CN110363125A - 采用模型传递识别不同品种柑橘黄龙病的方法 - Google Patents

采用模型传递识别不同品种柑橘黄龙病的方法 Download PDF

Info

Publication number
CN110363125A
CN110363125A CN201910598018.9A CN201910598018A CN110363125A CN 110363125 A CN110363125 A CN 110363125A CN 201910598018 A CN201910598018 A CN 201910598018A CN 110363125 A CN110363125 A CN 110363125A
Authority
CN
China
Prior art keywords
citrus
model
standard specimen
image
spectrum
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Withdrawn
Application number
CN201910598018.9A
Other languages
English (en)
Inventor
聂鹏程
蔺磊
瞿芳芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Qiushi Agricultural Technology Development Co Ltd
Shandong Industrial Technology Research Institute of ZJU
Original Assignee
Shandong Qiushi Agricultural Technology Development Co Ltd
Shandong Industrial Technology Research Institute of ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Qiushi Agricultural Technology Development Co Ltd, Shandong Industrial Technology Research Institute of ZJU filed Critical Shandong Qiushi Agricultural Technology Development Co Ltd
Priority to CN201910598018.9A priority Critical patent/CN110363125A/zh
Publication of CN110363125A publication Critical patent/CN110363125A/zh
Withdrawn legal-status Critical Current

Links

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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种采用模型传递识别不同品种柑橘黄龙病的方法，本发明基于高光谱图像技术建立了对不同季节柑橘黄龙病的LS‑SVM判别模型，然后采用分段直接校正算法(PDS)结合模型更新的方法对不同品种的柑橘的光谱数据进行校正，实现了对不同品种、不同季节柑橘黄龙病的识别。

Description

采用模型传递识别不同品种柑橘黄龙病的方法
(一)技术领域
本发明涉及一种采用模型传递识别不同品种柑橘黄龙病的方法。
(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 Ehsani R.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；不同品种的柑橘对黄龙病的感病性不同，所建立的判别模型须要对其他品种的柑橘黄龙病也具有通用性。
(三)发明内容
本发明要解决的技术问题在于提供一种采用模型传递识别不同品种柑橘黄龙病的方法，该方法能实现对不同品种、不同季节的柑橘黄龙病的识别。
为解决上述技术问题，本发明采用如下技术方案：
一种采用模型传递识别不同品种柑橘黄龙病的方法，包括如下步骤：
(a)采集在不同时间的品种A的柑橘叶片，所述的柑橘叶片包括健康叶片和染病叶片；
(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)以品种A的柑橘叶片在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LS-SVM判别模型；
(g)将步骤(f)的判别模型的所有建模集作为品种A的标样集；
(h)采集品种B的柑橘叶片的高光谱图像，分成标样集和预测集；
(i)采用PDS对品种B的标样集和预测集的光谱数据进行转换，消除因样品不同引起的光谱差异，得到转换后的品种B的标样集和预测集；
(i)向品种A的标样集中添加不同标样集数的转换后的品种B的标样集，更新训练集数据，同样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判别模型的输入，建立不同的判别模型；
(j)利用步骤(i)获得的不同的判别模型对转换后的品种B的预测集进行识别，以达到最好识别效果的品种B的标样集的标样集数和校正窗口作为最后的标样集数和校正窗口，获得LS-SVM分类模型；
(k)利用步骤(j)获得的LS-SVM分类模型对待测的品种B的柑橘植株是否感染黄龙病进行识别。
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。作为优选，所述的染病叶片为染病未显症和/或染病显症叶片。所述的所述的“不同时间”可以根据实际需要确定，比如按月或者按季度。作为优选，所述的品种A的柑橘叶片来自至少两个生长环境不同的果园。作为进一步的优选，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。本发明中，所述的品种A为温州蜜柑，品种B为桠柑。
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(Difference average)。
作为优选，步骤(f)和(i)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。
作为优选，步骤(h)中，利用KS算法将品种B的柑橘叶片的高光谱图像分成标样集和预测集。
与现有技术相比，本发明的有益效果在于：
(1)本发明所述采用模型传递识别不同品种柑橘黄龙病的方法，能实现对不同品种、不同季节的柑橘黄龙病的识别。
(2)本发明提供的方法，还对于不同果园和/或不同染病阶段的柑橘黄龙病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。
图9是分段直接校正算法示意图。
图10是基于分段直接校正算法结合模型更新的柑橘黄龙病判别模型传递。
图11是不同标样集数和校正窗口下椪柑黄龙病的判别结果。
(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。于2016年9月10日再次从浙江省丽水市莲都区大楼门村(果园4)以同样的采集方式采集了椪柑品种的染病90片、缺铁60片、缺锌60片以及健康叶片120片进行分析。
本实验整个周期的采样具体情况如表2所示。
表2从四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(Region of interest,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 Allen P.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
2、果园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
3：果园1和2合并
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。
实施例2：模型传递
本实验采用选择PDS结合模型更新的方法算法来消除不同品种柑橘之间的光谱差异。PDS算法的主要原理如下：以从品种(待校正样)第i个波长为中心，取宽度为j+k+1的标样光谱矩阵Iss，j+k+1(从第波长点i-j到波长点i+k)与以主品种的第i个波长的标样光谱矩阵Imms，i，计算该波长点的转换系数Fi。接着遍历每个波长点，获取所有波长点的转换矩阵F。具体通过以下步骤实现：
(1)如图9所示，从品种(待校正样)取出窗口大小为j+k+1的标样光谱矩阵Iss，j+k+1组成矩阵Xs，i＝[Xss，i-j，Xs，i-j+1，...，]。通常情况下取i波长两边对称区域，即i＝j。
(2)将光谱矩阵Xs，i和Xms，i进行关联，即Xms，i＝Xs，iFi。利用最小二乘法计算出转换系数Fi。
(3)循环，求出所有波长的Fi，构成转换矩阵F。由于取i波长两边对称区域，因此在首位两端的窗口不能转换，一般舍弃。
使用基于果园1的光谱特征、图像纹理特征和特征融合建立的LS-SVM模型进行模型传递实验，模型传递过程如图10所示。
(g)将基于果园1的光谱特征、图像纹理特征和特征融合建立的LS-SVM模型的所有建模集作为温州蜜柑的标样集(1674个标样集数)；
(h)采集桠柑叶片的高光谱图像，利用KS算法分成标样集和预测集；桠柑标样集和移动窗口的大小优选范围分别从5-60和3-21；
(i)分别计算出温州蜜柑和不同标样集数桠柑的平均光谱，用于求解转换矩阵F(求解过程如上)，对品种B的标样集和预测集的光谱数据进行转换，消除因样品不同引起的光谱差异，得到转换后的品种B的标样集和预测集；
(i)向品种A的标样集中添加不同标样集数(5-60)的转换后的品种B的标样集，更新训练集数据，同样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判别模型的输入，建立不同的判别模型；
(j)利用步骤(i)获得的不同的判别模型对转换后的品种B的预测集进行识别，结果如11所示，图11显示了采用不同标样集的数量和校正窗口的大小得到的椪柑黄龙病的总体识别正确率。从图中可以看出，随着标样集数量的增加，模型对椪柑黄龙病的识别效果逐渐上升。当校正窗口为5，标样集数为38以上时，模型的预测性能逐渐稳定。当校正窗口为5，标样集数为55时，LS-SVM模型达到了最好的判别结果，总体识别正确率为93.5％。进一步分析在校正窗口为5，标样集数为55条件下LS-SVM模型对每一类柑橘叶片的识别情况，78个健康样本中的有13个样本被误判误为感病，91个染病样本中的有5个被误判为健康样本，所有的101个缺素的柑橘叶片均被正确识别。从上述结果可知，低的漏判率(染病样本被识别成健康样本)能够防止黄龙病阳性样本不被遗漏，这对果园柑橘黄龙病的防控更有意义。另一方面，采用本试验方法建立的模型能够有效地实现染病和缺素样本的区分，解决了基于人工经验法中容易把两者相互混淆的问题。

Claims (10)

1.一种采用模型传递识别不同品种柑橘黄龙病的方法，包括如下步骤：
(a)采集在不同时间的品种A的柑橘叶片，所述的柑橘叶片包括健康叶片和染病叶片；
(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)以品种A的柑橘叶片在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LS-SVM判别模型；
(g)将步骤(f)的判别模型的所有建模集作为品种A的标样集；
(h)采集品种B的柑橘叶片的高光谱图像，分成标样集和预测集；
(i)采用PDS对品种B的标样集和预测集的光谱数据进行转换，消除因样品不同引起的光谱差异，得到转换后的品种B的标样集和预测集；
(i)向品种A的标样集中添加不同标样集数的转换后的品种B的标样集，更新训练集数据，同样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判别模型的输入，建立不同的判别模型；
(j)利用步骤(i)获得的不同的判别模型对转换后的品种B的预测集进行识别，以达到最好识别效果的品种B的标样集的标样集数和校正窗口作为最后的标样集数和校正窗口，获得LS-SVM分类模型；
(k)利用步骤(j)获得的LS-SVM分类模型对待测的品种B的柑橘植株是否感染黄龙病进行识别。
2.如权利要求1所述的方法，其特征在于：步骤(a)中，所述的染病叶片为染病未显症和/或染病显症叶片。
3.如权利要求1或2所述的方法，其特征在于：步骤(a)中，所述的品种A的柑橘叶片来自至少两个生长环境不同的果园。
4.如权利要求1-3之一所述的方法，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。
5.如权利要求1-3之一所述的方法，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1-3之一所述的方法，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1-3之一所述的方法，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1-3之一所述的方法，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1-3之一所述的方法，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1-3之一所述的方法，其特征在于：步骤(e)和(i)中，以径向基核函数作为LS-SVM模型的核函数。
CN201910598018.9A 2019-07-04 2019-07-04 采用模型传递识别不同品种柑橘黄龙病的方法 Withdrawn CN110363125A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910598018.9A CN110363125A (zh) 2019-07-04 2019-07-04 采用模型传递识别不同品种柑橘黄龙病的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910598018.9A CN110363125A (zh) 2019-07-04 2019-07-04 采用模型传递识别不同品种柑橘黄龙病的方法

Publications (1)

Publication Number Publication Date
CN110363125A true CN110363125A (zh) 2019-10-22

Family

ID=68218126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910598018.9A Withdrawn CN110363125A (zh) 2019-07-04 2019-07-04 采用模型传递识别不同品种柑橘黄龙病的方法

Country Status (1)

Country Link
CN (1) CN110363125A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112666120A (zh) * 2020-12-17 2021-04-16 淮阴师范学院 基于近红外光谱的植被与非植被识别指数构建方法
CN112883822A (zh) * 2021-01-28 2021-06-01 广东技术师范大学 集预测与预防为一体的病虫害预测位置分析方法和装置
CN112903602A (zh) * 2021-01-22 2021-06-04 北京工商大学 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统
CN112966550A (zh) * 2021-01-28 2021-06-15 广东技术师范大学 基于植株识别模型的黄龙病防治方法、装置和计算机设备
CN114946485B (zh) * 2022-05-13 2023-07-07 广西壮族自治区林业科学研究院 一种基于vnir和opls-da预判桉树缺铁性黄化病的方法
CN116844015A (zh) * 2023-03-30 2023-10-03 福建农林大学 一种适用于时空及品种变化下柑橘黄龙病快速诊断方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112666120A (zh) * 2020-12-17 2021-04-16 淮阴师范学院 基于近红外光谱的植被与非植被识别指数构建方法
CN112666120B (zh) * 2020-12-17 2024-04-05 淮阴师范学院 基于近红外光谱的植被与非植被识别指数构建方法
CN112903602A (zh) * 2021-01-22 2021-06-04 北京工商大学 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统
CN112883822A (zh) * 2021-01-28 2021-06-01 广东技术师范大学 集预测与预防为一体的病虫害预测位置分析方法和装置
CN112966550A (zh) * 2021-01-28 2021-06-15 广东技术师范大学 基于植株识别模型的黄龙病防治方法、装置和计算机设备
CN112966550B (zh) * 2021-01-28 2022-03-11 广东技术师范大学 基于植株识别模型的黄龙病防治方法、装置和计算机设备
CN114946485B (zh) * 2022-05-13 2023-07-07 广西壮族自治区林业科学研究院 一种基于vnir和opls-da预判桉树缺铁性黄化病的方法
CN116844015A (zh) * 2023-03-30 2023-10-03 福建农林大学 一种适用于时空及品种变化下柑橘黄龙病快速诊断方法
CN116844015B (zh) * 2023-03-30 2024-01-30 福建农林大学 一种适用于时空及品种变化下柑橘黄龙病快速诊断方法

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
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
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
CN110763698B (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
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
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
CN111091052A (zh) 一种基于最大似然法的玉米倒伏面积提取系统及方法
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
CN109253975A (zh) 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法
CN111062251A (zh) 基于无人机成像的农田棉蚜为害等级模型的监测方法
Zhang et al. Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images
CN112287886B (zh) 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
WO2019143906A1 (en) System for detection of disease in plants
Mengistu et al. An automatic coffee plant diseases identification using hybrid approaches of image processing and decision tree
CN105067532A (zh) 一种鉴别油菜菌核病和灰霉病早期病斑的方法
CN103528967A (zh) 基于高光谱图像的过熟蓝靛果果实识别方法
CN115294404A (zh) 一种基于随机森林算法的底栖动物高光谱数据分类方法
CN110335249A (zh) 基于高光谱成像技术的柑橘黄龙病检测方法
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
CN114092839B (zh) 基于无人机遥感的大豆收获期成熟度的判断方法
Gao et al. In-field chlorophyll estimation based on hyperspectral images segmentation and pixel-wise spectra clustering of wheat canopy
Gaikwad et al. Multi-spectral imaging for fruits and vegetables
CN114136920A (zh) 一种基于高光谱的单粒杂交水稻种子种类鉴定方法
CN108846370A (zh) 一种小麦白粉病中晚期病害严重度自动分析方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20191022