CN109657653B - 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 - Google Patents
一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 Download PDFInfo
- Publication number
- CN109657653B CN109657653B CN201910051447.4A CN201910051447A CN109657653B CN 109657653 B CN109657653 B CN 109657653B CN 201910051447 A CN201910051447 A CN 201910051447A CN 109657653 B CN109657653 B CN 109657653B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- wheat grain
- image
- wheat
- gibberellic disease
- 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.)
- Active
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 157
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 157
- 235000013339 cereals Nutrition 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 62
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 46
- 201000010099 disease Diseases 0.000 title claims abstract description 44
- 238000003384 imaging method Methods 0.000 title claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 33
- 206010039509 Scab Diseases 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000003709 image segmentation Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 24
- 238000007637 random forest analysis Methods 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000002860 competitive effect Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000003702 image correction Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000011426 transformation method Methods 0.000 claims description 7
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000000701 chemical imaging Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000985 reflectance spectrum Methods 0.000 description 3
- UHPMCKVQTMMPCG-UHFFFAOYSA-N 5,8-dihydroxy-2-methoxy-6-methyl-7-(2-oxopropyl)naphthalene-1,4-dione Chemical compound CC1=C(CC(C)=O)C(O)=C2C(=O)C(OC)=CC(=O)C2=C1O UHPMCKVQTMMPCG-UHFFFAOYSA-N 0.000 description 2
- 241000223218 Fusarium Species 0.000 description 2
- 241000223195 Fusarium graminearum Species 0.000 description 2
- 240000000851 Vaccinium corymbosum Species 0.000 description 2
- 235000003095 Vaccinium corymbosum Nutrition 0.000 description 2
- 235000017537 Vaccinium myrtillus Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000021014 blueberries Nutrition 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002965 ELISA Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000002306 biochemical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000004809 thin layer chromatography Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，与现有技术相比解决了尚无快速识别小麦籽粒赤霉病方法的缺陷。本发明包括以下步骤：高光谱基础图像的采集；高光谱基础图像的预处理；构建小麦籽粒赤霉病识别模型；小麦籽粒赤霉病识别模型的训练；待识别高光谱图像的获取；待识别高光谱图像的预处理；小麦籽粒赤霉病的识别。本发明利用室内高光谱成像数据，通过图像分割技术，在高光谱图像中分割小麦籽粒，继而对小麦籽粒的光谱信息进行对比分析，通过数据噪声去除并进行特征波长筛选，建立了小麦赤霉病病害侵染麦粒的有效识别模型，形成了小麦籽粒赤霉病检测的快速有效方法。
Description
技术领域
本发明涉及高光谱数据处理技术领域，具体来说是一种基于成像高光谱数据的小麦籽粒赤霉病识别方法。
背景技术
赤霉病是由亚洲镰刀菌(Fusarium asiaticum)和禾谷镰刀菌(Fusariumgraminearum)引起的一种在世界范围内广泛流行的作物病害，小麦作为主要粮食作物，赤霉病的发生不仅会造成其产量的大幅度衰减，而且还会引起麦粒腐败变质，对小麦赤霉病及病害侵染麦粒的有效识别及检测已经成为当下相关领域研究的主要内容。
目前小麦籽粒赤霉病检测方法主要包括薄层色谱法、高效液相色谱法、气相色谱法、酶联免疫检测法等生物化学方法。但以上方法多要求有较高的专业背景，同时存在耗时长、人力物力需求量大，需通过大量实验才能达到检测效果等特点，在实际应用中缺乏可推广性。
近年来，高光谱成像技术不断发展，这一技术有效的结合了目标物的光谱信息和图像信息，具有波段多、分辨率高、图谱合一等优点。通过合理的图像处理和光谱分析方法，可有效的实现目标监测，被广泛应用于作物快速无损检测、鉴定以及水果等品质的分析中。
现有技术中，有部分技术利用高光谱成像技术采用特征光谱较好地表征玉米的霉变程度，提高了玉米霉变程度的鉴定准确率；还有技术利用高光谱成像技术，通过最小噪声分离变换提取特征信息，建立线性判别(LDA)和反向传播神经网络(BPNN)模型识别水稻纹枯病；还有利用高光谱成像技术采用连续投影算法和逐步多元线性回归等特征波段选择算法提取蓝莓糖度和硬度的特征波长，并结合反向传播神经网络(BPNN)模型，建立有效蓝莓糖度和硬度的预测模型。
因此，如何利用高光谱成像技术，实现小麦籽粒赤霉病的快速有效识别已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中尚无快速识别小麦籽粒赤霉病方法的缺陷，提供一种基于成像高光谱数据的小麦籽粒赤霉病识别方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，包括以下步骤：
高光谱基础图像的采集：利用高光谱成像仪采集高光谱基础图像，高光谱基础图像包括健康麦粒图像和病害麦粒图像；
高光谱基础图像的预处理：对高光谱基础图像进行图像校正、图像分割及小麦籽粒提取处理，并获取到小麦籽粒的光谱数据；
构建小麦籽粒赤霉病识别模型：建立基于支持向量机或随机森林技术的小麦籽粒赤霉病识别模型；
小麦籽粒赤霉病识别模型的训练：将预处理后的高光谱基础图像输入小麦籽粒赤霉病识别模型进行训练；
待识别高光谱图像的获取：获取待识别的小麦籽粒高光谱图像；
待识别高光谱图像的预处理：对待识别的小麦籽粒高光谱图像进行图像校正、图像分割及小麦籽粒提取处理，获取到待识别小麦籽粒的光谱数据；
小麦籽粒赤霉病的识别：将预处理后待识别高光谱数据输入小麦籽粒赤霉病识别模型，识别出小麦籽粒赤霉病。
所述的高光谱基础图像的预处理包括以下步骤：
对高光谱基础图像进行图像校正处理，对采集的高光谱基础图像进行黑白板校正，其公式如下：
R＝(O-B)/(W-B)，
其中：O为原始的高光谱图像，B为黑板校正图像，W为白板校正图像；
将高光谱基础图像从RGB空间转换至Lab空间，从Lab空间进行图像分割处理：
选取683nm、559nm、以及483nm 3个波段合成的RGB小麦籽粒图像，转换到Lab色彩空间，利用Lab色彩空间中的b分量设置阈值分割提取小麦籽粒区域，得到二值图，再进行形态学处理去除噪声和毛刺，最后得到小麦籽粒的二值图；
针对小麦籽粒二值图采用Envi画感兴趣区域技术或matlab提取出小麦籽粒的光谱数据。
所述的构建小麦籽粒赤霉病识别模型包括以下步骤：
设定小麦籽粒赤霉病识别模型的第一层为采用正交信号校正方法和小波变换方法对小麦籽粒的光谱数据进行预处理：
所述的正交信号校正方法为将原始小麦籽粒光谱数据与浓度阵进行多元正交处理；
所述的小波变换方法对原始小麦籽粒光谱数据进行小波变换得到高频、低频小波系数，再通过阈值法去除小波系数中的噪声信息，最后用经处理得到的小波系数进行反变换得到滤噪后的光谱信号；
设定小麦籽粒赤霉病识别模型的第二层为利用连续投影算法和竞争性自适应加权+连续投影算法筛选特征波长；
设定小麦籽粒赤霉病识别模型的第三层为采用支持向量机进行预测或随机森林算法进行分类。
所述的竞争性自适应加权+连续投影算法包括以下步骤：
设定蒙特卡罗采样次数设为100次，在选择主成分数为12时，获得最小均方根误差为0.1142，筛选特征波长个数为26个；
采用连续投影算法进行提取，选择m_max＝13，其中m_max为筛选特征波长个数最大值，获得最小均方根误差0.1261，最终筛选特征波长个数为10个。
所述小麦籽粒赤霉病识别模型的训练包括以下步骤：
将预处理后的高光谱基础图像输入小麦籽粒赤霉病识别模型的第一层，进行正交信号校正方法和小波变换方法处理；
将经第一层处理后的光谱数据输入第二层，进行连续投影算法和竞争性自适应加权+连续投影算法筛选特征波长处理；
将经第二层处理后的特征波长输入第三层，通过支持向量机或随机森林算法进行预测分类。
有益效果
本发明的一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，与现有技术相比利用室内高光谱成像数据，通过图像分割技术，在高光谱图像中分割小麦籽粒，继而对小麦籽粒的光谱信息进行对比分析，通过数据噪声去除并进行特征波长筛选，建立了小麦赤霉病病害侵染麦粒的有效识别模型，形成了小麦籽粒赤霉病检测的快速有效方法。
附图说明
图1为本发明的方法顺序图；
图2为本发明中小麦籽粒的分割流程效果展示图；
图3为本发明中健康小麦和病害小麦籽粒样本的平均反射率光谱曲线对比图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，包括以下步骤：
第一步，高光谱基础图像的采集。利用高光谱成像仪采集高光谱基础图像，高光谱基础图像包括健康麦粒图像和病害麦粒图像。
在实验阶段，使用小麦品种为轮选987，2017年9月种植于小汤山国家精准农业示范基地玉米小麦轮作小区，2018年小麦扬花期第1、3、5天，以田间撒病麦粒及部分单花滴注(孢子悬浮液浓度为5.0×105孢子/ml)的方法对试验划定病害小区进行小区赤霉病病害接种。此后，病害小区及对照小区在相同水肥条件下管理，于6月12日，对对照小区与病害小区分别收获。在收获的健康及病害麦粒中，分别选取200粒小麦粒，共计400粒小麦籽粒。平均分为20组，每组10粒健康麦粒和10粒病麦粒进行图像采集。
图像采集为高光谱成像系统，该系统主要包括SOC-710VP便携式高光谱成像仪(Surface Optic Corporation,美国),室内光学测量平台(AZ-PL2，北京安洲科技有限公司，中国)，照明系统(2台卤素灯)和笔记本电脑。
第二步，高光谱基础图像的预处理。对高光谱基础图像进行图像校正、图像分割及小麦籽粒提取处理，并获取到小麦籽粒的光谱数据。其具体步骤如下：
(1)为消除由于数据采集过程中不均匀的光照强度以及高光谱传感器中的暗电流对高光谱图像造成的噪声影响，先对高光谱基础图像进行图像校正处理，对采集的高光谱基础图像进行黑白板校正，其公式如下：
R＝(O-B)/(W-B)，
其中：O为原始的高光谱图像，B为黑板校正图像，W为白板校正图像。
(2)将高光谱基础图像从RGB空间转换至Lab空间，从Lab空间进行图像分割处理。
图像数据在包含目标物主要信息的同时，也包含有大量的噪声以及其他非目标物的信息，这就为数据分析增加了难度,同时也加大了数据分析的时间消耗。图像分割是获得感兴趣区的关键技术，图像分割的方法有很多种，根据不同的实际情况和具体的要求采用不同的分割方法。考虑到在数据采集过程中，由于光照、周围环境、人为因素等的影响，造成采集的数据存在光照不均、阴影等问题。RGB颜色空间中，R、G、B三个分量高度相关，对颜色变化较大，存在光照不均，有阴影的图像分割效果较差。因此，本发明采用把RGB空间转换到Lab空间的方法进行图像分割处理。Lab色彩空间是有亮度(L)和有关色彩的a、b三个要素组成，是一种独立于设备的颜色空间，色域宽阔，能够弥补RGB色彩空间中色彩分布不均的不足，可消除光照不均对图像造成的影响，因此适用于图像的分割和处理。
其具体方法如下：
选取683nm、559nm、以及483nm 3个波段合成的RGB小麦籽粒图像，转换到Lab色彩空间，利用Lab色彩空间中的b分量设置阈值分割提取小麦籽粒区域，得到二值图，再进行形态学处理去除噪声和毛刺，最后得到小麦籽粒的二值图。
(3)在获得小麦籽粒二值图后，即定位分割出图像中小麦的籽粒，针对小麦籽粒二值图采用Envi画感兴趣区域技术或matlab人工提取出小麦籽粒的光谱数据。
第三步，构建小麦籽粒赤霉病识别模型：建立基于支持向量机和随机森林技术的小麦籽粒赤霉病识别模型。在此将小麦籽粒赤霉病识别模型构建成三层上下结构设计，即将正交信号校正(OSC)和小波变换(WT)处理后经过连续投影(SPA)和竞争性自适应加权+连续投影(CARS+SPA)筛选特征波长后，再经过支持向量机(SVM)或随机森林(RF)获得预测识别结果。其具体步骤如下：
(1)设定小麦籽粒赤霉病识别模型的第一层为采用正交信号校正方法和小波变换方法对小麦籽粒的光谱数据进行预处理：
所述的正交信号校正方法为将原始小麦籽粒光谱数据与浓度阵进行多元正交处理。正交信号校正(OSC)方法是将光谱阵用浓度阵正交，滤除光谱与浓度阵无关的信号，保留了光谱中的主要信息，再进行多元校正，达到模型简化及提高模型预测的能力。
所述的小波变换方法对原始小麦籽粒光谱数据进行小波变换得到高频、低频小波系数，再通过阈值法去除小波系数中的噪声信息，最后用经处理得到的小波系数进行反变换得到滤噪后的光谱信号。小波变换(WT)方法则首先对原始光谱进行WT得到高频和低频小波系数，再通过阈值法(软阈值法、硬阈值法)去除小波系数中的噪声信息，最后用经处理得到的小波系数进行反变换即可得到滤噪后的光谱信号。
(2)设定小麦籽粒赤霉病识别模型的第二层为利用连续投影算法和竞争性自适应加权+连续投影算法筛选特征波长。
特征波长筛选又叫数据降维，是指通过线性或非线性映射方法将高维数据投影到低维数据空间，在保留或增强原始信息的前提下尽可能多的去除大量的冗余信息。本发明采用连续投影算法(SPA)和竞争性自适应加权+连续投影算法(CARS+SPA)筛选特征波长。其中连续投影算法(SPA)是一种使矢量空间共线性最小化的前向变量选择算法，在提取特征波长时，能够消除原始矩阵中的冗余信息，而竞争性自适应加权(CARS)是一种基于蒙特卡罗采样和偏最小二乘(PLS)回归系数的特征波长选择算法，通过计算蒙特卡罗采样中波长回归系数的绝对权重，去除绝对值较小的波长变量筛选特征波长。
在此，SPA算法可以选择m_max(筛选特征波长个数最大值)＝10时,获得最小均方根误差0.0931，筛选特征波长个数为6个。
竞争性自适应加权+连续投影算法可以如下设定：
A1)设定蒙特卡罗采样次数设为100次，在选择主成分数为12时，获得最小均方根误差为0.1142，筛选特征波长个数为26个；
A2)采用连续投影算法进行提取，选择m_max＝13，其中m_max为筛选特征波长个数最大值，获得最小均方根误差0.1261，最终筛选特征波长个数为10个。
(3)设定小麦籽粒赤霉病识别模型的第三层为采用传统的支持向量机进行预测和现有的随机森林算法进行分类。
第四步，小麦籽粒赤霉病识别模型的训练：将预处理后的高光谱基础图像输入小麦籽粒赤霉病识别模型进行训练。即针对预处理后的高光谱基础图像(即已进行过分割后的小麦籽粒光谱数据)分别采用正交信号校正(OSC)和小波变换(WT)对其进行预处理，利用连续投影算法(SPA)和竞争性自适应加权+连续投影算法(CARS+SPA)筛选特征波长，最后采用支持向量机(SVM)或随机森林(RF)算法进行识别分类训练。
其具体步骤如下：
(1)将预处理后的高光谱基础图像输入小麦籽粒赤霉病识别模型的第一层，进行正交信号校正方法和小波变换方法处理；
(2)将经第一层处理后的光谱数据输入第二层，进行连续投影算法和竞争性自适应加权+连续投影算法筛选特征波长处理；
(3)将经第二层处理后的特征波长输入第三层，通过支持向量机或随机森林算法进行预测分类。
第五步，待识别高光谱图像的获取：获取待识别的小麦籽粒高光谱图像。
第六步，待识别高光谱图像的预处理。与上同理，对待识别的小麦籽粒高光谱图像进行图像校正、图像分割及小麦籽粒提取处理，获取到待识别小麦籽粒的光谱数据。
第七步，小麦籽粒赤霉病的识别。将预处理后待识别高光谱数据(待识别的小麦籽粒光谱数据)输入小麦籽粒赤霉病识别模型，识别出小麦籽粒赤霉病。
针对于小麦籽粒分割的效果分析如下：
图2为小麦籽粒的分割流程图。通过对比分析，选取了683nm、559nm、以及483nm 3个波段合成的RGB小麦籽粒图像，转换到Lab色彩空间，利用Lab色彩空间中的b分量设置阈值分割提取小麦籽粒区域，得到二值图，然后进行形态学处理，去除噪声和毛刺，最后得到小麦籽粒的二值图。图2中的a图为小麦籽粒的RGB图像。图2中的b图为转换到Lab色彩空间后b分量的灰度直方图，从图中可以看到明显的单峰特征，采用阈值分割法分割效果较理想。图2中的c图为分割的小麦籽粒二值图。图2中的d图为分割后的小麦籽粒。从图2整个流程过程的对比中可以看出，小麦籽粒区域分割的效果较理想，能够完全分割出小麦籽粒区域。
在本发明中，为了降低数据分析量，提高小麦籽粒赤霉病识别模型的准确率，对经过正交信号校正(OSC)和小波变换(WT)预处理过后的光谱反射率数据进行特征波长的筛选。表1展示了不同特征波长筛选方法的量化结果对比，其中，OSC-SPA算法选择m_max(筛选特征波长个数最大值)＝10时,获得最小均方根误差0.0931，筛选特征波长个数为6个；WT-CARS-SPA算法，蒙特卡罗采样次数设为100次，在选择主成分数为12时，获得最小均方根误差为0.1142,筛选特征波长个数为26个，为了减少数据冗余在此基础上在采用SPA算法进行提取，选择m_max＝13，获得最小均方根误差0.1261，最终筛选特征波长个数为10个。
表1不同的预处理方法和特征波长筛选算法提取波长结果对比表
由表1可知OSC-SPA算法筛选6个特征波长，WT-SPA算法筛选11个特征波长，OSC-CARS-SPA算法筛选5个特征波长，WT-CARS-SPA算法筛选10个特征波长。OSC-SPA算法和OSC-WT-CARS-SPA算法决定系数分别为0.9477和0.9574；均方根误差分别为0.1201和0.1082，均优于WT-SPA算法和
WT-CARS-SPA算法。其中，OSC-WT-CARS-SPA算法特征波长筛选个数最少，提取5个特征波段，决定系数最优为0.9574，均方根误差最小为0.1082。
图3为健康小麦和病害小麦籽粒样本的平均反射率光谱曲线。为了减少首尾的噪声对构建模型造成影响，提高模型的准确性和稳定性，研究主要针对400nm～900nm范围内的光谱反射率展开。可以看出病害小麦籽粒的反射率光谱数据明显低于健康小麦籽粒的反射率光谱数据。虽然两者光谱变化趋势相似，但在530nm-600nm之间，斜率变化不同，且在600nm-800nm之间，反射率峰谷位置存在变化，特别是红边位置附近。也就是说，由此可以看出，针对于健康小麦籽粒和病害小麦籽粒样本的区分，其籽粒反射率数据变化可以明显区分开来，也就是说，籽粒光谱数据(特征波长)能够有效区分小麦籽粒赤霉病，是对小麦籽粒是否染病进行良好的识别依据。
本发明可以采用支持向量机(SVM)或随机森林(RF)两种方法进行预测或分类，对筛选得到的特征波长通过模型进行识别或分类。表2为各类模型识别结果对比。可以看出，所有框架构建的模型识别准确率均在90％以上，表明基于特征波长构建的识别模型均能对小麦籽粒是否染病进行良好的识别。
表2模型识别结果对比表
由此可看出，OSC-SPA-SVM模型、WT-SPA-SVM模型、OSC-CARS-SPA-SVM模型和WT-CARS-SPA-SVM模型的建模集准确率分别为99.18％、94.60％、99.35％和95.90％；验证集准确率为98.17％、94.09％、99.23％和94.25％，均优于OSC-SPA-RF模型、WT-SPA-RF模型、OSC-CARS-SPA-RF模型和WT-CARS-SPA-RF模型。其中，OSC-CARS-SPA-SVM获得最大建模准集确率99.35％，验证集准确率99.23％，WT-SPA-RF获得最小建模集准确率92.28％，验证集准确率91.45％。
本发明通过高光谱成像技术，集图像分割和和特征光谱筛选等方法，构成赤霉病侵染小麦籽粒识别框架。通过采集包含健康和赤霉病病害侵染小麦籽粒的室内成像高光谱数据，利用Lab颜色空间b分量进行图像分割，获取小麦籽粒位置区域并提取对应光谱反射率数据，分别采用正交信号校正(OSC)和小波变换(WT)对提取光谱进行预处理，利用连续投影算法(SPA)和竞争性自适应加权+连续投影算法(CARS+SPA)筛选特征波长，最后采用支持向量机(SVM)或随机森林(RF)算法建立交叉验证识别模型。
结果表明，OSC-CARS-SPA算法特征波长筛选效率最优，提取5个特征波段，决定系数最优为0.9574，均方根误差最小为0.1082。在此基础上，OSC-CARS-SPA-SVM模型获得最大建模准集确率99.35％，验证集准确率99.23％，WT-SPA-RF方法获得最小建模集准确率92.28％，验证集准确率91.45％。证明本发明所述方法能够通过特征波长的识别分析有效识别出小麦籽粒赤霉病。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (2)
1.一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，其特征在于，包括以下步骤：
11)高光谱基础图像的采集：利用高光谱成像仪采集高光谱基础图像，高光谱基础图像包括健康麦粒图像和病害麦粒图像；
12)高光谱基础图像的预处理：对高光谱基础图像进行图像校正、图像分割及小麦籽粒提取处理，并获取到小麦籽粒的光谱数据；
13)构建小麦籽粒赤霉病识别模型：建立基于支持向量机或随机森林技术的小麦籽粒赤霉病识别模型；
所述的构建小麦籽粒赤霉病识别模型包括以下步骤：
131)设定小麦籽粒赤霉病识别模型的第一层为采用正交信号校正方法和小波变换方法对小麦籽粒的光谱数据进行预处理：
所述的正交信号校正方法为将原始小麦籽粒光谱数据与浓度阵进行多元正交处理；
所述的小波变换方法对原始小麦籽粒光谱数据进行小波变换得到高频、低频小波系数，再通过阈值法去除小波系数中的噪声信息，最后用经处理得到的小波系数进行反变换得到滤噪后的光谱信号；
132)设定小麦籽粒赤霉病识别模型的第二层为利用连续投影算法和竞争性自适应加权+连续投影算法筛选特征波长；
所述的竞争性自适应加权+连续投影算法包括以下步骤：
1321)设定蒙特卡罗采样次数设为100次，在选择主成分数为12时，获得最小均方根误差为0.1142，筛选特征波长个数为26个；
1322)采用连续投影算法进行提取，选择m_max＝13，其中m_max为筛选特征波长个数最大值，获得最小均方根误差0.1261，最终筛选特征波长个数为10个；
133)设定小麦籽粒赤霉病识别模型的第三层为采用支持向量机进行预测或随机森林算法进行分类；
14)小麦籽粒赤霉病识别模型的训练：将预处理后的高光谱基础图像输入小麦籽粒赤霉病识别模型进行训练；
所述小麦籽粒赤霉病识别模型的训练包括以下步骤：
141)将预处理后的高光谱基础图像输入小麦籽粒赤霉病识别模型的第一层，进行正交信号校正方法和小波变换方法处理；
142)将经第一层处理后的光谱数据输入第二层，进行连续投影算法和竞争性自适应加权+连续投影算法筛选特征波长处理；
143)将经第二层处理后的特征波长输入第三层，通过支持向量机或随机森林算法进行预测分类；
15)待识别高光谱图像的获取：获取待识别的小麦籽粒高光谱图像；
16)待识别高光谱图像的预处理：对待识别的小麦籽粒高光谱图像进行图像校正、图像分割及小麦籽粒提取处理，获取到待识别小麦籽粒的光谱数据；
17)小麦籽粒赤霉病的识别：将预处理后待识别高光谱数据输入小麦籽粒赤霉病识别模型，识别出小麦籽粒赤霉病。
2.根据权利要求1所述的一种基于成像高光谱数据的小麦籽粒赤霉病识别方法，其特征在于，所述的高光谱基础图像的预处理包括以下步骤：
21)对高光谱基础图像进行图像校正处理，对采集的高光谱基础图像进行黑白板校正，其公式如下：
R＝(O-B)/(W-B)，
其中：O为原始的高光谱图像，B为黑板校正图像，W为白板校正图像；
22)将高光谱基础图像从RGB空间转换至Lab空间，从Lab空间进行图像分割处理：
选取683nm、559nm、以及483nm 3个波段合成的RGB小麦籽粒图像，转换到Lab色彩空间，利用Lab色彩空间中的b分量设置阈值分割提取小麦籽粒区域，得到二值图，再进行形态学处理去除噪声和毛刺，最后得到小麦籽粒的二值图；
23)针对小麦籽粒二值图采用Envi画感兴趣区域技术或matlab提取出小麦籽粒的光谱数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910051447.4A CN109657653B (zh) | 2019-01-21 | 2019-01-21 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910051447.4A CN109657653B (zh) | 2019-01-21 | 2019-01-21 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109657653A CN109657653A (zh) | 2019-04-19 |
| CN109657653B true CN109657653B (zh) | 2022-10-04 |
Family
ID=66120660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910051447.4A Active CN109657653B (zh) | 2019-01-21 | 2019-01-21 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657653B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110082298B (zh) * | 2019-05-15 | 2020-05-19 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
| CN110031422A (zh) * | 2019-05-16 | 2019-07-19 | 河南工业大学 | 同时利用两种特定波长的红外光进行赤霉病小麦筛选 |
| CN110044831A (zh) * | 2019-05-16 | 2019-07-23 | 河南工业大学 | 同时利用两种特定波长的可见光进行赤霉病小麦筛选 |
| CN110132856B (zh) * | 2019-05-18 | 2021-06-25 | 安徽大学 | 小麦赤霉病染病籽粒识别的光谱病害指数构建及应用 |
| CN110132862B (zh) * | 2019-05-30 | 2021-07-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
| CN110346312B (zh) * | 2019-07-19 | 2021-08-10 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
| CN110596280B (zh) * | 2019-10-29 | 2022-04-05 | 南京财经大学 | 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 |
| CN110929944A (zh) * | 2019-11-28 | 2020-03-27 | 安徽大学 | 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法 |
| CN110987830A (zh) * | 2019-12-23 | 2020-04-10 | 陕西地建土地工程技术研究院有限责任公司 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
| CN111272668A (zh) * | 2020-01-22 | 2020-06-12 | 中国农业科学院农产品加工研究所 | 小麦品种鉴别模型的构建方法 |
| 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 |
| CN112710780A (zh) * | 2020-11-14 | 2021-04-27 | 山西省农业科学院作物科学研究所 | 一种小麦赤霉病检测装置 |
| CN112730269B (zh) * | 2020-12-10 | 2022-09-13 | 青岛农业大学 | 一种基于深度学习的黄曲霉毒素智能检测方法 |
| CN112819062B (zh) * | 2021-01-26 | 2022-05-17 | 淮阴工学院 | 基于混合粒子群和连续投影的荧光光谱二次特征选择方法 |
| CN113433076B (zh) * | 2021-05-18 | 2023-01-10 | 中国检验检疫科学研究院 | 基于高光谱成像技术的玉米籽粒中黄曲霉毒素鉴别方法 |
| CN113324922B (zh) * | 2021-05-31 | 2022-08-23 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的小麦条锈病监测方法 |
| CN113420614A (zh) * | 2021-06-03 | 2021-09-21 | 江苏海洋大学 | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 |
| CN113989639B (zh) * | 2021-10-20 | 2024-04-16 | 华南农业大学 | 基于高光谱图像分析处理方法的荔枝病害自动识别方法及装置 |
| CN115082797B (zh) * | 2022-07-05 | 2023-08-22 | 安徽农业大学 | 一种大田环境下早期小麦赤霉病监测预警方法及系统 |
| CN116523866B (zh) * | 2023-04-26 | 2023-12-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 |
| CN116642841B (zh) * | 2023-07-18 | 2023-10-31 | 中国农业大学 | 基于成像光谱的小麦单籽粒蛋白质含量检测与筛选方法 |
| CN116973377A (zh) * | 2023-08-02 | 2023-10-31 | 中国民用航空飞行学院 | 一种小型机场道面异物高光谱检测装置和方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016000088A1 (zh) * | 2014-07-02 | 2016-01-07 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
| CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
-
2019
- 2019-01-21 CN CN201910051447.4A patent/CN109657653B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016000088A1 (zh) * | 2014-07-02 | 2016-01-07 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
| CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
Non-Patent Citations (1)
| Title |
|---|
| 基于高光谱成像技术的小麦籽粒赤霉病识别;梁琨等;《农业机械学报》;20161231(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109657653A (zh) | 2019-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657653B (zh) | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 | |
| Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
| Zhang et al. | Integrating spectral and image data to detect Fusarium head blight of wheat | |
| 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 | |
| Ataş et al. | A new approach to aflatoxin detection in chili pepper by machine vision | |
| Mebatsion et al. | Automatic classification of non-touching cereal grains in digital images using limited morphological and color features | |
| CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
| Zapotoczny et al. | Application of image analysis for the varietal classification of barley:: Morphological features | |
| CN107527326A (zh) | 一种基于高光谱成像的小麦赤霉病诊断方法 | |
| CN108921809B (zh) | 整体原则下基于空间频率的多光谱和全色图像融合方法 | |
| CN109145848B (zh) | 一种麦穗计数方法 | |
| CN109883967B (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
| CN103528967B (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| Weng et al. | Reflectance images of effective wavelengths from hyperspectral imaging for identification of Fusarium head blight-infected wheat kernels combined with a residual attention convolution neural network | |
| CN112834442A (zh) | 基于多光谱数据的大区域尺度作物生长实时监测方法 | |
| CN111767863B (zh) | 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法 | |
| CN113920376A (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 | |
| CN116152524A (zh) | 一种小麦种子分类方法 | |
| CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
| CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
| CN111751295A (zh) | 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 | |
| CN114689539A (zh) | 基于近红外高光谱图像的大豆种子病变粒识别方法及系统 | |
| Ullagaddi et al. | Automatic robust segmentation scheme for pathological problems in mango crop | |
| Mumtaz et al. | Integrated digital image processing techniques and deep learning approaches for wheat stripe rust disease detection and grading | |
| CN114972879A (zh) | 一种基于机器学习的绿潮面积遥感监测方法 |
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 |