量，对应的类别作为因变量输入到概率神经网络模型中进行训练，得到预测模型；将剩余的m-m1个样本作为测试样本进行模型准确率验证，将这m-m1个样本的d维特征作为自变量输入到概率神经网络模型中，得到叶片样本的病情严重度的预测结果a1，并将a1与a0进行比较。
2.根据权利要求1所述的一种小麦白粉病中晚期病害严重度自动分析方法，其特征在于：步骤(1)中，所述的“采集叶片样本的高光谱数据并对采集到的叶片样本的高光谱数据进行校正”的具体步骤为：
(11)采用成像光谱仪采集叶片样本的高光谱数据；
(12)对采集到的叶片样本的高光谱数据进行校正：在所有样本图像采集完成之后，不调动系统设置，获取标准参考白板的反射率，然后盖起镜头盖，得到全黑图像的反射率。
3.根据权利要求2所述的一种小麦白粉病中晚期病害严重度自动分析方法，其特征在于：步骤(2)中，所述的“对校正后的叶片样本的高光谱数据进行反射率转换及归一化处理”具体包括以下步骤：
(21)采用以下公式计算校正后图像的反射率值R：
其中，R0为样本原始的高光谱反射率值，RD为获取到的全黑图像反射率值，RW为获取到的参考白板反射率值，R为校正后的反射率值；
(22)采用以下公式对所有采集样本的面状光谱数据做消除光照差异的归一化处理：
其中，表示转化后的归一化反射率，Ri表示的是在样本中某一波段i的光谱反射率值，∑Ri表示某一样本的所有光谱反射率的总和，N为样本中总的波段数。
4.根据权利要求1所述的一种小麦白粉病中晚期病害严重度自动分析方法，其特征在于：步骤(4)中的d等于2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810665242.0A CN108846370B (zh) | 2018-06-26 | 2018-06-26 | 一种小麦白粉病中晚期病害严重度自动分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810665242.0A CN108846370B (zh) | 2018-06-26 | 2018-06-26 | 一种小麦白粉病中晚期病害严重度自动分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108846370A true CN108846370A (zh) | 2018-11-20 |
| CN108846370B CN108846370B (zh) | 2021-08-24 |
Family
ID=64203274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810665242.0A Active CN108846370B (zh) | 2018-06-26 | 2018-06-26 | 一种小麦白粉病中晚期病害严重度自动分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108846370B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651686A (zh) * | 2019-09-24 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 一种测试处理方法、装置、电子设备及存储介质 |
| CN111751295A (zh) * | 2020-07-02 | 2020-10-09 | 安徽大学 | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
| CN114092795A (zh) * | 2020-07-31 | 2022-02-25 | 中国矿业大学(北京) | 基于植被指数归一化的作物病害等级评估方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010013026A1 (en) * | 1998-04-17 | 2001-08-09 | Ronald E. Shaffer | Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection |
| US20100021023A1 (en) * | 2008-07-25 | 2010-01-28 | Ut-Battelle, Llc | Detection of latent prints by raman imaging |
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| US20110286636A1 (en) * | 2010-05-24 | 2011-11-24 | Board Of Trustees Of The University Of Arkansas | System and method of determining nitrogen levels from a digital image |
| CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
| CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
-
2018
- 2018-06-26 CN CN201810665242.0A patent/CN108846370B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010013026A1 (en) * | 1998-04-17 | 2001-08-09 | Ronald E. Shaffer | Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection |
| US20100021023A1 (en) * | 2008-07-25 | 2010-01-28 | Ut-Battelle, Llc | Detection of latent prints by raman imaging |
| US20110286636A1 (en) * | 2010-05-24 | 2011-11-24 | Board Of Trustees Of The University Of Arkansas | System and method of determining nitrogen levels from a digital image |
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
| CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄林生 等.: "Relief-F筛选波段的小麦白粉病早期诊断研究", 《红外与激光工程》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651686A (zh) * | 2019-09-24 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 一种测试处理方法、装置、电子设备及存储介质 |
| CN111751295A (zh) * | 2020-07-02 | 2020-10-09 | 安徽大学 | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
| CN114092795A (zh) * | 2020-07-31 | 2022-02-25 | 中国矿业大学(北京) | 基于植被指数归一化的作物病害等级评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108846370B (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
| Zhou et al. | Diagnosis of winter-wheat water stress based on UAV-borne multispectral image texture and vegetation indices | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| Huang et al. | Phenotypic techniques and applications in fruit trees: a review | |
| Zhang et al. | Robust hyperspectral vision-based classification for multi-season weed mapping | |
| CN108846370B (zh) | 一种小麦白粉病中晚期病害严重度自动分析方法 | |
| Feng et al. | A deep convolutional neural network-based wavelength selection method for spectral characteristics of rice blast disease | |
| Ganesh Babu et al. | Different stages of disease detection in squash plant based on machine learning | |
| Zhang et al. | Opportunities of UAVs in orchard management | |
| Zhou et al. | Wheat phenology detection with the methodology of classification based on the time-series UAV images | |
| Żelazny et al. | Fusarium head blight detection from spectral measurements in a field phenotyping setting—A pre-registered study | |
| McNish et al. | Oat crown rust disease severity estimated at many time points using multispectral aerial photos | |
| Wang et al. | Characterization and classification of urban weed species in northeast China using terrestrial hyperspectral images | |
| An et al. | Classification of wheat powdery mildew based on hyperspectral: From leaves to canopy | |
| Wang et al. | Identification of tomato bacterial wilt severity based on hyperspectral imaging technology and spectrum Transformer network | |
| Tirado et al. | Utilizing spatial variability from hyperspectral imaging to assess variation in maize seedlings | |
| Xiao et al. | Early detection of nicosulfuron toxicity and physiological prediction in maize using multi-branch deep learning models and hyperspectral imaging | |
| Sharma et al. | Predict growth stages of wheat crop using digital image processing | |
| Laneve et al. | Dragon 4-Satellite Based Analysis of Diseases on Permanent and Row Crops in Italy and China | |
| Yang et al. | Designing an open field precision agriculture system using drones | |
| Surekha et al. | Automated Germinationrate and Quality Evaluation of Rice Seedsusing Computer Vision and Machine Learning Algorithms | |
| Zhang | Hyperspectral vision-based machine learning for robust plant recognition in autonomous weed control | |
| Shapira et al. | Weeds detection by ground-level hyperspectral data | |
| MohammadBagher | Development of a smart machine-vision-based system to detect water stress in greenhouse tomato plants | |
| Jonker | Next Generation Phenotyping with Uavs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |