CN110553999A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110553999A CN110553999A CN201910855964.7A CN201910855964A CN110553999A CN 110553999 A CN110553999 A CN 110553999A CN 201910855964 A CN201910855964 A CN 201910855964A CN 110553999 A CN110553999 A CN 110553999A
- Authority
- CN
- China
- Prior art keywords
- leaves
- citrus
- chlorophyll fluorescence
- different
- orchard
- 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- Withdrawn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 104
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 62
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 62
- 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 title claims abstract description 62
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 241001478315 Candidatus Liberibacter asiaticus Species 0.000 title claims description 16
- 238000000799 fluorescence microscopy Methods 0.000 title abstract description 16
- 239000002420 orchard Substances 0.000 claims abstract description 85
- 201000010099 disease Diseases 0.000 claims abstract description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 58
- 230000003595 spectral effect Effects 0.000 claims abstract description 41
- 238000002310 reflectometry Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000000701 chemical imaging Methods 0.000 claims abstract description 19
- 208000015181 infectious disease Diseases 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000002073 fluorescence micrograph Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000012010 growth Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 23
- 230000000694 effects Effects 0.000 abstract description 22
- 230000004300 dark adaptation Effects 0.000 description 23
- 230000002950 deficient Effects 0.000 description 13
- 238000005259 measurement Methods 0.000 description 10
- 230000007812 deficiency Effects 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 6
- 235000015097 nutrients Nutrition 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 229910052736 halogen Inorganic materials 0.000 description 3
- 150000002367 halogens Chemical class 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000004301 light adaptation Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- LLLILZLFKGJCCV-UHFFFAOYSA-M n-methyl-n-[(1-methylpyridin-1-ium-4-yl)methylideneamino]aniline;methyl sulfate Chemical compound COS([O-])(=O)=O.C=1C=CC=CC=1N(C)\N=C\C1=CC=[N+](C)C=C1 LLLILZLFKGJCCV-UHFFFAOYSA-M 0.000 description 3
- 230000029553 photosynthesis Effects 0.000 description 3
- 238000010672 photosynthesis Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 241001672694 Citrus reticulata Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229920002678 cellulose Polymers 0.000 description 2
- 239000001913 cellulose Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 238000010791 quenching Methods 0.000 description 2
- 230000000171 quenching effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 208000027219 Deficiency disease Diseases 0.000 description 1
- 206010022971 Iron Deficiencies Diseases 0.000 description 1
- 238000011529 RT qPCR Methods 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006378 damage Effects 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
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001506 fluorescence spectroscopy Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000027756 respiratory electron transport chain Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000002377 thylakoid Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
- G01N2021/6432—Quenching
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Optics & Photonics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于高光谱和叶绿素荧光融合的柑橘黄龙病检测方法,以建模集中的柑橘叶片在基于脉冲调制式的叶绿素荧光测试程序中获得的的叶绿素荧光参数和机遇高光谱图像的特征波段的平均光谱反射率的融合作为LS‑SVM判别模型的输入,建立LS‑SVM判别模型。本发明提供的基于高光谱成像技术和叶绿素荧光成像技术融合,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和叶绿素荧光成像技术融合的柑橘黄龙病检测方法。
(二)背景技术
采用光学技术对植物病虫害检测具有无损、快速的优点,因而具有很好的应用前景。目前植物病虫害检测领域中常用的光学仪器主要有可见-近红外光谱、叶绿素荧光以及热红外等,这其中成像和非成像的设备均被使用。成像的设备可提供空间二维信息,能够反映病害信息在叶片的空间异质性;相对于成像的仪器设备,非成像的仪器虽然只能获取叶片空间上有限个点上的信息,但设备结构相对简单。不同形式的仪器设备拥有各自的优势,能够从不同角度的检测到与植物生理状态有关的信息。可见-近红外光谱与叶片细胞结构以及生化组分信息相关,而叶绿素荧光则能反映叶片光合作用过程中光化光淬灭和非光化光淬灭成分,与植物的光合作用能力相关。
目前已有一些基于高光谱成像技术或叶绿素荧光成像技术对柑橘黄龙病检测的研究报道,这些研究取得一些效果。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;为了满足田间使用的要求,需要克服技术成本高和测量时间长等缺点。因此本发明就尝试融合可见-近红外高光谱成像技术和叶绿素荧光成像技术对不同季节、生长环境以及染病程度的柑橘黄龙病进行检测,为后续开发手持式柑橘黄龙病检测仪奠下基础。
(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和叶绿素荧光成像技术融合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,同时还具有成本低、测量时间短的优势。
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和叶绿素荧光成像技术融合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)将步骤(a)中的柑橘叶片按一定比例划分为预测集和建模集两部分;
(c)启动基于脉冲调制式的叶绿素荧光测试程序,获取建模集中的柑橘叶片在不同测试程序下的的叶绿素荧光参数,若叶绿素荧光参数的值没有落在0-2之间,则使该叶绿素荧光参数除以(Fm-Fo),使得数据的范围落在0-2之间;
(d)使用高光谱成像系统采集柑橘叶片在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;删除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;再利用连续投影算法(Successive projection algorithm,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;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;提取所确定的特征波段的平均光谱反射率;
(e)将步骤(d)获得的特征波段的平均光谱反射率和步骤(c)获得的叶绿素荧光参数合并一起,得到融合后的特征,输入LS-SVM(最小二乘向量机)判别模型中,建立不同测试程序下的判别模型;
(f)用步骤(e)获得的不同测试程序下的判别模型对预测集中的不同时间采集的柑橘叶片进行识别,根据识别结果确定最佳测试程序,该测试程序获得的模型即为最佳LS-SVM判别模型;
(g)按照步骤(c)和(d)获得待测柑橘叶片的特征波段的平均光谱反射率和最佳测试程序下的叶绿素荧光参数,合并一起得到融合后的特征,并将该融合后的特征输入到步骤(f)获得的最佳LS-SVM模型中,从而判断该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和果园2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,所述的柑橘叶片优选利用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(c)中,经典的基于脉冲调制式的叶绿素荧光测量程序,大致过程如下:
(1)将叶片进行充分暗适应;
(2)打开测量光,测量暗适应下的初始荧光产量Fo;
(3)过一段时间,打开饱和光,测量暗适应下的最大荧光产量Fm;
(4)接着打开光化光,光化光的强度能够维持叶片正常光合作用的进行,直至达到稳定状态,这时测量到的荧光即为稳态荧光Fs;
(5)再次施加一个饱和光,测量光适应下的最大荧光产量Fm’;
(6)关闭光化光,叶片进入暗弛豫状态,打开远红光3-5s,电子传递链再氧化。测量光适应条件下的最小荧光Fo’。在没有配备远红光光源的情况下,可通过公式Fo/(Fv/Fm+Fo/Fm’)获得近似值。
作为优选,饱和光强度设定为1500μmol photons·m-2·s-1,光化光的强度设定与果园中平均光照强度相当。
作为优选,所述的测量程序的打点时间方式如图5-3所示,具体选自下列测试程序的一种:仅为暗适应(Dark)、L1(从暗适应到L1)=32.24s、L2(从暗适应到L2)=42.24s、L3(从暗适应到L3)=52.24s、L4(从暗适应到L4)=72.24s、Lss(从暗适应到Lss)=92.24s、D1(从暗适应到D1)=122.24s、D2(从暗适应到D2)=152.24s以及D3(从暗适应到D3)=184.24s九个测量程序。除了暗适应条件下,每施加一个饱和光,就可获取一组对应时刻的荧光参数。
作为优选,所述的叶绿素荧光参数至少包括下列之一:稳态时刻发射的荧光强度、Rfd、Fo、Fv/Fm、Fv/Fo、ΦPSII、ΦNO。
本发明步骤(c)中,若得到的叶绿素荧光图像中某些像素点的数值明显偏离荧光图像中的其他像素点的数值,则需要对这些异常像素点进行预处理,使得最终的结果更加准确。本发明推荐的预处理方法为:采用3σ准则来判断感兴趣区域(Region of interest,ROI)所有像素点是否存在异常值,当判断ROI区域存在着异常像素点时,利用邻近的像素点进行填充,优选用邻近的若干个像素点的平均值来替换。本发明中所述的感兴趣区域优选为整个叶片。
本发明步骤(d)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。
本发明步骤(d)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(d)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,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,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和叶绿素荧光成像技术融合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。本发明将两种技术结合后,融合五个特征波段(493nm、515nm、665nm、716nm和739nm)的反射率和测量程序L2获得的29个叶绿素荧光参数能够有效地增加健康、染病和缺素三类样品之间的差异性,缩短了单个样品的检测时间(减少了58.3%)。在整个实验周期内,对染病程度较大的果园1和染病程度较低的果园2的柑橘黄龙病的总体识别正确率优于单独使用特征波段的光谱反射率或者测量程序L2获得的叶绿素荧光参数构建的模型得到的结果,更重要的是降低了漏判率(果园2中5月和9月分别减少了11.6%和17.6%),同时也克服了单独使用可见-近红外高光谱成像技术或叶绿素荧光成像技术分别存在成本高和测量时间长的缺点。
(四)附图说明
图1是叶绿素荧光成像系统。
图2是柑橘叶绿素荧光信号的测量程序。
图3是叶绿素荧光图像中异常值去除前:(a)和处理后(b)对比效果图。
图4是可见-近红外高光谱成像系统。
图5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6是基于连续投影法选择到的不同月份的敏感波段。
图7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8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。
(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
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、叶绿素荧光成像技术
(1)叶绿素成像系统
图1和表3分别为本发明实施例使用的叶绿素荧光成像系统及一些附件性能参数。
表3叶绿素荧光成像系统组件的参数指标
注:光强的大小是距离光源20cm的位置测量所得。
(2)柑橘叶片叶绿素荧光图像测量的程序
本发明利用饱和光脉冲调制式荧光成像技术获取不同季节和不同果园的健康和染病柑橘叶片的荧光信号。图2显示了本发明所用的柑橘叶绿素荧光测量程序,该测量程序由PSI公司(FluorCam,Photon Systems Instruments,Brno)提供,包含了暗适应、光适应和暗弛豫三个阶段。根据上面的结论,饱和光强度设定为1500μmol photons·m-2·s-1,光化光的强度设定与果园中平均光照强度相当,为100μmol photons·m-2·s-1。除了稳态时刻的1个饱和脉冲外,在光适应和暗弛豫两个过程中均增加3个饱和光,打光的时间方式如图2所示:
按照时间进程、将本试验的整个测量程序细分成:仅为暗适应(Dark)、L1(从暗适应到L1)、L2(从暗适应到L2)、L3(从暗适应到L3)、L4(从暗适应到L4)、Lss(从暗适应到Lss)、D1(从暗适应到D1)、D2(从暗适应到D2)以及D3(从暗适应到D3)九个测量程序(如图2所示)。除了暗适应条件下,每施加一个饱和光,就可获取一组对应时刻的荧光参数,常见叶绿素荧光参数见表4。
表4常用叶绿素荧光参数
(3)柑橘叶绿素荧光数据预处理
根据前期预实验结果表明,CCD相机所得的叶绿素荧光图像(696×520pixels)中某些像素点的数值明显偏离荧光图像中的其他像素点的数值,因此需要对这些异常像素点进行预处理,使得最终的结果更加准确。本试验采用3σ准则来判断感兴趣区域(Region ofinterest,ROI)即整个叶片所有像素点是否存在异常值。当判断ROI区域存在着异常像素点时,利用邻近的像素点进行填充。图3显示了剔除异常像素点的前后效果,具体采用3σ准则判断异常像素点,并利用临近的四个像素点的平均值替换。
对于叶绿素荧光参数,如Fo、Fm、Ft_Ln,Fm_Ln,Ft_Dn,Fm_Dn则均除以(Fm-Fo),使得数据的范围落在0-2之间;对于其他通过数学运算得到的荧光参数,如Fv/Fm、ΦPSII和qP等本身数值范围处于0-1之间则不作处理。
3、高光谱成像技术
(1)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。
(2)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4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5所示。
表5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。
(3)柑橘高光谱图像处理
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5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7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6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7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。
提取特征波段的平均光谱反射率。
对所选择的特征波段光谱图像进行主成分分析(PCA)。图8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)。
4、建模
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及建模集和预测集。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。最终利用所建立的模型对每个月的预测集进行预测,实现对每个月份柑橘黄龙病的检测。
本发明将建模集获得的一定测试程序下的叶绿素荧光参数和特征波段的平均光谱反射率合在一起,得到融合后的特征,将该特征输入到LS-SVM(最小二乘向量机)判别模型中,建立判别模型。本试验选择径向基核函数(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。
最终利用所建立的一定测试程序下的判别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,确定最佳的测试程序。
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。
合并两个果园的数据后,融合光谱反射率和叶绿素荧光特征建立的LS-SVM模型对两个果园不同季节的柑橘黄龙病的识别效果如表6所示。
表6对比分析特征波段反射率融合不同测量程序得到的叶绿素荧光参数融合构建的LS-SVM模型对两个果园不同季节的柑橘黄龙病的识别结果
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。
进一步分析模型对两个果园每个月份每类叶片的识别率。从表7和表8中可以看出,缺素的柑橘叶片在每个月份均能被正确识别,错分的样本来源于健康和染病叶片之间。观察表6中果园2中的总体识别正确率相对较低的5月(81.5%)和9月(80.3%),从表8中可以看出,错误率主要是源于健康叶片被错分的染病叶片,即为误判。5月份中的75个健康叶片中有38片被误判物染病叶片,9月份中的85个健康叶片中有40片被误判为染病叶片。果园2中春季、秋季和冬季柑橘黄龙病的识别效果,同样是出现更多健康叶片被误判为染病叶片。相较于漏判(染病叶片被错分的健康叶片)而言,小的误判率更能够防止染病叶片被遗漏,有利于阻碍黄龙病的传播。
表7基于五个特征波段的反射率融合测量程序L2得到的叶绿素荧光参数融合构建的LS-SVM模型得到的果园1不同季节的混淆矩阵
表8基于特征融合构建的LS-SVM模型得到的果园2不同季节的混淆矩阵
对比例1
参照实施例1,合并两个果园的数据后,单独以叶绿素荧光参数作为特征输入到LS-SVM(最小二乘向量机)判别模型中建立的LS-SVM判别模型对两个果园不同季节的柑橘黄龙病的识别效果如表9所示。
表9两个果园数据合并后采用不同测量程序得到的荧光参数构建的LS-SVM模型对两个果园不同季节的柑橘黄龙病的检测结果
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。
对比例2
参照实施例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10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10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10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11列出了基于光谱反射率和图像纹理的融合特征建立的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11基于融合特征建立的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
对比例3
用果园2替换果园1,其他同对比例2。表12显示了采用光谱反射率、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12基于光谱特征、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
再次分析光谱反射率和图像纹理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13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13基于融合特征建立的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
对比例4
参照实施例1,合并两个果园的数据后,单独以特征波段的平均光谱反射率、特征波段图像的纹理特征以及对应的第二主成分图像的纹理特征的融合作为特征输入到LS-SVM(最小二乘向量机)判别模型中建立的LS-SVM判别模型对两个果园不同季节的柑橘黄龙病的识别效果如表14所示。
表14两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。
上述结果表明,高光谱成像和叶绿素荧光成像技术结合后,融合五个特征波段(493nm、515nm、665nm、716nm和739nm)的反射率和测量程序L2获得的29个叶绿素荧光参数能够有效地增加健康染病和缺素三类样品之间的差异性,缩短了单个样品的检测时间(减少了58.3%)。在整个实验周期内,对染病程度较大的果园1和染病程度较低的果园2的柑橘黄龙病的总体识别正确率分别为96.7%和89.5%,优于单独使用特征波段的光谱反射率(果园1和果园2分别为85.9%和79.4%)或者测量程序L2获得的叶绿素荧光参数(果园1和果园2分别为95.5%和84.6%)构建的模型得到的结果,更重要的是降低了漏判率(果园2中5月和9月分别减少了11.6%和17.6%),同时也克服了单独使用可见-近红外高光谱成像技术或叶绿素荧光成像技术分别存在成本高和测量时间长(测量程序L2和L4的检测时间分别为32s和74s)的缺点。这说明,融合5个特征波段(493nm、515nm、665nm、716nm和739nm)的反射率和L2测量程序获取到的29个叶绿素荧光参数后能够显著增加健康、染病未显症和缺素三类柑橘叶片之间的差异性,以此构建的LS-SVM模型能够实现不同季节、果园以及染病程度的柑橘黄龙病的检测。
Claims (10)
1.一种基于高光谱和叶绿素荧光融合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)将步骤(a)中的柑橘叶片按一定比例划分为预测集和建模集两部分;
(c)启动基于脉冲调制式的叶绿素荧光测试程序,获取建模集中的柑橘叶片在不同测试程序下的的叶绿素荧光参数,若叶绿素荧光参数的值没有落在0-2之间,则使该叶绿素荧光参数除以(Fm-Fo),使得数据的范围落在0-2之间;
(d)使用高光谱成像系统采集柑橘叶片在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;删除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;再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;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;提取所确定的特征波段的平均光谱反射率;
(e)将步骤(d)获得的特征波段的平均光谱反射率和步骤(c)获得的叶绿素荧光参数合并一起,得到融合后的特征,输入LS-SVM判别模型中,建立不同测试程序下的判别模型;
(f)用步骤(e)获得的不同测试程序下的判别模型对预测集中的不同采集时间的柑橘叶片进行识别,根据识别结果确定最佳测试程序,该测试程序获得的模型即为最佳LS-SVM判别模型;
(g)按照步骤(c)和(d)获得待测柑橘叶片的特征波段的平均光谱反射率和最佳测试程序下的叶绿素荧光参数,合并一起得到融合后的特征,并将该融合后的特征输入到步骤(f)获得的最佳LS-SVM模型中,从而判断该柑橘植株是否感染黄龙病。
2.如权利要求1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。
3.如权利要求1所述的方法,其特征在于:步骤(a)中,采集果园1和果园2的柑橘叶片,所述果园1和果园2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所述的方法,其特征在于:步骤(b)中,所述的柑橘叶片利用Kennard-Stone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,用于判别模型的建立。
5.如权利要求1所述的方法,其特征在于:所述的叶绿素荧光参数至少包括下列之一:稳态时刻发射的荧光强度、Rfd、Fo、Fv/Fm、Fv/Fo、ΦPSII、ΦNO。
6.如权利要求1所述的方法,其特征在于:步骤(c)中,对叶绿素荧光图像的预处理方法为:采用3σ准则来判断感兴趣区域所有像素点是否存在异常值,当判断ROI区域存在着异常像素点时,利用邻近的像素点进行填充。
7.如权利要求1或6所述的方法,其特征在于:所述的感兴趣区域为整个叶片。
8.如权利要求1所述的方法,其特征在于:在步骤(d)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;再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。
9.如权利要求1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。
10.如权利要求1所述的方法,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。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598022 | 2019-07-04 | ||
CN2019105980225 | 2019-07-04 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110553999A true CN110553999A (zh) | 2019-12-10 |
Family
ID=68739833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910855964.7A Withdrawn CN110553999A (zh) | 2019-07-04 | 2019-09-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110553999A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398199A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 |
CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
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 |
CN113358613A (zh) * | 2021-05-25 | 2021-09-07 | 西安科技大学 | Sisp指数探测小麦病害方法和sisp指数构建方法 |
CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548124A (zh) * | 2016-02-01 | 2016-05-04 | 浙江大学 | 一种柑橘溃疡病的检测方法和装置 |
-
2019
- 2019-09-11 CN CN201910855964.7A patent/CN110553999A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548124A (zh) * | 2016-02-01 | 2016-05-04 | 浙江大学 | 一种柑橘溃疡病的检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398199A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 |
CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
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 |
CN113358613A (zh) * | 2021-05-25 | 2021-09-07 | 西安科技大学 | Sisp指数探测小麦病害方法和sisp指数构建方法 |
CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
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 |
---|---|---|
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 | |
Zhang et al. | High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion | |
Wang et al. | Shortwave infrared hyperspectral imaging for detecting sour skin (Burkholderia cepacia)-infected onions | |
CN103278460B (zh) | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 | |
Yu et al. | Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing | |
Saldaña et al. | Computer vision applied to the inspection and quality control of fruits and vegetables | |
Lee et al. | Sensing systems for precision agriculture in Florida | |
CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
CN109187417B (zh) | 一种无人机载的太赫兹波及高光谱遥感农作物监测系统 | |
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 | |
CN210465246U (zh) | 小麦感染赤霉病等级及病粒率高光谱无损检测装置的光谱采集装置 | |
CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
Tan et al. | The feasibility of early detection and grading of apple bruises using hyperspectral imaging | |
Gao et al. | Optical sensing for early spring freeze related blueberry bud damage detection: Hyperspectral imaging for salient spectral wavelengths identification | |
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 | |
CN112903602A (zh) | 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 | |
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 | |
Gao et al. | In-field chlorophyll estimation based on hyperspectral images segmentation and pixel-wise spectra clustering of wheat canopy | |
Torres et al. | Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging | |
Benoit et al. | On the value of the Kullback–Leibler divergence for cost-effective spectral imaging of plants by optimal selection of wavebands | |
CN109765190B (zh) | 一种利用高光谱成像技术识别稻田稗草的方法 | |
Noble et al. | The use of spectral properties for weed detection and identification-a review | |
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 | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
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: 20191210 |
|
WW01 | Invention patent application withdrawn after publication |