CN110335249A - 基于高光谱成像技术的柑橘黄龙病检测方法 - Google Patents
基于高光谱成像技术的柑橘黄龙病检测方法 Download PDFInfo
- Publication number
- CN110335249A CN110335249A CN201910468718.6A CN201910468718A CN110335249A CN 110335249 A CN110335249 A CN 110335249A CN 201910468718 A CN201910468718 A CN 201910468718A CN 110335249 A CN110335249 A CN 110335249A
- Authority
- CN
- China
- Prior art keywords
- citrus
- orchard
- image
- huanglongbing pathogen
- illness
- 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.)
- Withdrawn
Links
- 241000207199 Citrus Species 0.000 title claims abstract description 105
- 235000020971 citrus fruits Nutrition 0.000 title claims abstract description 101
- 238000001228 spectrum Methods 0.000 title claims abstract description 76
- 241001478315 Candidatus Liberibacter asiaticus Species 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 239000002420 orchard Substances 0.000 claims abstract description 80
- 238000002310 reflectometry Methods 0.000 claims abstract description 30
- 230000001932 seasonal effect Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 13
- 201000010099 disease Diseases 0.000 claims description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 35
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 241001672694 Citrus reticulata Species 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 20
- 229920003266 Leaf® Polymers 0.000 description 45
- 208000002720 Malnutrition Diseases 0.000 description 22
- 238000012843 least square support vector machine Methods 0.000 description 22
- 235000018343 nutrient deficiency Nutrition 0.000 description 22
- 230000036541 health Effects 0.000 description 20
- 241000196324 Embryophyta Species 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 229910052736 halogen Inorganic materials 0.000 description 6
- 150000002367 halogens Chemical class 0.000 description 6
- 208000015181 infectious disease Diseases 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- FRYDSOYOHWGSMD-UHFFFAOYSA-N [C].O Chemical compound [C].O FRYDSOYOHWGSMD-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 150000001720 carbohydrates Chemical class 0.000 description 3
- 235000014633 carbohydrates Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 241000555678 Citrus unshiu Species 0.000 description 2
- 229930091371 Fructose Natural products 0.000 description 2
- 239000005715 Fructose Substances 0.000 description 2
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 2
- 238000010987 Kennard-Stone algorithm Methods 0.000 description 2
- 238000011529 RT qPCR Methods 0.000 description 2
- 229920002472 Starch Polymers 0.000 description 2
- 229930006000 Sucrose Natural products 0.000 description 2
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000015380 nutritional deficiency disease Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000019698 starch Nutrition 0.000 description 2
- 239000008107 starch Substances 0.000 description 2
- 229960004793 sucrose Drugs 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010022971 Iron Deficiencies Diseases 0.000 description 1
- 235000019687 Lamb Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000004468 VIS-NIR spectroscopy Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000002075 main ingredient Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- VUZPPFZMUPKLLV-UHFFFAOYSA-N methane;hydrate Chemical compound C.O VUZPPFZMUPKLLV-UHFFFAOYSA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000005720 sucrose Substances 0.000 description 1
- 210000002377 thylakoid Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- 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
- G01N21/55—Specular reflectivity
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G01N2021/178—Methods for obtaining spatial resolution of the property being measured
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种基于高光谱成像技术的柑橘黄龙病检测方法，所述方法为：先采集柑橘叶片的高光谱图像，以493、515、665、716和739nm五个波段作为特征波段，将特征波段反射率、特征波段图像纹理特征以及对应的第二主成分图像的纹理特征进行融合，建立最小二乘支持向量机判别模型，该判别模型对于不同季节、不同果园和不同染病阶段的柑橘黄龙病均具有良好的识别效果。
Description
(一)技术领域
本发明涉及一种基于高光谱成像技术的柑橘黄龙病检测方法。
(二)背景技术
光学技术具有快速、无损和准确检测的优势，逐渐被运用到不同尺度(近地、无人机、飞机和卫星)的植物生长状态监测以及病虫害诊断之中。其中基于电磁波谱如可见(400-700nm)、近红外(700-1100nm)、短波红外(1100-2500nm)以及热红外(8-12μm)的图谱技术在作物的生长状态监测以及病虫害诊断应用极为广泛。植物对不同波长光的反射、吸收和透射率可以反映着植物内部不同的生理状态信息和化学组分信息，如叶片表面和内部结构、色素、水分、蛋白含量、干物质以及叶温等。当植物受到病虫害胁迫时，叶片或者冠层的颜色、叶片结构、含水率，叶温、蒸腾速率会发生改变，而这个改变会导致植物产生特定的光谱特征，使区分不同类型的病害或者胁迫成了可能。
Sankaran and Ehsani等人[Sankaran S and EhsaniR.Visible-near infraredspectroscopy based citrus greening detection:Evaluation of spectral featureextraction techniques[J].Crop Protection,2011,30(11):1508-1513.]利用可见-近红外光谱仪获取健康和感染黄龙病叶片的反射率，通过特征波段选择算法选择6个敏感性波段(537、662、713、813、1120和1472nm)用于柑橘黄龙病检测，获得了84-87％的总体准确率，但是对未显症的染病样品的识别正确率仅为41-67％。考虑到柑橘黄龙病在单棵染病植株内分散性分布，点对点(1D)测量的方式可能会引起较大的不确定性。因此，基于2维(2D)或3维(3D)的光学成像技术不仅能获取光谱信息，而且能够得到病害在叶片上的空间信息。梅慧兰等人[梅慧兰,邓小玲,洪添胜,罗霞,邓晓玲.柑橘黄龙病高光谱早期鉴别及病情分级[J].2014,30(9):140-147.]利用室内的高光谱成像系统获取叶片上感兴趣区域的光谱反射率，并比较了不同光谱预处理算法(一阶微分、移动窗口拟合和SG平滑)对噪声的去除效果，结果表明，经SG平滑及一阶微分预处理后，基于全波段建立的偏最小二乘判别分析(Partial least squares-discriminate analysis,PLS-DA)构建的黄龙病的早期鉴别及病情分级模型能够获得96.4％的总体准确率。
尽管光谱技术(包括成像和非成像)被用于柑橘黄龙病和其他植物病害的检测，并取得一些效果。但是在这些研究成果从实验室转向更加贴近实际应用之前，还有一系列问题需要解决。例如普遍存在数据纬度较高的问题，不利于便携式仪器的开发，需要简化数据维度；所建立的柑橘黄龙病模型对不同染病阶段(从未显症到显症)的染病叶片须要具有适用性；由于季节和果园环境对柑橘植株的影响较大，所建立的柑橘黄龙病判别模型须要适用于不同季节和不同果园。
本发明人的前期研究结果表明，季节变化引起柑橘叶片新旧交替均对两个果园的柑橘叶片内部的黄龙病病原菌浓度产生了影响，表现为新叶浓度低，成熟叶浓度高。分析碳水化合物代谢规律可知，两个果园中的感染黄龙病的柑橘叶片均出现碳水化合异常累积，并且异常累积的现象发生在症状显现之前。进一步考虑季节、染病程度和果园对柑橘碳水化合物代谢的影响时，可以发现，柑橘叶片内的碳水化合物本身会随着季节的变化而变化，健康叶片中的蔗糖含量受果园变化的影响大于淀粉、葡萄糖和果糖。不同类型的碳水化合物对黄龙病病原菌侵染的响应不同，蔗糖和果糖的异常累积早于淀粉。生长环境和染病程度差异可能会使不同条件下的染病柑橘叶片中碳水化合物累积的时间点和浓度含量存在区别。
因此，开发一种对于不同季节、不同生长环境、不同染病阶段的柑橘黄龙病都具有适用性的检测方法意义重大。
(三)发明内容
本发明要解决的技术问题在于提供一种基于高光谱成像技术的柑橘黄龙病检测方法，该检测方法对于不同季节、不同生长环境和不同染病阶段的柑橘黄龙病均具有良好的识别效果。
为解决上述技术问题，本发明采用如下技术方案：
一种基于高光谱成像技术的柑橘黄龙病检测方法，包括如下步骤：
(a)采集柑橘叶片，所述的柑橘叶片包括不同采集时间和不同生长环境的健康叶片和染病叶片，所述的染病叶片包括不同染病状态的叶片；
(b)使用高光谱成像系统采集每片柑橘叶片380-1024nm波长范围内的高光谱图像，获得高光谱图像中的感兴趣区域在各个波段的平均光谱反射率；
(c)删除步骤(b)获得的波段中部分信噪比低的波段，剩余波段的反射率采用Savitsky-Golay(SG)卷积平滑法进行平滑滤波，降低噪声对信号的干扰；
(d)利用连续投影算法(Successive projection algorithm,SPA)从经过步骤(c)处理的波段中筛选出对柑橘黄龙病最为敏感的波段；再利用相关性分析求出所有被SPA选中的敏感波段的两两相关系数，当两个敏感波段光谱反射率之间的相关系数达到0.9以上时，判定两者存在很强的相关性，去除其中一个敏感波段，根据该原则，最终确定用于构建柑橘黄龙病的判别模型的特征波段；
(e)提取步骤(d)所确定的特征波段的平均光谱反射率；并对特征波段的光谱图像进行主成分分析，获得第二主成分图像，并从特征波段的光谱图像以及对应的第二主成分图像中提取基于灰度共生矩阵的纹理特征；
(f)将果园1和果园2的数据合并，以特征波段的平均光谱反射率、特征波段光谱图像的纹理特征以及对应的第二主成分图像的纹理特征融合后的特征作为LS-SVM(最小二乘向量机)判别模型的输入，建立判别模型；
(g)使用高光谱成像系统采集待测柑橘叶片的高光谱图像，提取特征波段的平均光谱反射率、特征波段光谱图像的纹理特征以及对应的第二主成分图像的纹理特征，将三者融合后的特征输入到步骤(f)获得的判别模型中，从而判断柑橘植株是否感染黄龙病。
本发明步骤(a)中，由于柑橘黄龙病病原菌在宿主体内不均匀分布，因此优选从每棵柑橘树的东南西北的四个方位进行采样。
本发明步骤(a)中，所述的柑橘叶片的采集，所述的“不同采集时间”可以根据实际需要确定，比如按月或者按季度。所述的不同生长环境，是指不同生长环境的果园至少有两个。所述的染病叶片包括不同染病状态的叶片，是指至少包括染病显症叶片和染病不显症叶片。作为优选，本发明是采集果园1和果园2的柑橘叶片，所述的果园1和2的生长环境不同，所述柑橘叶片包括健康叶片和染病叶片，所述果园1中的染病叶片是染病显症叶片，所述果园2的染病叶片是染病非显症叶片。
本发明步骤(b)中，采集高光谱图像前需先对高光谱成像系统进行调参，达到试验设定的工作条件要求。参数调整的步骤具体如下：
(1)调整工作距离(Working distance)：使样本所占空间在整个视野80％左右(因为边缘的信噪比可能较低)，保证拥有较大、最合适的空间分辨率；
(2)调整线光源：使线光源的光线均匀的照射到狭缝的正下方；
(3)调整清晰度：将间距为2mm的方格纸置于狭缝正下方，旋转镜头，在屏幕上观察黑白相间的条纹，直到屏幕上的纹达到最清晰；
(4)调整光源强度：将参考白板置于狭缝正下方，鼠标点击屏幕上参考白板亮度最大的点，观察该点的光谱曲线的最高点是否达到最大量程的2/3左右(为了得到高的信噪比的高光图图像)；调整DN的方式有调节卤素灯和相机积分时间两种，考虑到线扫描速度，如果积分时间太大，会降低扫描速度，降低试验效率，并且会引入噪声。所以优先调整卤素灯的光源强度(但是考虑到卤素灯的寿命，最好不能超过最大量程的80％)，再选择调整积分时间；
(5)调整移动平台的扫描速度，使得图像不变形；
(6)黑白板校正：将参考白板置于狭缝下面，采集参考白板图像；盖住镜头，采集暗电流。
故，步骤(a)采集得到的原始的高光谱图像需利用以下公式进行校正：
R＝(I_raw-I_dark)/(I_ref-I_dark) (4-1)
式中，R是校正后的样品高光谱图图像，I_raw是原始的样品高光谱图图像，I_ref是参考白板的高光谱图图像，I_dark是暗电流。
作为优选，步骤(b)中，以整个叶片当作感兴趣区域。
本发明步骤(b)中，优选利用Kennard-Stone(KS)算法将不同采集时间的数据集分成建模集和预测集。接着将不同采集时间的建模集进行合并，得到能反映不同季节的建模集，最终用于判别模型的建立。
本发明步骤(b)中，由于高光谱图像采集系统在采集图像时，并不是等距离采样，因此，380-1030nm的波段范围内只能获取512个波段信息。为了消除ROI区域各点反射率的误差，对ROI区域内的所有像素点在各波段处的反射率进行平均，最后得到该ROI区域在512个波段处的平均反射率。由于光谱中可能包含噪声，故作为优选，在步骤(c)中删除512个波段中前43个信噪比低的波段，剩余469个波段的平均反射率采用SG卷积平滑法进行平滑滤波。
作为优选，步骤(d)中，所述的利用SPA从经过平滑滤波处理的波段中筛选出对柑橘黄龙病最为敏感的波段按照如下操作：首先利用SPA从不同采集时间中选择能够反映各自采集时间的黄龙病特征的敏感波段子集，接着将所有采集时间的子集进行合并(求并集)，构成能够反映不同季节柑橘黄龙病特征的敏感波段。
作为优选，步骤(d)所述的特征波段为：493nm、515nm、665nm、716nm和739nm。
作为优选，步骤(e)中，所述基于灰度共生矩阵的纹理特征包括：均值(Mean)、方差(Variance)、逆差矩(Homogeneity)、对比度(Contrast)、相关性(Correlation)、和熵(Sumentropy)、和方差(Sum variance)、差方差(Difference variance)、差熵(Differenceentropy)、差平均(Differenceaverage)。
作为优选，步骤(e)中，以径向基核函数(Radical basis function,RBF)作为LS-SVM模型的核函数。当选定RBF核函数后，需要进一步应用网格搜索(Grid searching)算法对RBF核函数的参数σ以及正则化参数γ需要进行优化，使得LS-SVM模型获得最佳的预测效果。
与现有技术相比，本发明的有益效果在于：本发明提供的基于高光谱成像技术的柑橘黄龙病检测方法，对于不同季节、不同果园和不同染病阶段的柑橘黄龙病均具有良好的识别效果。
(四)附图说明
图1是可见-近红外高光谱成像系统。
图2是典型的健康(n＝1296)、染病未显症(n＝648)、染病显症(n＝648)及缺素柑橘叶片(n＝201)的平均光谱反射率图。
图3是基于连续投影法选择到的不同月份的敏感波段。
图4是连续投影选择的16个敏感波段的光谱反射率之间的两两相关系数。
图5是果园1中不同季叶片在不同波段及对应第二主成分的图像。
图6是果园1中6-11月高光谱数据的PC1、PC2和PC3得分三维散点图。
图7是果园2中1-12月高光谱数据的PC1、PC2和PC3得分三维散点图。
图8是传统的基于qPCR技术的柑橘黄龙病检测流程图和本发明的基于高光谱成像技术的柑橘黄龙病检测流程图。
(五)具体实施方式
下面结合附图对本发明的技术方案做进一步说明，但本发明的保护范围不限于此：
实施例1
1、柑橘叶片采集
果园1和果园2的温州蜜柑叶片分别采集于2016年6月-11月的浙江省临海市沿江镇前岙洋村和2017年1月-12月的临海市宝山镇上白岩村。
从两个不同的果园中分别选择3棵健康和3棵经qPCR技术鉴定的感染黄龙病的植株作为研究对象。果园1的病树在秋季会显现典型的黄龙病症状，而果园2的病树则整年均未显症。
由于柑橘黄龙病病原菌在宿主体内不均匀分布，因此从每棵柑橘树的东南西北的四个方位进行采样。在每棵树的每个方位选择长势相似的3条树梢，剪下并立即用湿棉花包住树梢的切口，再装入自封袋，最后放置保鲜盒内，防止水分散失。为了进一步减少人为操作对柑橘叶片的影响，在实验开始的前1个小时内，再从每条树梢上取下6叶片用于高光谱图像采集。每个月从果园1或者果园2采集的叶片分布如表1所示：
表1每个月份分别从果园中采集的叶片分布表
Table 2-1 Descriptions of monthly citrus leaves collected from theorchard
柑橘感染黄龙病后，随着染病程度的逐渐增加，叶片会呈现斑驳状黄化，也常被误认为缺素症。为了进一步区分黄龙病侵染与缺素两种胁迫对柑橘宿主的影响，本实验于2016年8月2日再次从浙江省临海市大盘镇大坑村(果园3)以同样的采集方式收集了缺素(缺铁)的温州蜜柑叶片201片，以及健康叶片30片。
本实验整个周期的采样具体情况如表2所示。
表2从三个果园采集的叶片分布情况
*在2016年6月，由于果园1的感染黄龙病的柑橘植株抽芽(春梢)的速度小于健康植株，无法收集足够数量的新叶，因此对于感病植株采集108片老叶和108片新叶。而对于2017年6月份的果园2，则是采集同时期的健康和染病叶片。
2、样品制备
高光谱数据采集前，将叶片上的灰尘擦拭干净后安放在高光谱系统的扫描平台上。
3、柑橘叶片的高光谱图像采集
本发明实施例所用的高光谱成像系统如图1所示，主要由CCD相机、成像光谱仪、镜头、线光源、高度调整轴、移动平台以及暗箱组成。系统组件的各个参数指标如表3所示。
表3可见-近红外高光谱成像系统组件的参数指标
实验前先对高光谱成像系统进行调参，达到试验设定的工作条件要求。参数调整的步骤如下：
(1)调整工作距离(Working distance)。使样本所占空间在整个视野80％左右(因为边缘的信噪比可能较低)，保证拥有较大、最合适的空间分辨率。本试验在工作距离为35cm情况下的空间分辨率为0.25mm/pixel；
(2)调整线光源。使线光源的光线均匀的照射到狭缝的正下方；
(3)调整清晰度。将间距为2mm的方格纸置于狭缝正下方，旋转镜头，在屏幕上观察黑白相间的条纹，直到屏幕上的纹达到最清晰；
(4)调整光源强度。将参考白板置于狭缝正下方。鼠标点击屏幕上参考白板亮度最大的点，观察该点的光谱曲线的最高点是否达到最大量程的2/3左右(为了得到高的信噪比的高光图图像)。本系统最大DN值为4095，因此最大值约为2700左右。调整DN的方式有调节卤素灯和相机积分时间两种。考虑到线扫描速度，如果积分时间太大，会降低扫描速度，降低试验效率，并且会引入噪声。所以优先调整卤素灯的光源强度(但是考虑到卤素灯的寿命，最好不能超过最大量程的80％)，再选择调整积分时间；
(5)调整移动平台的扫描速度，使得图像不变形；
(6)黑白板校正。将参考白板置于狭缝下面，采集参考白板图像；盖住镜头，采集暗电流。利用以下公式进行高光谱图像校正：
R＝(I_raw-I_dark)/(I_ref-I_dark) (4-1)
式中，R是校正后的样品高光谱图图像，I_raw是原始的样品高光谱图图像，I_ref是参考白板的高光谱图图像，I_dark是暗电流。
4、柑橘高光谱图像分析流程
为了提高扫描效率，在试验过程中，一次性扫描12片柑橘叶子的高光谱图像。扫描完成后，首先是自动识别出每张高光谱图像中的每片叶子，然后保存每片叶子的高光谱图像，接着将整个叶片当作感兴趣区域(Regionofinterest,ROI)，再求平均，获取380-1024nm波长范围内512个波段的光谱反射率。由于光谱中可能包含噪声，删除前43个信噪比低的波段，剩余469个波段。图2显示了典型的健康、染病未显症、染病显症以及缺素柑橘叶片的平均光谱反射率。可以看出，由于柑橘遭受黄龙病病原菌和缺素的胁迫后，叶片内部的色素被破坏，染病显症和缺素柑橘叶片在450-700nm的反射率明显高于健康叶片。染病未显症的柑橘叶片的光谱反射率，在可见波段范围内只是略微高于健康叶片，但是却显著低于染病显症和缺素的柑橘叶片。红边位置(Red edge position,REP)由于能够反映植物的叶绿素强吸收和叶片内部散射效应，常被用作植物生长的状态的指示器。从图2中可以看出，染病未显症、染病显症和缺素柑橘叶片的红边位置均出现了不同程度的“蓝移”的现象，说明柑橘叶片遭受到了不同程度的胁迫。分析四种类型叶片在730-1,023nm波长范围内的光谱反射率，与健康的柑橘叶片相比，可以看出感染黄龙病的柑橘叶片(包括显症和未显症)的反射率在这个区域出现了升高的趋势，而缺素的叶片则降低，表现出了相反的变化趋势。
剩余469个波段的反射率采用Savitsky-Golay(SG)卷积平滑法(参考以下文献：Kamruzzaman M,Elmasry G,Sun D W,and AllenP.Prediction of some qualityattributes of lamb meat using near-infrared hyperspectral imaging andmultivariate analysis[J].Analytica Chimica Acta,2012,714(3):57-67.)进行平滑滤波，降低噪声对信号的干扰。
再利用连续投影算法(Successive projection algorithm,SPA)从原始的469个波段中筛选出对柑橘黄龙病最为敏感的波段(变量筛选步骤参见以下文献：成忠,张立庆,刘赫扬,诸爱士.连续投影算法及其在小麦近红外光谱波长选择中的应用[J].光谱学与光谱分析,2010,30(4):949-952.)，实现数据的降维和去相关。首先利用SPA从各个月份中选择能够反映各自月份黄龙病特征的敏感波段子集，接着将所有月份的子集进行合并(求并集)，构成能够反映不同季节柑橘黄龙病特征的敏感波段。图3显示不同月份所选到的16个敏感波段。利用相关性分析(Correlation analysis,CA)求出16个被SPA选中的敏感波段两两相关系数，如图4所示。本发明认为两个波长光谱反射率之间的相关系数达到0.9时，可判定两者存在很强的相关性，有必要去除其中的一个。根据该原则，最终本试验得到5个敏感波段用于构建柑橘黄龙病的判别模型，分别为493nm、515nm、665nm、716nm和739nm，此即为柑橘黄龙病的特征波段。
对所选择的特征波段光谱图像进行主成分分析(PCA)。图6为果园1不同月份柑橘叶片(健康、健康和缺素)的PCA可视化分布图。前三个主成分的累积贡献率在6月、7月、8月、9月、10月和11月份分别为98.8％、99.0％、98.8％、97.1％、98.4％和99.3％，说明前三个主成分代表了原数据的大部分的变量信息。图7显示了果园2中不同月份3类柑橘叶片的PCA可视化分布图。前三个主成分的累积贡献率在1月、2月、3月、4月、5月、6月、7月、8月、9月、10月、11月和12月份分别为997.9％、98.5％、98.3％、99.0％、98.7％、98.7％、98.5％、98.7％、96.6％、98.6％、99.1％和98.7％。总体来说，果园1和果园2不同季节的数据均分别能聚成健康、染病和缺素3类。
图5显示了不同季节的典型不同感染程度柑橘叶片的五个特征波段的光谱图像和对应第二主成分图像。由于类囊体的解离，在9月、10月和11月份染病显症的叶片中则出现了斑驳的纹理。另外，在对应的第二主成分图像中，健康叶片图像中的像素灰度值在整个叶片空间同质性较好，而染病叶片明显存在异质性，其中未显症染病叶片的主脉灰度值明显与附近的叶肉组织不同，显症叶片也能出现典型的斑驳特征，而缺素叶片的主脉和侧脉较为清晰。健康、染病和缺素三类叶片的图像中纹理差异，可作为识别柑橘黄龙病的另一特征。
从特征波段的光谱图像以及这些特征波段图像经过主成分分析得到的第二主成分图像中提取基于灰度共生矩阵的纹理特征(参考：Haralick R M,Shanmugam K andDinstein I H.Textural features for image classification[J].IEEE Transactionson Systems Man and Cybernetics,1973,3(6):610-621.)：均值(Mean)、方差(Variance)、逆差矩(Homogeneity)、对比度(Contrast)、相关性(Correlation)、和熵(Sum entropy)、和方差(Sum variance)、差方差(Difference variance)、差熵(Difference entropy)、差平均(Difference average)。
在整个柑橘黄龙病识别过程中，将染病、健康以及缺素的叶片标签类别分别赋值为“1”、“2”和“3”。利用Kennard-Stone(KS)算法按60％：40％的比例将每个月的数据集分成建模集和预测集。接着将每个月的建模集进行合并，得到能反映不同季节的建模集，最终用于判别模型的建立。
本发明实施例分别将建模集内的高光谱图像的特征波段的平均光谱反射率、特征波段图像纹理特征、对应的第二主成分图像纹理特征以及上述特征融合输入到LS-SVM(最小二乘向量机)判别模型中，建立判别模型。本试验选择径向基核函数(Radical basisfunction,RBF)作为LS-SVM模型的核函数。当选定RBF核函数后，需要进一步应用网格搜索(Grid searching)算法对RBF核函数的参数σ以及正则化参数γ需要进行优化，使得LS-SVM模型获得最佳的预测效果。由于本文涉及到3类柑橘叶片的识别问题，因此，采用一对多的方式编码方式。本文采用最小输出编码(Minimum output coding)，即建立了3个类支持向量机分类器，运行过程中将“3类”转换成“2类”，利用编码→预测→译码的方式进行。
最终利用所建立的模型对每个月的预测集进行预测，并与PCR测试结果进行对比，确定最佳模型。具体的分析流程如图8所示。
本发明实验所有的数据处理均在Matlab 2011a(The Mathworks,Inc.,Natick,MA,USA)、Excel(Microsoft)和IBM SPSS Statistics(version 20.0,IBM Corporation,Armonk,New York,USA)软件平台上进行。
1、果园1
将果园1建模集内的高光谱图像的特征波段的平均光谱反射率、特征波段图像纹理特征、对应的第二主成分图像纹理特征以及上述特征融合输入到LS-SVM(最小二乘向量机)判别模型中，建立判别模型。利用所建立的模型对果园1每个月的预测集进行预测，并与PCR测试结果进行对比。
表4显示了基于果园1的光谱反射率、图像纹理以及特征融合建立的LS-SVM模型对果园1中的不同季节的健康、染病和缺素三类柑橘叶片的识别效果。总体来看，LS-SVM模型对不同月份的柑橘黄龙病识别正确率存在波动性，说明季节因素会对柑橘黄龙病的检测效果产生影响。
表4基于果园1的光谱特征、图像纹理特征和特征融合建立的LS-SVM模型对果园1中的三类柑橘叶片的分类结果
由于不同季节的柑橘叶片的长势以及染病的程度不同，导致不同月份的识别效果存在较大的变动。另一方面由于光谱反射率和图像中的纹理特征在不同季节又表现出了各自的区分能力，因此有必要将这些特征进行融合，以便使所建立的判别模型适用性更广。从表4可以看出，除了6月份外，采用融合特征训练得到的LS-SVM模型对其他月份(7到11月)柑橘黄龙病的总体识别正确率均得到了提高。模型对夏季、秋季和整个采用周期的总体准确率分别为90.2％、96.0％和92.6％，说明将光谱反射率和纹理特征进行融合有助于提升LS-SVM模型的预测性能。
表5列出了基于果园1的融合特征建立的LS-SVM模型对果园1中不同季节的健康、染病和缺素三类柑橘叶片的识别效果。在6-11月中，预测集中81个缺素的样本均能被正确识别，说明实际生产活动中基于人工经验的缺素症和柑橘黄龙病相互混淆的情况能够被高光谱成像技术很好的解决，并且健康和染病叶片相互误判的样本数总体相当，说明模型具有较好的泛化能力。
表5基于果园1的融合特征建立的LS-SVM模型对果园1中不同季节的健康、染病和缺素三类柑橘叶片各自的识别效果
实施例2
将果园2建模集内的高光谱图像的特征波段的平均光谱反射率、特征波段图像纹理特征、对应的第二主成分图像纹理特征以及上述特征融合输入到LS-SVM(最小二乘向量机)判别模型中，建立判别模型。利用所建立的模型对果园2每个月的预测集进行预测，并与PCR测试结果进行对比。
表6显示了采用果园2的光谱反射率、图像纹理以及特征融合建立的LS-SVM模型对果园2中叶片的识别效果。与果园1一致，融合的特征在果园2未显症的叶片中也表现出了优势，总体正确率均大于其他任何一种单独的特征。
表6基于果园2的光谱特征、图像纹理特征和特征融合的LS-SVM模型对果园2中的三类柑橘叶片的分类结果
再次分析果园2的融合的特征训练得到的LS-SVM模型对果园2中不同季节的健康、染病和缺素三类柑橘叶片各自的识别效果，如表7所示。每个月份中所有的缺素的柑橘叶片均能被正确分类。进一步分析每个月份中健康和染病叶片相互误判的情况，有些月份(如5、6、7、10月)染病的叶片被误判成健康的叶片的概率(漏判率)远大于健康叶片被误判成染病(错判率)，这与染病程度更为严重的果园1有较大的区别(果园1中健康和染病两类叶片相互误判的样本数总体相当)，也侧面反映了未显症时期检测柑橘黄龙病的困难之处，即未显症的叶片容易被漏判。
表7基于果园2的融合特征建立的LS-SVM模型对果园2中的健康、染病和缺素三类柑橘叶片的识别效果
实施例3
将果园1和2中不同季节及染病程度的柑橘叶片高光谱数据进行合并，即将两个果园的建模集合并起来用于构建新的LS-SVM模型，模型的输入为特征波段的平均光谱反射率、特征波段图像纹理特征、对应的第二主成分图像纹理特征融合后的特征。将上述特征输入到LS-SVM(最小二乘向量机)判别模型中，建立判别模型。利用所建立的模型对果园1和2每个月的预测集进行预测，并与PCR测试结果进行对比。
表8显示了两个果园数据合并后建立的LS-SVM模型(γ＝[593010.30,2.16,1.43]，σ2＝[219.91,1.04,1.99])对两个果园不同季节的柑橘黄龙病的识别效果。与表4和表6相比，这种方式建立的模型得到的识别效果与各自数据集建立的模型得到的结果相当，在显症或者叶片内部碳水化合物含量与健康叶片差别较大的月份识别正确率均能达到90％，其他的月份也基本上能达到85％以上，说明了这种方式建立的模型对两个果园都具有适用性。
表8两个果园数据合并后基于特征融合建立的LS-SVM模型对不同果园、不同季节的健康、染病和缺素的柑橘叶片识别效果
注：a表示两个果园的预测集数一致，b和c分别表示果园1和果园2预测集数分别为1119和2076。
Claims (10)
1.一种基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：所述方法包括如下步骤：
(a)采集柑橘叶片，所述的柑橘叶片包括不同采集时间和不同果园的健康叶片和染病叶片，所述的染病叶片包括不同染病状态的叶片；
(b)使用高光谱成像系统采集每片柑橘叶片380-1024nm波长范围内的高光谱图像，获得高光谱图像中的感兴趣区域在各个波段的平均光谱反射率；
(c)删除步骤(b)获得的波段中部分信噪比低的波段，剩余波段的反射率采用Savitsky-Golay(SG)卷积平滑法进行平滑滤波，降低噪声对信号的干扰；
(d)利用连续投影算法从经过步骤(c)处理的波段中筛选出对柑橘黄龙病最为敏感的波段；再利用相关性分析求出所有被连续投影算法选中的敏感波段的两两相关系数，当两个敏感波段光谱反射率之间的相关系数达到0.9以上时，判定两者存在很强的相关性，去除其中一个敏感波段，根据该原则，最终确定用于构建柑橘黄龙病的判别模型的特征波段；
(e)提取步骤(d)所确定的特征波段的平均光谱反射率；并对特征波段的光谱图像进行主成分分析，获得第二主成分图像，并从特征波段的光谱图像以及对应的第二主成分图像中提取基于灰度共生矩阵的纹理特征；
(f)将果园1和果园2的数据合并，以特征波段的平均光谱反射率、特征波段光谱图像的纹理特征以及对应的第二主成分图像的纹理特征融合后的特征作为LS-SVM(最小二乘向量机)判别模型的输入，建立判别模型；
(g)使用高光谱成像系统采集待测柑橘叶片的高光谱图像，提取特征波段的平均光谱反射率、特征波段光谱图像的纹理特征以及对应的第二主成分图像的纹理特征，将三者融合后的特征输入到步骤(f)获得的判别模型中，从而判断柑橘植株是否感染黄龙病。
2.如权利要求1所述的基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：步骤(a)中，从每棵柑橘树的东南西北的四个方位进行采样。
3.如权利要求1所述的基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：步骤(a)中，采集果园1和果园2的柑橘叶片，所述的果园1和果园2的生长环境不同，所述柑橘叶片包括健康叶片和染病叶片，所述果园1中的染病叶片是染病显症叶片，所述果园2的染病叶片是染病非显症叶片。
4.如权利要求1所述的基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：步骤(b)中，采集高光谱图像前需先对高光谱成像系统进行调参，达到试验设定的工作条件要求。
5.如权利要求1所述的基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：步骤(b)中，以整个叶片当作感兴趣区域。
6.如权利要求1所述的基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：在步骤(c)中删除512个波段中前43个信噪比低的波段，剩余469个波段的平均反射率采用SG卷积平滑法进行平滑滤波。
7.如权利要求1所述的基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：步骤(d)中，所述的利用连续投影算法从经过平滑滤波处理的波段中筛选出对柑橘黄龙病最为敏感的波段按照如下操作：首先利用连续投影算法从不同采集时间中选择能够反映各自采集时间的黄龙病特征的敏感波段子集，接着将所有采集时间的子集进行合并，构成能够反映不同季节柑橘黄龙病特征的敏感波段。
8.如权利要求1所述的基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：步骤(d)所述的特征波段为：493nm、515nm、665nm、716nm和739nm。
9.如权利要求1所述的基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：步骤(e)中，所述基于灰度共生矩阵的纹理特征包括：均值、方差、逆差矩、对比度、相关性、和熵、和方差、差方差、差熵、差平均。
10.如权利要求1所述的基于高光谱成像技术的柑橘黄龙病检测方法，其特征在于：步骤(e)中，以径向基核函数作为LS-SVM模型的核函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910468718.6A CN110335249A (zh) | 2019-05-31 | 2019-05-31 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910468718.6A CN110335249A (zh) | 2019-05-31 | 2019-05-31 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110335249A true CN110335249A (zh) | 2019-10-15 |
Family
ID=68140585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910468718.6A Withdrawn CN110335249A (zh) | 2019-05-31 | 2019-05-31 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110335249A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112881310A (zh) * | 2021-03-04 | 2021-06-01 | 华南农业大学 | 一种柑橘黄龙病田间智能早期诊断光谱仪 |
| CN113533236A (zh) * | 2021-09-13 | 2021-10-22 | 广东省农业科学院农业质量标准与监测技术研究所 | 水果光谱的特征提取方法、模型训练方法、检测方法 |
| CN115266608A (zh) * | 2022-07-29 | 2022-11-01 | 江苏大学 | 基于相位和高光谱信息融合的果蔬品质检测装置及方法 |
| CN117269102A (zh) * | 2022-10-12 | 2023-12-22 | 衢州学院 | 一种基于黄龙病的快速检测仪及其使用方法 |
| CN117871435A (zh) * | 2024-01-12 | 2024-04-12 | 河北农业大学 | 一种基于多光谱图像技术的茄子黄萎病早期检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008551A (zh) * | 2014-06-10 | 2014-08-27 | 华南农业大学 | 一种基于可见光图像的柑橘黄龙病检测方法 |
| 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 |
| CN105954202A (zh) * | 2016-04-22 | 2016-09-21 | 浙江大学 | 一种柑橘溃疡病高光谱模型传递的方法 |
| CN108830249A (zh) * | 2018-06-26 | 2018-11-16 | 安徽大学 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
| CN109115719A (zh) * | 2018-10-08 | 2019-01-01 | 华东交通大学 | 一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 |
-
2019
- 2019-05-31 CN CN201910468718.6A patent/CN110335249A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008551A (zh) * | 2014-06-10 | 2014-08-27 | 华南农业大学 | 一种基于可见光图像的柑橘黄龙病检测方法 |
| 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 |
| CN105954202A (zh) * | 2016-04-22 | 2016-09-21 | 浙江大学 | 一种柑橘溃疡病高光谱模型传递的方法 |
| CN108830249A (zh) * | 2018-06-26 | 2018-11-16 | 安徽大学 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
| CN109115719A (zh) * | 2018-10-08 | 2019-01-01 | 华东交通大学 | 一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| M A HAO ET AL.: "Identification of the Citrus Greening Disease Using Spectral and Textural Features Based on Hyperspectral Imaging", 《光谱学与光谱分析》 * |
| 翁海勇: "基于光学成像技术的柑橘黄龙病快速检测方法研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112881310A (zh) * | 2021-03-04 | 2021-06-01 | 华南农业大学 | 一种柑橘黄龙病田间智能早期诊断光谱仪 |
| CN113533236A (zh) * | 2021-09-13 | 2021-10-22 | 广东省农业科学院农业质量标准与监测技术研究所 | 水果光谱的特征提取方法、模型训练方法、检测方法 |
| US11682203B2 (en) | 2021-09-13 | 2023-06-20 | Institute of Facility Agriculture, Guangdong Academy of Agricultural Science | Feature extraction method, model training method, detection method of fruit spectrum |
| CN115266608A (zh) * | 2022-07-29 | 2022-11-01 | 江苏大学 | 基于相位和高光谱信息融合的果蔬品质检测装置及方法 |
| CN117269102A (zh) * | 2022-10-12 | 2023-12-22 | 衢州学院 | 一种基于黄龙病的快速检测仪及其使用方法 |
| CN117871435A (zh) * | 2024-01-12 | 2024-04-12 | 河北农业大学 | 一种基于多光谱图像技术的茄子黄萎病早期检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
| CN110335249A (zh) | 基于高光谱成像技术的柑橘黄龙病检测方法 | |
| Saldaña et al. | Computer vision applied to the inspection and quality control of fruits and vegetables | |
| 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 | |
| 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 | |
| ElMasry et al. | Early detection of apple bruises on different background colors using hyperspectral imaging | |
| Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
| US10408740B2 (en) | Method for huanglongbing (HLB) detection | |
| CN102647941B (zh) | 用于执行远程光电容积描记的方法和系统 | |
| Lee et al. | Sensing systems for precision agriculture in Florida | |
| CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
| Adjorlolo et al. | Predicting C3 and C4 grass nutrient variability using in situ canopy reflectance and partial least squares regression | |
| KR102410124B1 (ko) | 다중 분광 영상을 이용한 식생 지수 검출 장치 및 방법 | |
| CN105067532B (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| Gao et al. | Optical sensing for early spring freeze related blueberry bud damage detection: Hyperspectral imaging for salient spectral wavelengths identification | |
| CN109253975A (zh) | 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法 | |
| WO2019143906A1 (en) | System for detection of disease in plants | |
| Zheng et al. | Using continous wavelet analysis for monitoring wheat yellow rust in different infestation stages based on unmanned aerial vehicle hyperspectral images | |
| Gao et al. | In-field chlorophyll estimation based on hyperspectral images segmentation and pixel-wise spectra clustering of wheat canopy | |
| CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
| Gaikwad et al. | Multi-spectral imaging for fruits and vegetables | |
| Yadav et al. | Citrus disease classification with convolution neural network generated features and machine learning classifiers on hyperspectral image data | |
| Wang et al. | Characterization and classification of urban weed species in northeast China using terrestrial hyperspectral images | |
| Noble et al. | The use of spectral properties for weed detection and identification-a review | |
| Benoit et al. | On the value of the Kullback–Leibler divergence for cost-effective spectral imaging of plants by optimal selection of wavebands |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191015 |
|
| WW01 | Invention patent application withdrawn after publication |