CN109765190B - 一种利用高光谱成像技术识别稻田稗草的方法 - Google Patents
一种利用高光谱成像技术识别稻田稗草的方法 Download PDFInfo
- Publication number
- CN109765190B CN109765190B CN201910126774.1A CN201910126774A CN109765190B CN 109765190 B CN109765190 B CN 109765190B CN 201910126774 A CN201910126774 A CN 201910126774A CN 109765190 B CN109765190 B CN 109765190B
- Authority
- CN
- China
- Prior art keywords
- rice
- barnyard grass
- hyperspectral imaging
- spectral
- image
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种利用高光谱成像技术识别稻田稗草的方法,属于稻田恶性杂草识别预警技术领域。其包括以下步骤:种植水稻和稗草种质资源;选取水稻和稗草通过高光谱成像系统进行光谱数据采集;将光谱数据作为模型输入变量,经过计算机软件的图像校准、图像处理,获得整片叶子的平均反射率,经过信号降噪后,选择特殊光谱从而建立判别模型;无人机搭载高光谱成像设备采集大面积稻区光谱数据,最后计算出稗草发生率评估危害程度。本发明采用高光谱成像技术鉴别稻田稗草,利用水稻和稗草光谱差异特性,区分稗草和水稻;筛选六个主要波谱特征减少计算准确率达98.1%,无人机搭载技术高空作业,能够大面积快速无损获取光谱数据结果。
Description
技术领域
本发明属于稻田恶性杂草识别预警技术领域,具体涉及一种利用高光谱成像技术识别稻田稗草的方法。
背景技术
稗草是世界性恶性杂草,是稻田中发生最多、危害最重、分布最广的主要杂草之一。稗草不但能竞争水、肥、光照以及生长空间,降低水稻产量和品质,而且是稻飞虱、稻椿象等病虫害的寄主,严重危害水稻的生产安全。近些年来,由于水稻直播技术和精量穴直播技术的广泛应用,稗草危害更加猖獗,导致水稻减产甚至绝收的现象时有发生。稗草的早期识别和密度监测一直是开展稻田稗草防控的前提。
然而,在现实水稻生产中,稻田稗草识别仍旧处于落后的形态学鉴定阶段,通过叶耳和叶舌差异判断稻田稗草发生率,仍旧是目前大农场大面积水稻种植常用的方法。稗草和水稻拥有共同的进化来源,在3-4叶期(关键控草期)拥有相似的生长表型,主观评估稗草数目和危害程度,在水稻实际生产中往往存在很大偏差,常常发生防控不及时或除草剂过量施药的现象。第二种方法是RGB色差法对杂草特征进行识别,该方法存在识别率低的问题,同时该技术的准确率容易受到环境影响,不能推广使用;第三种方法是高光谱成像技术,该技术能够同时获得空间信息和光谱信息,但由于该技术数据量大,数据冗余严重,占用计算机内存大,以前主要应用于实验室离线分析。
早在2007年,日本学者开始使用高光谱成像技术开展甜菜和杂草(包括野燕麦、问荆草、狗尾草、繁缕)的鉴别工作,识别率仅有29.3%,采用逐步判别算法后正确率也仅有81.3%。2011年,美国科学家使用可见/近红外多光谱对玉米伴生杂草进行识别,准确率最高可达96.7%,但仍旧存在数据量冗余严重,无法应用的问题。2015年采用11维度(1000-2500nm)的波段开展甘蓝地中杂草识别,总体准确识别率达96.8%,虽然计算量大幅度降低,但研究主要针对行间识别,无法应用于稻田稗草鉴别。
2014年采用人工神经网络分类法,设定为7个主要波谱特征,能够鉴别豌豆田、春小麦田、油菜田中的野燕麦和红根猪草,准确率达88-94%,但该方法的优点是只有7个波段,计算量降低,但缺点是识别率低,安装固定在有伸缩臂的平板卡车上,适合于旱地作业,不适合在大面积水稻田开展作业。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种利用高光谱成像技术识别稻田稗草的方法的技术方案。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于包括以下步骤:
S1.种植水稻和稗草种质资源,覆盖所测稻区的所有稗草和水稻品种;
S2.选取水稻样本植株和稗草样本植株通过高光谱成像系统进行光谱数据采集;
S3.将步骤S2中的光谱数据作为模型输入变量,采用计算机软件进行图像校准、图像处理,获得整片叶子的平均反射率,经过信号降噪后,利用光谱差异建立最小二乘法判别分析模型;
S4.采用续投影算法SPA筛选出特殊光谱,增加计算速度;
S5.无人机搭载高光谱成像设备采集大面积稻区光谱数据,计算机进行稻区光谱信息读取及处理,依据步骤S3中的最小二乘法判别分析模型来区分水稻、稗草或其他,最后计算出稗草发生率评估危害程度。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S2中水稻和稗草叶片光谱信息采集时期分别为2.5-3.5叶期和3.5-4.5叶期。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S2中高光谱成像系统包括计算机以及由计算机控制的高光谱检测装置,所述高光谱检测装置包括暗箱,所述暗箱内顶部固定设置升降平台,所述升降平台固定设置向下的光谱成像设备和测距传感器,所述暗箱底部固定设置传送装置,所述传送装置包括贯穿暗箱内部的传送带和设置在暗箱外的电机,所述暗箱侧壁与传送带的接触缺口处设有进料升降门和出料升降门,所述暗箱内壁设有多个卤灯。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述光谱成像设备包括光谱仪、电感耦合器件、摄像机和摄像机镜头,在图像扫描时,摄像机镜头高度为45cm,摄像机的曝光时间为0.08s,光谱成像设备行扫描叶片,设为X轴,像素设定为672,扫描图片的长度,设为Y轴,512个光谱带,设为Z轴,扫描后获得高光谱图像。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S3中最小二乘法判别分析模型是通过采用支持向量机算法SVM建立而成。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S3中图像校准采用校准后的图像=(原始图像-全暗处理)/(全透光处理-全黑暗处理)。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S3中图像处理采用Matlab R2017软件执行,获得校准图像后,图像自动无损伤裁切,采用800nm产生的灰度图像建立蒙片,获得精确分支蒙片,获取整片叶子的平均反射率,通过小波软阈值进行减噪处理。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S5在计算机处理稻区光谱信息时是通过采用支持向量机算法SVM和续投影算法SPA获取光谱数据结果,再依据步骤S3中的最小二乘法判别分析模型来区分水稻、稗草或其他。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S4中的特殊光谱筛选有六个光谱特征,分别为415nm、561nm、687nm、705nm、735nm和1007nm。
所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S5中的无人机飞行高度为2.5m,飞行速度为5.0m/s,摄像机曝光时间为0.08s,高光谱成像设备行扫描X轴像素设定为672,地面扫描宽度为5m,每一秒获取一张光谱图,光谱设定六个,分别为415nm、561nm、687nm、705nm、735nm和1007nm。
本发明首次采用高光谱成像技术鉴别稻田稗草,利用水稻和稗草光谱差异特性,通过建立模型和判别分析,100%的区分稗草和水稻。作为改进,筛选6个主要波谱特征减少计算准确率达98.1%,无人机搭载技术高空作业,能够大面积快速无损获取光谱数据结果。
附图说明
图1为本发明的方法流程图;
图2为本发明中高光谱检测装置的结构示意图;
图3为本发明中稗草和水稻叶片的平均光谱反射率图。
图中:1-暗箱,2-升降平台,3-光谱成像设备,4-传送带,5-电机,6-进料升降门,7-出料升降门,8-卤灯,9-测距传感器。
具体实施方式
下面结合附图对本发明作进一步说明。
实施例1:一种利用高光谱成像技术识别稻田稗草的方法,如图1所示。
S1.种植水稻和稗草种质资源,覆盖所测稻区的所有稗草和水稻品种。
S2.选取水稻样本植株和稗草样本植株通过高光谱成像系统进行光谱数据采集,其中水稻和稗草叶片光谱信息采集时期分别为2.5-3.5叶期和3.5-4.5叶期。
S3.将步骤S2中的光谱数据作为模型输入变量,采用计算机软件进行图像校准、图像处理,获得整片叶子的平均反射率,经过信号降噪后,利用光谱差异建立最小二乘法判别分析模型,其中图像校准采用校准后的图像=(原始图像-全暗处理)/(全透光处理-全黑暗处理),图像处理采用Matlab R2017软件执行,获得校准图像后,图像自动无损伤裁切,采用800nm产生的灰度图像建立蒙片,获得精确分支蒙片,获取整片叶子的平均反射率,通过小波软阈值进行减噪处理,最小二乘法判别分析模型是通过采用支持向量机算法SVM建立而成。
S4.采用续投影算法SPA筛选出特殊光谱(特殊光谱筛选有六个光谱特征,分别为415nm、561nm、687nm、705nm、735nm和1007nm),增加计算速度。
S5.无人机搭载高光谱成像设备采集大面积稻区光谱数据,计算机进行稻区光谱信息读取及处理,采用支持向量机算法SVM和续投影算法SPA获取光谱数据结果,依据步骤S3中的最小二乘法判别分析模型来区分水稻、稗草或其他,最后计算出稗草发生率评估危害程度,其中无人机飞行高度为2.5m,飞行速度为5.0m/s,摄像机曝光时间为0.08s,高光谱成像设备行扫描X轴像素设定为672,地面扫描宽度为5m,每一秒获取一张光谱图,光谱设定六个,分别为415nm、561nm、687nm、705nm、735nm和1007nm。
试验例:
S1.种植水稻和稗草种质资源,覆盖所测稻区的所有稗草和水稻品种。具体地,选择整地均匀的试验水稻田,土壤性质为:pH=6.5,有机质含量为28.6 g·kg-1,总N含量为1.88 g·kg-1,总P含量为0.81g·kg-1,总K含量为18.2 g·kg-1,阳离子交换量为15.6cmol·kg-1。其中水稻和稗草种质资源包括57个水稻品种和73个稗草品种,覆盖所测稻区的所有稗草和水稻品种。这些品种均是前期从湖南、四川、浙江、安徽等水稻主产区收集而来,稗草类型覆盖所有稗草种类,包括光头稗、西来稗、稗、长芒稗、无芒稗、硬稃稗、紫穗稗、水稗。
S2.选取2.5-3.5叶期水稻样本植株和3.5-4.5叶期稗草样本植株通过高光谱成像系统进行光谱数据采集。具体地,分别随机选取每个品种的2.5-3.5叶期水稻样本植株和3.5-4.5叶期稗草样本植株30株,共计3900份植株。每个植株从10个角度分别获取高光谱数据,两个时期共计78000个数据,用于建立模型。
其中,高光谱成像系统包括计算机以及由计算机控制的高光谱检测装置。如图2所示,高光谱检测装置包括暗箱1,暗箱1内顶部固定设置升降平台2,升降平台2固定设置向下的光谱成像设备3和测距传感器9,测距传感器9调整拍摄高度,获取最佳拍摄效果;暗箱1底部固定设置传送装置,传送装置包括贯穿暗箱1内部的传送带4和设置在暗箱1外的电机5,暗箱1侧壁与传送带4的接触缺口处设有进料升降门6和出料升降门7,暗箱1内壁设有多个卤灯8。
将样品植株由传送带4经过进料升降门6送入到暗箱1内,卤灯8打开,光谱成像设备3开始检测扫描样品植株。光谱成像设备3包括光谱仪、电感耦合器件、摄像机和摄像机镜头,在图像扫描时,摄像机镜头高度为45cm,摄像机的曝光时间为0.08s,光谱成像设备3行扫描叶片,设为X轴,像素设定为672,扫描图片的长度,设为Y轴,512个光谱带,设为Z轴,扫描后获得高光谱图像。波谱范围设定为415-1008nm,共计有470个吸收波谱。
S3.将步骤S2中的光谱数据作为模型输入变量,采用计算机软件进行图像校准、无损裁切、建立蒙片,获得整片叶子的平均反射率,经过信号降噪后,利用光谱差异建立最小二乘法判别分析模型。在图像处理中,采用Matlab R2017软件执行,获得校准图像后,图像自动无损伤裁切,采用800nm产生的灰度图像建立蒙片,获得精确分支蒙片,获取整片叶子的平均反射率,通过小波软阈值进行减噪处理,稗草和水稻叶片的平均光谱反射率曲线图如图3所示,可以看出,在415-1008 nm波谱范围内,水稻和稗草叶片在可见光谱中反射曲线相同,叶绿素吸收蓝色光(接近440nm)和红光(接近650nm),出现两个明显的吸收谷,绿光(接近550nm)部分被叶绿素反射形成反射峰。从700nm-750nm波谱出现陡峭斜坡,显示了植物叶片反射率的快速变化。在NIR区域,稗草和水稻都保持较高的反射率,且稗草的反射率比水稻显著较高,离差较大。因此,认定采用该技术方法被用以区分稻田稗草方法可行。
S4.采用续投影算法SPA筛选出特殊光谱,增加计算速度;在建立最小二乘法判别分析模型采用支持向量机算法SVM,最小二乘法判别分析,区分水稻和稗草。采用续投影算法SPA筛选出六个光谱特征,分别为415nm、561nm、687nm、705nm、735nm和1007nm;与随机森林法RF相对比,通过持向量机算法SVM和续投影算法SPA几乎能够百分百地区分稗草和水稻,如下表所示:
S5.无人机搭载高光谱成像设备采集大面积稻区光谱数据,计算机进行稻区光谱信息读取及处理,在计算机处理稻区光谱信息时是通过采用支持向量机算法SVM和续投影算法SPA获取光谱数据结果,再依据步骤S3中的最小二乘法判别分析模型来区分水稻、稗草或其他。其中无人机飞行高度为2.5m,飞行速度为5.0m/s,摄像机曝光时间为0.08s,高光谱成像设备行扫描X轴像素设定为672,地面扫描宽度为5m,每一秒获取一张光谱图,光谱设定六个,分别为415nm、561nm、687nm、705nm、735nm和1007nm。
最后,计算机计算出稗草发生率评估危害程度。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种利用高光谱成像技术识别稻田稗草的方法,其特征在于包括以下步骤:
S1.种植水稻和稗草种质资源,覆盖所测稻区的所有稗草和水稻品种;
S2.选取水稻样本植株和稗草样本植株通过高光谱成像系统进行光谱数据采集;高光谱成像系统包括计算机以及由计算机控制的高光谱检测装置,所述高光谱检测装置包括暗箱(1),所述暗箱(1)内顶部固定设置升降平台(2),所述升降平台(2)固定设置向下的光谱成像设备(3)和测距传感器(9),所述暗箱(1)底部固定设置传送装置,所述传送装置包括贯穿暗箱(1)内部的传送带(4)和设置在暗箱(1)外的电机(5),所述暗箱(1)侧壁与传送带(4)的接触缺口处设有进料升降门(6)和出料升降门(7),所述暗箱(1)内壁设有多个卤灯(8);
S3.将步骤S2中的光谱数据作为模型输入变量,采用计算机软件进行图像校准、图像处理,获得整片叶子的平均反射率,经过信号降噪后,利用光谱差异建立最小二乘法判别分析模型,其中图像处理采用Matlab R2017软件执行,获得校准图像后,图像自动无损伤裁切,采用800nm产生的灰度图像建立蒙片,获得精确分支蒙片,获取整片叶子的平均反射率,通过小波软阈值进行减噪处理;
S4.采用连续投影算法SPA筛选出特殊光谱,增加计算速度,特殊光谱筛选有六个光谱特征,分别为415nm、561nm、687nm、705nm、735nm和1007nm;
S5.无人机搭载高光谱成像设备采集大面积稻区光谱数据,无人机飞行高度为2.5m,飞行速度为5.0m/s,摄像机曝光时间为0.08s,高光谱成像设备行扫描X轴像素设定为672,地面扫描宽度为5m,每一秒获取一张光谱图,光谱设定六个,分别为415nm、561nm、687nm、705nm、735nm和1007nm,计算机进行稻区光谱信息读取及处理,计算机处理稻区光谱信息时是通过采用支持向量机算法SVM和连续投影算法SPA获取光谱数据结果,再依据步骤S3中的最小二乘法判别分析模型来区分水稻、稗草或其他,最后计算出稗草发生率评估危害程度。
2.根据权利要求1所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S2中水稻和稗草叶片光谱信息采集时期分别为2.5-3.5叶期和3.5-4.5叶期。
3.根据权利要求1所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述光谱成像设备(3)包括光谱仪、电感耦合器件、摄像机和摄像机镜头,在图像扫描时,摄像机镜头高度为45cm,摄像机的曝光时间为0.08s,光谱成像设备(3)行扫描叶片,设为X轴,像素设定为672,扫描图片的长度,设为Y轴,512个光谱带,设为Z轴,扫描后获得高光谱图像。
4.根据权利要求1所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S3中最小二乘法判别分析模型是通过采用支持向量机算法SVM建立而成。
5.根据权利要求1所述的一种利用高光谱成像技术识别稻田稗草的方法,其特征在于所述步骤S3中图像校准采用校准后的图像=(原始图像-全暗处理)/(全透光处理-全黑暗处理)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910126774.1A CN109765190B (zh) | 2019-02-20 | 2019-02-20 | 一种利用高光谱成像技术识别稻田稗草的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910126774.1A CN109765190B (zh) | 2019-02-20 | 2019-02-20 | 一种利用高光谱成像技术识别稻田稗草的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109765190A CN109765190A (zh) | 2019-05-17 |
CN109765190B true CN109765190B (zh) | 2020-10-30 |
Family
ID=66457089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910126774.1A Active CN109765190B (zh) | 2019-02-20 | 2019-02-20 | 一种利用高光谱成像技术识别稻田稗草的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109765190B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110193475A (zh) * | 2019-05-28 | 2019-09-03 | 中国农业科学院农业信息研究所 | 一种饲料杂质筛选分离系统及其方法 |
CN114419407B (zh) * | 2021-12-14 | 2024-04-05 | 中国农业大学 | 一种用于移栽作物苗期的行内杂草自动识别方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7327896B1 (en) * | 2004-08-12 | 2008-02-05 | Northrop Grumman Corporation | Testing apparatus and method for a spectral imaging system |
CN104406940B (zh) * | 2014-12-01 | 2017-05-03 | 上海理工大学 | 一种打工业蜡大米的无损鉴别方法 |
CN105158186B (zh) * | 2015-09-17 | 2017-09-22 | 南京农业大学 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
CN106290238A (zh) * | 2016-08-09 | 2017-01-04 | 西北农林科技大学 | 一种基于高光谱成像的苹果品种快速鉴别方法 |
CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
CN109324000A (zh) * | 2018-11-08 | 2019-02-12 | 江南大学 | 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法 |
-
2019
- 2019-02-20 CN CN201910126774.1A patent/CN109765190B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109765190A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rehman et al. | Current and future applications of statistical machine learning algorithms for agricultural machine vision systems | |
Lu et al. | Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress | |
Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
Vibhute et al. | Applications of image processing in agriculture: a survey | |
Garcia-Ruiz et al. | Sugar beet (Beta vulgaris L.) and thistle (Cirsium arvensis L.) discrimination based on field spectral data | |
Singh et al. | Detection of sprouted and midge‐damaged wheat kernels using near‐infrared hyperspectral imaging | |
CN109765190B (zh) | 一种利用高光谱成像技术识别稻田稗草的方法 | |
Steward et al. | Machine-vision weed density estimation for real-time, outdoor lighting conditions | |
CN110553999A (zh) | 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法 | |
Muppala et al. | Machine vision detection of pests, diseases and weeds: A review | |
CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
CN105300895B (zh) | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 | |
Piron et al. | Improving in-row weed detection in multispectral stereoscopic images | |
Al-Mallahi et al. | Detection of potato tubers using an ultraviolet imaging-based machine vision system | |
CN105426585B (zh) | 一种基于正弦函数拟合法的马铃薯发芽预警方法 | |
Al-Mallahi et al. | Discrimination between potato tubers and clods by detecting the significant wavebands | |
CN114092839A (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
CN108846370A (zh) | 一种小麦白粉病中晚期病害严重度自动分析方法 | |
CN117541835A (zh) | 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统 | |
Chang et al. | Current and future applications of cost-effective smart cameras in agriculture | |
Noble et al. | The use of spectral properties for weed detection and identification-a review | |
CN105424622A (zh) | 一种利用特征三角形面积预警马铃薯发芽的方法 | |
Chen et al. | The characteristic of hyperspectral image of wheat seeds during sprouting | |
CN114782843A (zh) | 基于无人机多光谱图像融合的作物产量预测方法及系统 | |
Yao et al. | Single aflatoxin contaminated corn kernel analysis with fluorescence hyperspectral image |
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 |