CN110132862A - 小麦赤霉病检测专属病情指数构建方法及其应用 - Google Patents
小麦赤霉病检测专属病情指数构建方法及其应用 Download PDFInfo
- Publication number
- CN110132862A CN110132862A CN201910461294.0A CN201910461294A CN110132862A CN 110132862 A CN110132862 A CN 110132862A CN 201910461294 A CN201910461294 A CN 201910461294A CN 110132862 A CN110132862 A CN 110132862A
- Authority
- CN
- China
- Prior art keywords
- wheat
- head
- wave bands
- spectrum
- curve
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 159
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 91
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 91
- 201000010099 disease Diseases 0.000 title claims abstract description 75
- 206010039509 Scab Diseases 0.000 title claims abstract description 47
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 89
- 230000003595 spectral effect Effects 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000007637 random forest analysis Methods 0.000 claims abstract description 22
- 238000002310 reflectometry Methods 0.000 claims description 21
- 238000003709 image segmentation Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 17
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006378 damage Effects 0.000 abstract description 4
- 241000607479 Yersinia pestis Species 0.000 abstract description 3
- 241000223218 Fusarium Species 0.000 description 13
- 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 12
- 229930002875 chlorophyll Natural products 0.000 description 8
- 235000019804 chlorophyll Nutrition 0.000 description 8
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 208000015181 infectious disease Diseases 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 231100000678 Mycotoxin Toxicity 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000002636 mycotoxin Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000223195 Fusarium graminearum Species 0.000 description 2
- 241000495841 Oenanthe oenanthe Species 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 description 2
- 229930002954 deoxynivalenol Natural products 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 description 2
- 241000220324 Pyrus Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 102000006463 Talin Human genes 0.000 description 1
- 108010083809 Talin Proteins 0.000 description 1
- 240000002805 Triticum turgidum Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 244000053095 fungal pathogen Species 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (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
本发明涉及病虫害检测技术领域，特别涉及一种小麦赤霉病检测专属病情指数构建方法，包括如下步骤：(A)采集不同染病程度的多个小麦麦穗作为样本；(B)利用高光谱相机拍摄样本中每个小麦麦穗的高光谱图像；(C)对高光谱图像进行处理，得到每个小麦麦穗的光谱曲线；(D)利用随机森林算法对光谱波段特征进行度量，筛选出对赤霉病敏感的两个特征波段；(E)根据特征波段的光谱反射率值计算小麦赤霉病检测专属病情指数FDI；还公开了基于该病情指数的小麦赤霉病病害等级检测方法。该方法能够快速、准确地确定出高光谱图像中最能够体现病害情况的特征波段，检测时，采用波段少、计算方便、速度快，具有非常好的应用推广价值。
Description
技术领域
本发明涉及病虫害检测技术领域，特别涉及一种小麦赤霉病检测专属病情指数构建方法及其应用。
背景技术
小麦是中国重要的粮食作物，对保障国家粮食安全具有特殊意义，然而小麦的多种病害已成为中国小麦减产的主要因素。赤霉病(Fusarium head blight,FHB)是影响小麦减产的最严重的病害之一。引起小麦赤霉病的主要病原菌有禾谷镰孢(FusariumgraminearumSchw)，黄色镰孢(Fusarium culmorumSacc)，燕麦镰孢(FusariumavenaceumSacc)，梨孢镰孢(Fusarium poaWollenw)以及雪腐镰孢(FusariumnivaleSorauer)，其中对小麦影响最大的是禾谷镰孢和黄色镰孢。小麦赤霉病严重影响了小麦的品质和产量。感染赤霉病的小麦，可产生多种真菌毒素，并且加工后的小麦制品也会携带真菌毒素，严重影响食品安全。在小麦感染的真菌毒素中，其中脱氧雪腐镰刀菌烯醇(DON)毒性最强。这些病菌毒素会污染面粉，并在食物链中长期存留，产生致癌物质。因此，小麦赤霉病已经成为世界高度关注的一类病害之一。
传统田间人工手查病虫害情况方式需要将麦穗破坏性的采摘回实验室，然后进行生理生化方面的检测来获得麦穗赤霉病的感染情况，或者进行专家人眼评估，该方式容易因评估专家的从业年限或知识积累产生不同程度的误差及随机性。与传统方式相比较，高光谱成像技术具有光谱和图像信息协同分析的优势，不仅可以提取作物的外表图像特征，还可以探测物体内部的光谱信息，尤其是可通过对研究对象图谱数据，以点-面结合的方式，实现作物病害多特征同步检测。
发明内容
本发明的首要目的在于提供一种小麦赤霉病检测专属病情指数构建方法，能够快速的筛选出检测病情的敏感波段。
为实现以上目的，本发明采用的技术方案为：一种小麦赤霉病检测专属病情指数构建方法，包括如下步骤：(A)采集不同染病程度的多个小麦麦穗作为样本；(B)利用高光谱相机拍摄样本中每个小麦麦穗的高光谱图像；(C)对高光谱图像进行处理，得到每个小麦麦穗的光谱曲线；(D)利用随机森林算法对光谱波段特征进行度量，筛选出对赤霉病敏感的两个特征波段λ1和λ2；(E)根据特征波段的光谱反射率值按如下公式计算小麦赤霉病检测专属病情指数FDI：
式中，Rλ1和Rλ2分别为特征波段λ1和λ2处的光谱反射率值。
与现有技术相比，本发明存在以下技术效果：通过拍摄染病的小麦麦穗高光谱图像，然后求解光谱曲线，再利用随机森林算法对光谱波段进行度量筛选出敏感的特征波段，最后根据特征波段计算小麦麦穗的专属病情指数，该方法能够快速、准确地确定出高光谱图像中最能够体现病害情况的特征波段，为后续的小麦赤霉病病害等级检测提供可靠的依据。
本发明的另一个目的在于提供一种基于专属病情指数的小麦赤霉病病害等级检测方法，能够高效、准确地检测出小麦赤霉病病害等级。
为实现以上目的，本发明采用的技术方案为：一种基于专属病情指数的小麦赤霉病病害等级检测方法，包括如下步骤：(S1)利用高光谱相机拍摄待检测小麦麦穗的高光谱图像；(S2)获取待检测小麦麦穗高光谱图像中包括的所有波段对应的光谱反射率；(S3)选取所有波段中的红绿蓝三个波段组合并输出得到待检测小麦麦穗的RGB图像；(S4)利用图像分割算法对步骤S3中的RGB图像进行图像分割，得到待检测小麦麦穗的坐标位置；(S5)计算待检测小麦麦穗坐标位置中每一个像素位置的专属病情指数FDI：
式中，Rλ1和Rλ2分别为特征波段λ1和λ2处的光谱反射率值；(S6)将待检测小麦麦穗坐标位置中每一个像素位置的专属病情指数FDI与设定阈值T进行比较，记专属病情指数FDI<T的像素个数为a，专属病情指数FDI≥T的像素个数为b；(S7)待检测小麦麦穗的病害等级W＝a/(a+b)。
与现有技术相比，本发明存在以下技术效果：该方法采用的波段少、计算方便、速度快，有利于开发小麦赤霉病严重度检测传感器，同时，该方法属于光学仪器无损检测，无需破坏麦穗形态结构，具有非常好的应用推广价值。
附图说明
图1是不同染病程度的小麦麦穗光谱曲线；
图2是利用随机森林算法得到的光谱权重大小曲线；
图3是本发明小麦赤霉病病害等级检测方法流程示意图；
图4是本发明对小麦麦穗病斑区域检测示意图。
具体实施方式
下面结合图1至图4，对本发明做进一步详细叙述。
一种小麦赤霉病检测专属病情指数构建方法，包括如下步骤：(A)采集不同染病程度的多个小麦麦穗作为样本；(B)利用高光谱相机拍摄样本中每个小麦麦穗的高光谱图像；(C)对高光谱图像进行处理，得到每个小麦麦穗的光谱曲线；(D)利用随机森林算法对光谱波段特征进行度量，筛选出对赤霉病敏感的两个特征波段λ1和λ2；(E)根据特征波段的光谱反射率值按如下公式计算小麦赤霉病检测专属病情指数FDI：
式中，Rλ1和Rλ2分别为特征波段λ1和λ2处的光谱反射率值。通过拍摄染病的小麦麦穗高光谱图像，然后求解光谱曲线，再利用随机森林算法对光谱波段进行度量筛选出敏感的特征波段，最后根据特征波段计算小麦赤霉病检测专属的病情指数，该方法能够快速、准确地确定出高光谱图像中最能够体现病害情况的特征波段，为后续的小麦赤霉病病害等级检测提供可靠的依据。
参阅图1，优选地，所述的步骤C中，对于样本中每个小麦麦穗，按如下步骤将其高光谱图像处理为光谱曲线：(C1)获取该小麦麦穗高光谱图像中包括的所有波段对应的光谱反射率；(C2)选取所有波段中的红绿蓝三个波段组合并输出得到该小麦麦穗的RGB图像；(C3)利用图像分割算法对步骤C2中的RGB图像进行图像分割，得到该小麦麦穗的坐标位置，这里说的图像分割算法可以是一些基于图像的颜色空间转换以及MATLAB的分割算法再加上腐蚀膨胀进行麦穗麦芒的去除，现有技术中有很多图像分割算法可以实现，这里就不再详细说明；(C4)将该小麦麦穗坐标位置处的所有波段对应的光谱反射率进行加和后求取平均值，得到该小麦麦穗的光谱曲线。通过该步骤处理得到的光谱曲线，能够反应出小麦麦穗的整体光谱分布，通过对光谱曲线的处理，更容易找出特征波段。
进一步地，所述的步骤D中，包括以下步骤：(D1)对样本中多个小麦麦穗的光谱曲线进行曲线平滑滤波，比如采用Savitzky-Golay滤波拟合法进行一阶平滑处理；(D2)将平滑后的多个光谱曲线代入到随机森林算法中，筛选出所有波段的权重值大小，得到光谱权重大小曲线，如图2所示；(D3)在光谱权重大小曲线中，选取正向权重值最大位置的波段作为特征波段λ1，选取负向权重值最小位置的波段作为特征波段λ2。光谱权重大小曲线中选择正向权重值最大位置和反向权重值最大位置，一般就是较能反应出病害情况的特征波段，这里直接选择这个位置所对应的波段作为特征波段，非常方便、快捷。随机森林算法是由Breiman提出的基于多个CART的集成学习算法，该算法利用Bootstrap重采样法生成训练集，根据基尼指数最小原则对属性进行度量，逐步建立CART,然后综合各个决策树的投票情况判别样本归属类别。同时，将没有出现在训练集的样本称作‘袋外数据’，利用此数据集来预测算法的准确度。随机森林算法可以对属性的重要性进行度量，本发明利用随机森林算法对光谱波段特征进行度量，筛选出重要的波段特征，非常的适合。现有技术中有很多关于随机森林算法的叙述，如方匡南的《随机森林方法研究综述》、姚登举的《基于随机森林的特征选择算法》、雍凯的《随机森林的特征选择和模型优化算法研究》以及刘敏的《随机森林中树的数量》中都有详细说明，本发明中就不再详细赘述。
进一步地，所述的步骤B中，高光谱相机是波段范围为374-1040nm的光谱仪，光谱分辨率为2.3nm，光谱波段为260个，也可以选用其他参数的光谱仪；所述的特征波段λ1和λ2分别是661nm波段和563nm波段。
本发明采用高光谱相机拍摄患病麦穗的高光谱图像，也可采用其他的图谱合一的光谱仪，拍摄时将患病麦穗放在黑布上面(黑布做背景)，之后利用高光谱相机去拍摄麦穗，从而获取高光谱图像，所获取的图像波段是从374nm到1040nm，光谱分辨率(两两波段/通道之间的间隔)为2.3nm，从而得到一幅具有260个波段(通道)的图像，高光谱图像中的每个像素均具有260个数值，在不同目标物体情况下，这些数值(即在不同波段下的响应，也就是光谱反射率)是不一样的，从而可以利用某些波段下的反射率的运算结果来区分和识别不同物体。传统的图像由RGB三个通道显示出来，而高光谱图像有类似RGB通道的数百个通道，每个通道图像为单波段图像。不同的物体在高光谱的不同波段下面的响应是不同的，利用这个特点研究每种物体在哪些波段下有明显响应，从而利用这些响应波段来区分和识别物体。为了能让患病麦穗的高光谱图像显示出来，选择660nm,560nm,480nm(红绿蓝)这三个波段组合并输出麦穗的RGB图像，由于健康部分和患病部分在高光谱影像中的不同波段下面的响应是不同的，在此基础上，利用麦穗在不同波段下的响应来区分健康麦穗部分和患有赤霉病麦穗的部分。
赤霉病感染后，小麦体内成分的会发生明显的变化，感染赤霉病麦穗的叶绿素会渐渐消失，进而呈现褐色。赤霉病在穗部可以向周围扩展，可以伸入穗轴内部，能导致麦穗上由于营养成分的缺失以及水分的丢失等因素而枯萎。受赤霉病的影响，小麦会变得皱缩呆白，粒重下降，有时表面呈粉红色。对于同一种麦穗在感染不同程度的赤霉病的情况下，会导致麦穗内部各个成分发生不同的变化，进而改变其反射光谱曲线形态和特征，正是这些变化使得利用高光谱检测麦穗赤霉病病情严重等级情况成为可能。
为了分析赤霉病敏感的光谱波段，本发明选取378个麦穗样本，将其中光谱提出后，求其平均光谱值。先经过Savitzky-Golay一阶平滑处理后，再利用随机森林算法筛选出波段权重大小。得到如图2所示的光谱权重大小曲线，选取所述正向权重值最大值所在的波段位置和负向权重值最小值的波段位置，得到661nm波段和563nm波段。
661nm波段处在650nm～700nm的叶绿素强吸收带中。随着病害严重等级的增加，在650nm到700nm之间，健康麦穗的叶绿素含量较高，导致在此区间具有明显的叶绿素光谱吸收谷。而对于严重的感染赤霉病的麦穗，赤霉病的病菌破坏了麦穗里面的叶绿素细胞结构，导致麦穗所含叶绿素含量减少，在此区间，叶绿素光谱反射谷不明显。然而，在563nm波段位于反射峰，从图2可得出在负向特征权重最小的波段563nm，该波段靠近绿色波段和蓝色波段的分界波段520nm，在此波段处光谱反射率呈现峰值，又由于是早期麦穗感染赤霉病程度较轻，在此波段处患病麦穗与健康麦穗之间的反射率值的大小区不明显。
本发明构建的赤霉病病情指数(Fusarium disease index，FDI)，即小麦赤霉病检测专属病情指数FDI，相对于传统的光谱分析方法来说，传统的分析方式是利用筛选出来的敏感波段，直接选出特征波段所在的光谱反射率然后建模分析，这样做的缺点是仅仅使用光谱的的原始信息，没有进行光谱之间的运算来突出被检测物体的特征。而本发明构建的专属病情指数具有以下特点：第一、采用了两个特征波段，在赤霉病检测方面利用很少的波段信息便可检测出赤霉病，具有高效、快速、便捷优势。第二、所选择的两个特征波段，在正向权重值最大值的位置是近红波段661nm，而在负向最小值的波段位置是绿波段563nm，这两个波段在常用的多光谱相机中可以实现相应波段反射率采集，为后续利用多光谱相机进行赤霉病检测与识别提供了基础。第三、采用比值形式的植被指数，专属病情指数由两个特征波段的差与和的比值所构成，突出了健康麦穗与患病麦穗之间的光谱差异。
参阅图3，本发明还公开了一种基于专属病情指数的小麦赤霉病病害等级检测方法，包括如下步骤：(S1)利用高光谱相机拍摄待检测小麦麦穗的高光谱图像；(S2)获取待检测小麦麦穗高光谱图像中包括的所有波段对应的光谱反射率；(S3)选取所有波段中的红绿蓝三个波段组合并输出得到待检测小麦麦穗的RGB图像；(S4)利用图像分割算法对步骤S3中的RGB图像进行图像分割，得到待检测小麦麦穗的坐标位置；(S5)计算待检测小麦麦穗坐标位置中每一个像素位置的专属病情指数FDI：
式中，Rλ1和Rλ2分别为特征波段λ1和λ2处的光谱反射率值；(S6)将待检测小麦麦穗坐标位置中每一个像素位置的专属病情指数FDI与设定阈值T进行比较，记专属病情指数FDI<T的像素个数为a，专属病情指数FDI≥T的像素个数为b；(S7)待检测小麦麦穗的病害等级W＝a/(a+b)。只要直接对每条光谱曲线取出两个特征波段，然后再分别计算出分子分母的差值和求和，将其代入到公式中，即可确定每条光谱曲线所对应的小麦麦穗是否感染赤霉病以及赤霉病的感染严重等级情况。该方法采用的波段少、计算方便、速度快，有利于开发小麦赤霉病严重度检测传感器，同时，该方法属于光学仪器无损检测，无需破坏麦穗形态结构，具有非常好的应用推广价值。图4是本发明对小麦麦穗病斑区域检测示意图。左图为利用专属病情指数FDI进行赤霉病检测结果，其中，麦穗上白色区域为赤霉病感染区；右图为对应的赤霉病麦穗灰度图。
优选地，所述的步骤S1中，高光谱相机是波段范围为374-1040nm的光谱仪，光谱分辨率为2.3nm，光谱波段为260个；所述的步骤S5中，特征波段λ1和λ2分别是661nm波段和563nm波段；所述的步骤S6中，阈值T等于0.01。661nm波段和563nm波段是经过试验发现的最优的两个波段，因此在检测时，可以直接代入这两个波段进行检测。
考虑诸多因素可能会影响到特征波段λ1和λ2的选取，为了保证检测的准确性，可以在检测之前，先按照前文中的步骤A-D筛选出特征波段λ1和λ2，且步骤C中，对于样本中每个小麦麦穗，按前文中的步骤C1-C4将其高光谱图像处理为光谱曲线。由于这里检测前进行了特征波段λ1和λ2的筛选，就可以保证检测的准确性。
具体地，步骤D中可按前文中的步骤D1-D3进行处理；这样处理起来非常的方便。考虑到实际操作时，光谱权重大小曲线中有多个极值点，不一定非要选取正向权重值最大位置和负向权重值最小位置，也许其他两个位置的极值点作为特征波长检测效果更佳，比如正向权重值最大和第二大位置的两个波段。因此，为了更为精准地挑选出特征波长，这里优选地，所述的步骤D中，包括以下步骤：(D21)对样本中多个小麦麦穗的光谱曲线进行曲线平滑滤波；(D22)将平滑后的多个光谱曲线代入到随机森林算法中，筛选出所有波段的权重值大小，得到光谱权重大小曲线；(D23)在光谱权重大小曲线中，选取极值权重对应的多个波段λ1,λ2,λ3,…,λn，有几个极值，就对应几个波段，这里的极值包括极大值和极小值，也即光谱权重大小曲线的峰值点和谷值点；(D24)将多个波段两两组合构建多个专属病情指数FDIi,j：
式中，Rλi和Rλj分别为波段λi和λj处的光谱反射率值，i,j∈[1,2,…,n]且i≠j，这里有很多种组合可能；(D25)用每一个专属病情指数FDIi,j预测小麦赤霉病病害等级的结果与真实的小麦赤霉病病害等级结果进行线性回归分析得到决定系数R2；(D26)选择决定系数R2最大值对应的两个波段作为特征波段λ1和λ2。这里通过对所有的极值点进行组合，得到多种特征波长组合，再通过后续的验证来判断那种组合更佳，最后再确定最佳的那组特征波长作为检测时使用的特征波长，进一步提高病害检测的精确性。
图2所示的光谱权重大小曲线中，有A(386nm)、B(413nm)、C(481nm)、D(533nm)、E(563nm)、F(661nm)、G(716nm)、H(760nm)8个波段。将8个特征波段进行两两组合，构建专属病情指数FDI，一共获得28种组合，利用所构建的专属病情指数FDI进行赤霉病病情计算，将所得结果与赤霉病病情严重度进行线性回归建模，获取模型决定系数R2大于0.7以上的组合。如表所示：
表1：FDI可能波段组合结果
| band1 | band2 | 5月3日 | 5月9日 |
| C,481nm | D,533nm | 0.819064 | 0.761874 |
| D,533nm | F,661nm | 0.871888 | 0.912211 |
| E,563nm | F,661nm | 0.891023 | 0.92323 |
| F,661nm | G,716nm | 0.853297 | 0.88494 |
| F,661nm | H,760nm | 0.814025 | 0.849044 |
根据所得的模型结果中，E(563nm)和F(661nm)所得模型结果最高，也即本实施例中优选的两个特征波段。上述试验数据，是根据所选定的样本集计算得到的，不具有唯一性，当选择的样本发生变化时，计算结果可能有差异，实际处理时，有可能出现其他两个波段效果更佳的结果。
为了验证FDI指数的有效性，本发明做以下两种论证：
(1)从FDI计算公式上证明严重患病的麦穗的FDI高于轻度患病麦穗的FDI。
赤霉病病情严重的麦穗光谱经过FDI指数经过计算的值高于病情轻的麦穗光谱所得计算值。设赤霉病病情严重的光谱用a代替；赤霉病病情轻度的光谱用b代表。实验推倒计算后的FDI(a)的值应该大于FDI(b)的值。
上式中a661表示赤霉病病情严重的光谱a在661nm的光谱反射率。a563表示赤霉病病情严重的光谱a在563nm的光谱反射率。b661表示赤霉病病情轻度的光谱b在661nm的光谱反射率。b563表示赤霉病病情轻度的光谱b在563nm的光谱反射率。
经过上式计算所得结果中，分母为光谱反射率的和与积，其为正数；在上文分析中赤霉病病情严重的光谱和轻度的光谱在563nm反射率处基本相同，差别不大，即a563≈b563；然而赤霉病病情严重的光谱在661nm处由于叶绿素的分解，其光谱反射率大于赤霉病病情轻度的光谱在661nm的反射率，即a661>b661；经过所述分析可知FDI(a)-FDI(b)>0，即FDI(a)>FDI(b)。在不同程度的赤霉病麦穗光谱中，进过FDI计算之后，病情严重的光谱计算结果大于病情轻的光谱计算结果，其结果很好的拟合了赤霉病真实的病情等级。计算所得的结果，正好和麦穗的严重等级呈现线性关系。最后将所得的数值按照设定规则，确定小麦赤霉病的严重等级，该设定规则为根据国家标准(GB/T15796-2011)“小麦赤霉病测报技术规范”中针对小麦赤霉病划分的严重等级，判断所得的数值处于哪个等级，从而确定小麦赤霉病的严重等级。
(2)与其他相应的病害类指数进行对比论证FDI指数的效果要高于其他类病害指数。
为了验证赤霉病专属病情指数对于检测小麦赤霉病病害的潜力，本发明选取了16种病害相关病情指数进行赤霉病病害等级预测。分别对2018年5月3号采集的149个麦穗样本，2018年5与9号采集的229个样本以及两天的全部378个样本进行线性回归，得到决定系数R2、均方根误差RMSE两个衡量指标。在加上赤霉病专属病情指数FDI后，一共17个植被指数，其中在2018年5月3号的149个样本的线性回归中FDI指数的决定系数R2＝0.89为最大值，RMSE趋于0；2018年5月9号的229个样本的线性回归中FDI指数的决定系数R2＝0.92同为最大值，RMSE趋于0；3号和9号的全部样本共378个的线性回归中，决定系数R2＝0.91同为最大值，RMSE趋于0。综上所得结果中，赤霉病专属病情指数在检测小麦赤霉病麦穗的严重等级中预测效果最好，具有很大的应用潜力，各个光谱的回归方程、决定系数、均方根误差如下表所示。
表2 5月3日FDI指数与其他植被指数对比
表3 5月9日FDI指数与其他植被指数对比
表4 3日和9日FDI指数与其他植被指数对比
Claims (9)
1.一种小麦赤霉病检测专属病情指数构建方法，其特征在于：包括如下步骤：
(A)采集不同染病程度的多个小麦麦穗作为样本；
(B)利用高光谱相机拍摄样本中每个小麦麦穗的高光谱图像；
(C)对高光谱图像进行处理，得到每个小麦麦穗的光谱曲线；
(D)利用随机森林算法对光谱波段特征进行度量，筛选出对赤霉病敏感的两个特征波段λ1和λ2；
(E)根据特征波段的光谱反射率值按如下公式计算小麦赤霉病检测专属病情指数FDI：
式中，Rλ1和Rλ2分别为特征波段λ1和λ2处的光谱反射率值。
2.如权利要求1所述的小麦赤霉病检测专属病情指数构建方法，其特征在于：所述的步骤C中，对于样本中每个小麦麦穗，按如下步骤将其高光谱图像处理为光谱曲线：
(C1)获取该小麦麦穗高光谱图像中包括的所有波段对应的光谱反射率；
(C2)选取所有波段中的红绿蓝三个波段组合并输出得到该小麦麦穗的RGB图像；
(C3)利用图像分割算法对步骤C2中的RGB图像进行图像分割，得到该小麦麦穗的坐标位置；
(C4)将该小麦麦穗坐标位置处的所有波段对应的光谱反射率进行加和后求取平均值，得到该小麦麦穗的光谱曲线。
3.如权利要求2所述的小麦赤霉病检测专属病情指数构建方法，其特征在于：所述的步骤D中，包括以下步骤：
(D1)对样本中多个小麦麦穗的光谱曲线进行曲线平滑滤波；
(D2)将平滑后的多个光谱曲线代入到随机森林算法中，筛选出所有波段的权重值大小，得到光谱权重大小曲线；
(D3)在光谱权重大小曲线中，选取正向权重值最大位置的波段作为特征波段λ1，选取负向权重值最小位置的波段作为特征波段λ2。
4.如权利要求3所述的小麦赤霉病检测专属病情指数构建方法，其特征在于：所述的步骤B中，高光谱相机是波段范围为374-1040nm的光谱仪，光谱分辨率为2.3nm，光谱波段为260个；所述的特征波段λ1和λ2分别是661nm波段和563nm波段。
5.一种基于专属病情指数的小麦赤霉病病害等级检测方法，其特征在于：包括如下步骤：
(S1)利用高光谱相机拍摄待检测小麦麦穗的高光谱图像；
(S2)获取待检测小麦麦穗高光谱图像中包括的所有波段对应的光谱反射率；
(S3)选取所有波段中的红绿蓝三个波段组合并输出得到待检测小麦麦穗的RGB图像；
(S4)利用图像分割算法对步骤S3中的RGB图像进行图像分割，得到待检测小麦麦穗的坐标位置；
(S5)计算待检测小麦麦穗坐标位置中每一个像素位置的专属病情指数FDI：
式中，Rλ1和Rλ2分别为特征波段λ1和λ2处的光谱反射率值；
(S6)将待检测小麦麦穗坐标位置中每一个像素位置的专属病情指数FDI与设定阈值T进行比较，记专属病情指数FDI<T的像素个数为a，专属病情指数FDI≥T的像素个数为b；
(S7)待检测小麦麦穗的病害等级W＝a/(a+b)。
6.如权利要求5所述的基于专属病情指数的小麦赤霉病病害等级检测方法，其特征在于：所述的步骤S1中，高光谱相机是波段范围为374-1040nm的光谱仪，光谱分辨率为2.3nm，光谱波段为260个；所述的步骤S5中，特征波段λ1和λ2分别是661nm波段和563nm波段；所述的步骤S6中，阈值T等于0.01。
7.如权利要求5所述的基于专属病情指数的小麦赤霉病病害等级检测方法，其特征在于：所述的步骤S5中，特征波段λ1和λ2按如下步骤筛选得出：(A)采集不同染病程度的多个小麦麦穗作为样本；(B)利用高光谱相机拍摄样本中每个小麦麦穗的高光谱图像；(C)对高光谱图像进行处理，得到每个小麦麦穗的光谱曲线；(D)利用随机森林算法对光谱波段特征进行度量，筛选出对赤霉病敏感的两个特征波段λ1和λ2；
步骤C中，对于样本中每个小麦麦穗，按如下步骤将其高光谱图像处理为光谱曲线：(C1)获取该小麦麦穗高光谱图像中包括的所有波段对应的光谱反射率；(C2)选取所有波段中的红绿蓝三个波段组合并输出得到该小麦麦穗的RGB图像；(C3)利用图像分割算法对步骤C2中的RGB图像进行图像分割，得到该小麦麦穗的坐标位置；(C4)将该小麦麦穗坐标位置处的所有波段对应的光谱反射率进行加和后求取平均值，得到该小麦麦穗的光谱曲线。
8.如权利要求7所述的基于专属病情指数的小麦赤霉病病害等级检测方法，其特征在于：所述的步骤D中，包括以下步骤：
(D11)对样本中多个小麦麦穗的光谱曲线进行曲线平滑滤波；
(D12)将平滑后的多个光谱曲线代入到随机森林算法中，筛选出所有波段的权重值大小，得到光谱权重大小曲线；
(D13)在光谱权重大小曲线中，选取正向权重值最大位置的波段作为特征波段λ1，选取负向权重值最小位置的波段作为特征波段λ2。
9.如权利要求7所述的基于专属病情指数的小麦赤霉病病害等级检测方法，其特征在于：所述的步骤D中，包括以下步骤：
(D21)对样本中多个小麦麦穗的光谱曲线进行曲线平滑滤波；
(D22)将平滑后的多个光谱曲线代入到随机森林算法中，筛选出所有波段的权重值大小，得到光谱权重大小曲线；
(D23)在光谱权重大小曲线中，选取极值权重对应的多个波段λ1,λ2,λ3,…,λn；
(D24)将多个波段两两组合构建多个病情指数FDIi,j：
式中，Rλi和Rλj分别为波段λi和λj处的光谱反射率值，i,j∈[1,2,…,n]且i≠j；
(D25)用每一个专属病情指数FDIi,j预测小麦赤霉病病害等级的结果与真实的小麦赤霉病病害等级结果进行线性回归分析得到决定系数R2；
(D26)选择决定系数R2最大值对应的两个波段作为特征波段λ1和λ2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910461294.0A CN110132862B (zh) | 2019-05-30 | 2019-05-30 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910461294.0A CN110132862B (zh) | 2019-05-30 | 2019-05-30 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110132862A true CN110132862A (zh) | 2019-08-16 |
| CN110132862B CN110132862B (zh) | 2021-07-16 |
Family
ID=67582907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910461294.0A Active CN110132862B (zh) | 2019-05-30 | 2019-05-30 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110132862B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110596280A (zh) * | 2019-10-29 | 2019-12-20 | 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 |
| CN111103245A (zh) * | 2020-02-13 | 2020-05-05 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
| 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 |
| CN111832507A (zh) * | 2020-07-20 | 2020-10-27 | 安徽大学 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
| CN111929270A (zh) * | 2020-07-07 | 2020-11-13 | 长江大学 | 一种小麦突变体识别方法 |
| CN113176214A (zh) * | 2021-04-20 | 2021-07-27 | 安徽大学 | 一种非成像光谱应用连续小波分析的麦穗赤霉病监测方法 |
| CN113340815A (zh) * | 2021-06-01 | 2021-09-03 | 安徽大学 | 基于二波段组合指数的冠层尺度小麦赤霉病病情指数评估方法 |
| CN114295707A (zh) * | 2021-12-28 | 2022-04-08 | 南京大学 | 一种基于机器学习的污水有机氮生物有效性评价方法 |
| US20220138987A1 (en) * | 2020-10-29 | 2022-05-05 | Deere & Company | Method and system for optical yield measurement of a standing crop in a field |
| CN114694023A (zh) * | 2022-03-18 | 2022-07-01 | 河南农业大学 | 一种光谱指数数据重构的棉花蚜害严重度分级方法 |
| CN115187860A (zh) * | 2022-07-11 | 2022-10-14 | 浙江甲骨文超级码科技股份有限公司 | 一种植物病虫害评估方法及系统 |
| WO2023272338A1 (en) * | 2021-06-29 | 2023-01-05 | Surenut Pty Ltd | A method for classification of an edible seed and a scanning device therefor |
| CN116341223A (zh) * | 2022-12-07 | 2023-06-27 | 南京农业大学 | 一种基于新型三波段光谱指数的水稻穗腐病病情严重度估算方法 |
| CN118655154A (zh) * | 2024-08-21 | 2024-09-17 | 中国热带农业科学院三亚研究院 | 基于高光谱的香蕉生长检测系统及方法 |
| CN118655154B (zh) * | 2024-08-21 | 2024-10-22 | 中国热带农业科学院三亚研究院 | 基于高光谱的香蕉生长检测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102507453A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种黑松松材线虫病的高光谱监测方法 |
| CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
| CN104408307A (zh) * | 2014-11-25 | 2015-03-11 | 河南农业大学 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
| CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
| CN108375550A (zh) * | 2018-01-12 | 2018-08-07 | 河南农业大学 | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
-
2019
- 2019-05-30 CN CN201910461294.0A patent/CN110132862B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102507453A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种黑松松材线虫病的高光谱监测方法 |
| CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
| CN104408307A (zh) * | 2014-11-25 | 2015-03-11 | 河南农业大学 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
| CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
| CN108375550A (zh) * | 2018-01-12 | 2018-08-07 | 河南农业大学 | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王文才等: "基于特征波长选择和建模的高光谱土壤总氮含量估测方法研究", 《浙江农业学报》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110596280A (zh) * | 2019-10-29 | 2019-12-20 | 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 |
| 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 |
| CN111103245B (zh) * | 2020-02-13 | 2023-09-19 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
| CN111103245A (zh) * | 2020-02-13 | 2020-05-05 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
| 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 |
| CN111929270A (zh) * | 2020-07-07 | 2020-11-13 | 长江大学 | 一种小麦突变体识别方法 |
| CN111832507A (zh) * | 2020-07-20 | 2020-10-27 | 安徽大学 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
| CN111832507B (zh) * | 2020-07-20 | 2024-04-09 | 安徽大学 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
| US20220138987A1 (en) * | 2020-10-29 | 2022-05-05 | Deere & Company | Method and system for optical yield measurement of a standing crop in a field |
| CN113176214A (zh) * | 2021-04-20 | 2021-07-27 | 安徽大学 | 一种非成像光谱应用连续小波分析的麦穗赤霉病监测方法 |
| CN113340815A (zh) * | 2021-06-01 | 2021-09-03 | 安徽大学 | 基于二波段组合指数的冠层尺度小麦赤霉病病情指数评估方法 |
| WO2023272338A1 (en) * | 2021-06-29 | 2023-01-05 | Surenut Pty Ltd | A method for classification of an edible seed and a scanning device therefor |
| CN114295707A (zh) * | 2021-12-28 | 2022-04-08 | 南京大学 | 一种基于机器学习的污水有机氮生物有效性评价方法 |
| CN114295707B (zh) * | 2021-12-28 | 2024-02-09 | 南京大学 | 一种基于机器学习的污水有机氮生物有效性评价方法 |
| CN114694023A (zh) * | 2022-03-18 | 2022-07-01 | 河南农业大学 | 一种光谱指数数据重构的棉花蚜害严重度分级方法 |
| CN114694023B (zh) * | 2022-03-18 | 2024-08-06 | 河南农业大学 | 一种光谱指数数据重构的棉花蚜害严重度分级方法 |
| CN115187860A (zh) * | 2022-07-11 | 2022-10-14 | 浙江甲骨文超级码科技股份有限公司 | 一种植物病虫害评估方法及系统 |
| CN116341223B (zh) * | 2022-12-07 | 2024-01-16 | 南京农业大学 | 一种基于新型三波段光谱指数的水稻穗腐病病情严重度估算方法 |
| CN116341223A (zh) * | 2022-12-07 | 2023-06-27 | 南京农业大学 | 一种基于新型三波段光谱指数的水稻穗腐病病情严重度估算方法 |
| CN118655154A (zh) * | 2024-08-21 | 2024-09-17 | 中国热带农业科学院三亚研究院 | 基于高光谱的香蕉生长检测系统及方法 |
| CN118655154B (zh) * | 2024-08-21 | 2024-10-22 | 中国热带农业科学院三亚研究院 | 基于高光谱的香蕉生长检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110132862B (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110132862A (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
| Shafri et al. | Hyperspectral imagery for mapping disease infection in oil palm plantationusing vegetation indices and red edge techniques | |
| Wang et al. | Use of hyperspectral imaging to discriminate the variety and quality of rice | |
| Muhammed | Hyperspectral crop reflectance data for characterising and estimating fungal disease severity in wheat | |
| Zhang et al. | Identification of corn seeds with different freezing damage degree based on hyperspectral reflectance imaging and deep learning method | |
| Liu et al. | Discrimination of rice panicles by hyperspectral reflectance data based on principal component analysis and support vector classification | |
| CN109657653A (zh) | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 | |
| CN110132856B (zh) | 小麦赤霉病染病籽粒识别的光谱病害指数构建及应用 | |
| CN110132860B (zh) | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 | |
| CN108956604A (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
| Tian et al. | Online detection of apples with moldy core using the Vis/NIR full-transmittance spectra | |
| CN105067532B (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| US20190219499A1 (en) | System For Detection Of Disease In Plants | |
| Pujari et al. | Recognition and classification of produce affected by identically looking powdery mildew disease | |
| Castro et al. | Evaluation of expert systems techniques for classifying different stages of coffee rust infection in hyperspectral images | |
| Xie et al. | Application of time series hyperspectral imaging (TS-HSI) for determining water content within tea leaves during drying | |
| Alimohammadi et al. | Hyperspectral imaging coupled with multivariate analysis and artificial intelligence to the classification of maize kernels. | |
| Tamayo-Monsalve et al. | Coffee maturity classification using convolutional neural networks and transfer learning | |
| Zhao et al. | A novel algorithm for damage recognition on pest-infested oilseed rape leaves | |
| Matese et al. | Are unmanned aerial vehicle-based hyperspectral imaging and machine learning advancing crop science? | |
| Wang et al. | Application of hyperspectral imaging for prediction of textural properties of maize seeds with different storage periods | |
| Zhang et al. | Identification of rice-weevil (Sitophilus oryzae L.) damaged wheat kernels using multi-angle NIR hyperspectral data | |
| Chen et al. | Real-time defect and freshness inspection on chicken eggs using hyperspectral imaging | |
| Luo et al. | Research on optimal predicting model for the grading detection of rice blast | |
| Agjee et al. | Remote sensing bio-control damage on aquatic invasive alien plant species |
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 |