CN110763698B - 一种基于特征波长的高光谱柑橘叶片病害识别方法 - Google Patents
一种基于特征波长的高光谱柑橘叶片病害识别方法 Download PDFInfo
- Publication number
- CN110763698B CN110763698B CN201910965757.7A CN201910965757A CN110763698B CN 110763698 B CN110763698 B CN 110763698B CN 201910965757 A CN201910965757 A CN 201910965757A CN 110763698 B CN110763698 B CN 110763698B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- data
- characteristic wavelength
- citrus
- identification method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 58
- 241000207199 Citrus Species 0.000 title claims abstract description 35
- 235000020971 citrus fruits Nutrition 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 27
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000003086 colorant Substances 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 208000035719 Maculopathy Diseases 0.000 claims description 5
- 208000002780 macular degeneration Diseases 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 241001478315 Candidatus Liberibacter asiaticus Species 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 239000002420 orchard Substances 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 3
- 229910052721 tungsten Inorganic materials 0.000 claims description 3
- 239000010937 tungsten Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Images
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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
Landscapes
- Physics & Mathematics (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
本发明公开了一种基于特征波长的高光谱柑橘叶片病害识别方法，该方法利用高光谱技术基于波段运算挑选出特征波长而实现柑橘叶片多种病害判别检测，通过建立病害种类判别模型，只需获取待检测样本的高光谱图像进行预处理，提取其相应的特征波长下的反射率数据模型中，即可得到病害类型的检测结果，能实现对柑橘叶片病害种类无损、快速、准确的鉴定。且利用波段运算结果与标记值的相关系数选择特征波长，计算简单，挑选特征波长的判别效果好。将待检测样品高光谱数据预处理后，每个像素的光谱值带入模型，即可通过颜色可视化显示病害种类与分布，更加直观。
Description
技术领域
本发明涉及柑橘叶片病害无损快速鉴定的技术领域，尤其是指一种基于特征波长的高光谱柑橘叶片病害识别方法。
背景技术
柑橘果实为全世界产量最大的水果。其在其生产发育等过程中柑橘会受到上百种的病虫害危害，如，病毒类、细菌性病害：黄龙病、溃疡病等；真菌性病害：炭疽病、黑斑病等。柑橘染病后可迅速从一个区域蔓延到其他区域，从而造成巨大的经济损失。在对植株病害控制过程中，发现并检测时最重要的一步，可让管理人员及时、有针对性的控制病害蔓延。
当前绝大多数病害检测在于人工侦查，根据病株和病原外部表现，靠肉眼观察症而做出判断，然而人工检测受限于各人感知。另一方面，利用分子生物学手段可准确鉴定柑橘植株不同病害，特异性好、灵敏度高，但是需要专业人员完成，操作繁复，耗时长，成本高，难在普通实验室条件下推广应用。
振动光谱技术中的光学成像、光谱学检测方法由于方便快速无损等优点，已经广泛用于农业生产的病虫害研究，并表现出广阔的发展前景。植株在遭受病害后，不同病害在不同光谱范围内会呈现不同的特征，因此高光谱与单纯的光学图像或光谱曲线数据相比，不仅在特定波谱范围内有更详细的检测信息，还有能体现病害分布的空间信息，有利于更充分分析植株病害。
虽然，目前虽有一些利用高光谱技术实现一种柑橘病害识别的检测，但尚未有利用高光谱技术基于波段运算挑选出特征波长而实现柑橘叶片多种病害判别检测的应用。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种基于特征波长的高光谱柑橘叶片病害识别方法，能够基于少数波段数据实现柑橘叶片中常见的4种病害(炭疽病、黄斑病、溃疡病和黄龙病)的识别，解决人工检测主观性强，分子生物学检测操作繁琐、成本高等问题。
为实现上述目的，本发明所提供的技术方案为：一种基于特征波长的高光谱柑橘叶片病害识别方法，包括以下步骤：
1)准备健康叶片与病害感染的柑橘叶片，将每组叶片朝向一致按次序摆放，并用高光谱数据采集系统采集放置在样品台上的每种类型叶片的高光谱信息，获得叶片原始高光谱数据立方体；
2)对获取的叶片高光谱数据进行黑白图像校正；
3)对校正后数据进行裁剪，去除首尾噪声，并利用主成分分析与逆主成分的运算，初步降低高光谱数据的噪声；
4)重新对逆主成分运算后的高光谱数据进行主成分运算，利用第一与第二主成分(Principal Component，PC1与PC2)的得分散点图标记叶片像素，实现无关背景的去除；并对染病叶片在第二主成分(PC2)的得分图像中，标记病斑区域为感兴趣区域，并提取感兴趣区域的平均光谱；每种病害标记多个感兴趣区域，进而获取多条平均光谱数据；健康叶片感兴趣区域均匀分布在叶尖、叶中和叶柄位置，同样标记多个感兴趣区域来获取平均光谱；
5)对平均光谱数据，记为X1，对应将光谱的病害种类标记为Y1；
6)对平均光谱数据进行光谱数据处理，实现随机噪声与散射去除；
7)对经过预处理后的光谱数据X1，利用多种波段运算结果与Y1的相关系数选择特征波长，将选择的特征波长记为X2；
8)将所得数据X2中，每种类型样品随机选择2/3的光谱数据，作为训练集S1，其余光谱数据，作为验证集S2，同样Y1也对应划分为训练集YS1与验证集YS2；
9)将作为训练集的光谱数据S1与对应值YS1作为输入支持向量机SVM中，建立病害种类判别模型；
10)将作为验证集的光谱数据S2与对应值YS2，输入步骤9)建立的判别模型，验证所建模型稳定性；
11)将每种类型中的一张叶片高光谱图像中，每个像素点光谱带入步骤9)所建立的判别模型，整片叶片中病害类型进行检测，并用不同颜色表征判别结果，实现判别位置的可视化显示。
在步骤1)中，样本为同一时期、同一品种、同一果园的柑橘叶片，排除时间、产地等因素干扰。
在步骤1)中，高光谱数据采集系统中高光谱仪光谱范围为386-1016nm，高光谱仪镜头到样品的距离为50cm，同时系统中包含4个50W卤钨灯分布在样品台上方45°作为光源，采集样品时系统曝光时间为9.98ms，从而确保能够获取清晰的高光谱图像。
在步骤2)中，样品校正基于以下公式完成：
其中，Rw和Rd分别为标准白板与暗电流标定数据，Ro为采集的样本原始数据，Rc为校正后数据。
在步骤3)中，裁剪后光谱范围为450.9-980.1nm，在主成分分析后利用前6个主成分进行逆主成分运算，实现噪声初步消除。
在步骤6)中，采用Savitzky-Golay平滑滤波(S-G平滑)结合标准正态变换(Standard Normal Variate，SNV)实现光谱预处理，S-G平滑选择窗口为5个。
在步骤7)中，采用波段运算与标记Y1相关性选择特征波长，其波段运算包含以下公式(2)-(6)，分别计算波段运算结果与Y1相关系数，确定系数绝对值最大处的公式中所涉及的波长为特征波长，综合5个公式选择的波长为实现分类所需的特征波长；
E1＝λi (2)
E2＝λi-λj (3)
其中，E1、E2、E3、E4、E5为不同计算公式下得到的相关系数，λi、λj分别为450.9-980.1nm光谱范围内样品的光谱数据；
综合五个公式选出的特征波长为：516.3nm，841.2nm，695.1nm，535.2nm，836.1nm，692.6nm，537.6nm，697.6nm，518.7nm。
在步骤8)中，训练集与验证集数量比例为2:1。
在步骤9)中，建立的判别模型采用径向基核函数(Radial Basis Function，RBF)与5折交叉验证。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明建立判别模型后，只需获取待检测样本的高光谱图像进行预处理，提取其相应的特征波长下的反射率数据模型中，即可得到病害类型的检测结果，能实现对柑橘叶片病害种类无损、快速、准确的鉴定。
2、利用波段运算结果与标记值的相关系数选择特征波长，计算简单，挑选特征波长的判别效果好。
3、将待检测样品高光谱数据预处理后，每个像素的光谱值带入模型，即可通过颜色可视化显示病害种类与分布，更加直观。
附图说明
图1为本发明方法流程图。
图2为一组每种类型叶片在597.3nm下的高光谱图像。
图3为所有样本提取的感兴趣区域的平均光谱。
图4为预处理后光谱曲线。
图5为波段运算公式与标记值相关系数表征结果。
图6为每种类型中一个完整叶片的可视化判别结果。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
参见图1所示，本实施例所提供的基于特征波长的高光谱柑橘叶片病害识别方法，利用基于特征光谱的高光谱技术鉴定健康叶片与炭疽病、黄斑病、溃疡病和黄龙病4种病害感染的柑橘叶片，包括如下步骤：
1)准备健康叶片与炭疽病、黄斑病、溃疡病和黄龙病4种病害感染的柑橘叶片，将每组叶片朝向一致按次序摆放，并用高光谱数据采集系统采集放置在样品台上的每种类型叶片的高光谱信息，如图2所示为采集的不同类型的一组叶片样品在597.3nm下的图像。其中，样本为同一时期，同一品种，同一果园的柑橘叶片，排除时间、产地等因素干扰；高光谱数据采集系统中高光谱仪光谱范围为386-1016nm，光谱仪镜头到样品的距离为50cm，同时系统中包含4个50W卤钨灯分布在样品台上方45°作为光源，采集样品时系统曝光时间为9.98ms，从而确保能够获取清晰的高光谱图像。
2)对获取的叶片高光谱数据进行黑白图像校正，基于以下公式完成：
其中，Rw和Rd分别为标准白板与暗电流标定数据，Ro为采集的样本原始数据，Rc为校正后数据。
3)对校正后数据进行裁剪，去除首尾噪声，去除噪声后高光谱数据光谱范围为450.9-980.1nm，并利用主成分分析与前6个主成分的逆主成分的运算，初步降低高光谱数据的噪声。
4)重新对在逆主成分运算后高光谱数据进行主成分运算，利用第一与第二主成分(Principal Component，PC1与PC2)的得分散点图标记叶片像素，实现无关背景的去除。并对染病叶片在第二主成分(PC2)的得分图像中，标记病斑区域为感兴趣区域，并提取感兴趣区域的平均光谱。每种病害标记48个感兴趣区域，进而获取48条平均光谱数据。健康叶片感兴趣区域均匀分布在叶尖、叶中和叶柄位置，同样标记48个感兴趣区域来获取平均光谱。
5)对平均光谱数据(共计288条)，记为X1，对应将光谱的病害种类标记为Y1，原始光谱曲线如图3所示；
6)对平均光谱数据进行光谱数据处理，采用Savitzky-Golay平滑滤波(S-G平滑)结合标准正态变换(Standard Normal Variate，SNV)实现光谱预处理，S-G平滑选择窗口为5个，实现随机噪声与散射的去除，光谱预处理后光谱曲线如图4所示。
7)对经过预处理后的光谱数据X1，分别利用波段运算公式得到结果，其波段运算包含以下公式(2)-(6)，分别计算波段运算结果与Y1相关系数，确定系数绝对值最大处的公式中所涉及的波长为特征波长，综合5个公式选择的波长为实现分类所需的特征波长；
E1＝λi (2)
E2＝λi-λj (3)
其中，E1、E2、E3、E4、E5为不同计算公式下得到的相关系数，λi、λj分别为450.9-980.1nm光谱范围内样品的光谱数据；
综合五个公式选出的特征波长为：516.3nm，841.2nm，695.1nm，535.2nm，836.1nm，692.6nm，537.6nm，697.6nm，518.7nm。
图5为统计的相关系数规律，选择相关系数最大处对应的波长为特征波长，综合五个公式选出的特征波长为：516.3nm，841.2nm，695.1nm，535.2nm，836.1nm，692.6nm，537.6nm，697.6nm，518.7nm，将选择的特征波长处反射率数据组记为X2。
8)将所得数据X2中，每种类型样品随机选择2/3的光谱数据，作为训练集S1，其余光谱数据，作为验证集S2，同样Y1也对应划分为训练集YS1与验证集YS2。其中，训练集与验证集数量比例为2:1。
9)将作为训练集的光谱数据S1与对应值YS1输入支持向量机SVM，其中SVM选择径向基核函数(Radial Basis Function，RBF)，与五折交叉验证，建立病害种类判别模型。
10)将作为验证集的光谱数据S2与对应值YS2，输入步骤9)建立的判别模型，验证所建模型稳定性。
表1为训练集与验证集的判别结果混淆矩阵
11)将每种类型中的一张叶片高光谱图像中，每个像素点光谱带入步骤9)所建立的判别模型，整片叶片中病害类型进行检测，并经过简单优化后，用不同颜色表征判别结果实现判别位置的可视化显示。图6为每种类型的一个完整叶片的判别结果，最深色表示健康叶片，不同程度的灰色标记不同类型的病害与病斑分布。
经试验，本实施例建立的模型，对于五种类型叶片在训练集与验证集的判别准确率建模集分别为100％和97.5％，有较好的判别效果。且对一个完整叶片的判别结果表明本发明方法所建模型可较好识别叶片上不同类型病害，并可标记其位置，说明利用本发明的方法建立的模型能够有效地对健康叶片与炭疽病、黄斑病、溃疡病和黄龙病这4种病害感染的柑橘叶片进行识别。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (8)
1.一种基于特征波长的高光谱柑橘叶片病害识别方法，其特征在于，其适用于柑橘叶片中炭疽病、黄斑病、溃疡病和黄龙病的识别，包括以下步骤：
1)准备健康叶片与病害感染的柑橘叶片，将每组叶片朝向一致按次序摆放，并用高光谱数据采集系统采集放置在样品台上的每种类型叶片的高光谱信息，获得叶片原始高光谱数据立方体；
2)对获取的叶片高光谱数据进行黑白图像校正；
3)对校正后数据进行裁剪，去除首尾噪声，并利用主成分分析与逆主成分的运算，初步降低高光谱数据的噪声；
4)重新对逆主成分运算后的高光谱数据进行主成分运算，利用第一与第二主成分的得分散点图标记叶片像素，实现无关背景的去除；并对染病叶片在第二主成分的得分图像中，标记病斑区域为感兴趣区域，并提取感兴趣区域的平均光谱；每种病害标记多个感兴趣区域，进而获取多条平均光谱数据；健康叶片感兴趣区域均匀分布在叶尖、叶中和叶柄位置，同样标记多个感兴趣区域来获取平均光谱；
5)对平均光谱数据，记为X1，对应将光谱的病害种类标记为Y1；
6)对平均光谱数据进行光谱数据处理，实现随机噪声与散射去除；
7)对经过预处理后的光谱数据X1，利用多种波段运算结果与Y1的相关系数选择特征波长，将选择的特征波长记为X2，具体如下：
采用波段运算与标记Y1相关性选择特征波长，其波段运算包含以下公式(2)-(6)，分别计算波段运算结果与Y1相关系数，确定系数绝对值最大处的公式中所涉及的波长为特征波长，综合5个公式选择的波长为实现分类所需的特征波长；
E1＝λi (2)
E2＝λi-λj (3)
其中，E1、E2、E3、E4、E5为不同计算公式下得到的相关系数，λi、λj分别为450.9-980.1nm光谱范围内样品的光谱数据；
综合五个公式选出的特征波长为：516.3nm，841.2nm，695.1nm，535.2nm，836.1nm，692.6nm，537.6nm，697.6nm，518.7nm；
8)将所得数据X2中，每种类型样品随机选择2/3的光谱数据，作为训练集S1，其余光谱数据，作为验证集S2，同样Y1也对应划分为训练集YS1与验证集YS2；
9)将作为训练集的光谱数据S1与对应值YS1作为输入支持向量机SVM中，建立病害种类判别模型；
10)将作为验证集的光谱数据S2与对应值YS2，输入步骤9)建立的判别模型，验证所建模型稳定性；
11)将每种类型中的一张叶片高光谱图像中，每个像素点光谱带入步骤9)所建立的判别模型，整片叶片中病害类型进行检测，并用不同颜色表征判别结果，实现判别位置的可视化显示。
2.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法，其特征在于：在步骤1)中，样本为同一时期、同一品种、同一果园的柑橘叶片，排除时间、产地因素干扰。
3.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法，其特征在于：在步骤1)中，高光谱数据采集系统中高光谱仪光谱范围为386-1016nm，高光谱仪镜头到样品的距离为50cm，同时系统中包含4个50W卤钨灯分布在样品台上方45°作为光源，采集样品时系统曝光时间为9.98ms，从而确保能够获取清晰的高光谱图像。
4.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法，其特征在于：在步骤2)中，样品校正基于以下公式完成：
其中，Rw和Rd分别为标准白板与暗电流标定数据，Ro为采集的样本原始数据，Rc为校正后数据。
5.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法，其特征在于：在步骤3)中，裁剪后光谱范围为450.9-980.1nm，在主成分分析后利用前6个主成分进行逆主成分运算，实现噪声初步消除。
6.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法，其特征在于：在步骤6)中，采用Savitzky-Golay平滑滤波即S-G平滑，结合标准正态变换SNV，实现光谱预处理，S-G平滑选择窗口为5个。
7.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法，其特征在于：在步骤8)中，训练集与验证集数量比例为2:1。
8.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法，其特征在于：在步骤9)中，建立的判别模型采用径向基核函数RBF与5折交叉验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910965757.7A CN110763698B (zh) | 2019-10-12 | 2019-10-12 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910965757.7A CN110763698B (zh) | 2019-10-12 | 2019-10-12 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110763698A CN110763698A (zh) | 2020-02-07 |
| CN110763698B true CN110763698B (zh) | 2022-01-14 |
Family
ID=69331903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910965757.7A Active CN110763698B (zh) | 2019-10-12 | 2019-10-12 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110763698B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832569B (zh) * | 2020-06-19 | 2023-10-27 | 西北大学 | 基于高光谱分类与分割的壁画颜料层脱落病害标注方法 |
| CN111833336B (zh) * | 2020-07-17 | 2023-11-17 | 吉林大学 | 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法 |
| CN112699756B (zh) * | 2020-12-24 | 2023-08-25 | 中国农业科学院农业信息研究所 | 一种基于高光谱图像的茶叶原产地识别方法和系统 |
| 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 |
| CN112883822B (zh) * | 2021-01-28 | 2022-04-19 | 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 |
| CN113447570A (zh) * | 2021-06-29 | 2021-09-28 | 同济大学 | 一种基于车载声学传感的无砟轨道病害检测方法及系统 |
| CN113989639B (zh) * | 2021-10-20 | 2024-04-16 | 华南农业大学 | 基于高光谱图像分析处理方法的荔枝病害自动识别方法及装置 |
| CN113948220B (zh) * | 2021-10-29 | 2022-12-09 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
| CN114689526A (zh) * | 2022-05-31 | 2022-07-01 | 北京市农林科学院智能装备技术研究中心 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
| CN117132843B (zh) * | 2023-10-26 | 2024-04-09 | 长春中医药大学 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015193885A2 (en) * | 2014-06-15 | 2015-12-23 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Center). | Method for huanglongbing (hlb) detection |
| CN104297165B (zh) * | 2014-10-28 | 2017-06-16 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
| CN106404689A (zh) * | 2016-09-23 | 2017-02-15 | 广东食品药品职业学院 | 一种化橘红成分鉴定方法 |
| CN108564109B (zh) * | 2018-03-21 | 2021-08-10 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
| CN108760655B (zh) * | 2018-04-28 | 2021-03-30 | 东北电力大学 | 一种苹果味觉图谱信息可视化方法 |
| CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
| CN108872140B (zh) * | 2018-05-09 | 2021-01-19 | 塔里木大学 | 一种户外监测红枣品质的方法及装置 |
| CN109060670B (zh) * | 2018-08-08 | 2020-01-21 | 华中科技大学 | 一种反射和透射一体化的高光谱成像系统及方法 |
| CN109613022A (zh) * | 2019-01-25 | 2019-04-12 | 华南农业大学 | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统 |
| CN110082298B (zh) * | 2019-05-15 | 2020-05-19 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
-
2019
- 2019-10-12 CN CN201910965757.7A patent/CN110763698B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110763698A (zh) | 2020-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| Ali et al. | Non-destructive techniques of detecting plant diseases: A review | |
| US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| Zhang et al. | High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion | |
| Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
| CN110132862B (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
| CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| CN101701916B (zh) | 一种玉米品种快速鉴定、鉴别方法 | |
| Qin et al. | Citrus canker detection using hyperspectral reflectance imaging and PCA-based image classification method | |
| CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
| CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
| CN111443043B (zh) | 一种基于高光谱图像的核桃仁品质检测方法 | |
| MX2011006415A (es) | Metodo, aparato y sistema para diagnostico de estres y enfermedades en plantas mas altas. | |
| CN108734205A (zh) | 一种针对不同品种小麦种子的单粒定点识别技术 | |
| CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
| CN101692052A (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
| CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| CN110108649A (zh) | 基于太赫兹光谱技术的油料作物品质的快速无损检测方法 | |
| Raj et al. | Classification of oil palm fresh fruit maturity based on carotene content from Raman spectra | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| TWI656334B (zh) | 蘭花病蟲害高光譜成像早期偵測系統 | |
| CN117132843B (zh) | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 | |
| Tosin et al. | Precision maturation assessment of grape tissues: Hyperspectral bi-directional reconstruction using tomography-like based on multi-block hierarchical principal component analysis | |
| CN117054355A (zh) | 基于高光谱成像技术的银杏雌雄鉴别方法、系统及设备 |
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 |