CN111832507A - 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 - Google Patents
基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 Download PDFInfo
- Publication number
- CN111832507A CN111832507A CN202010702759.XA CN202010702759A CN111832507A CN 111832507 A CN111832507 A CN 111832507A CN 202010702759 A CN202010702759 A CN 202010702759A CN 111832507 A CN111832507 A CN 111832507A
- Authority
- CN
- China
- Prior art keywords
- wheat
- value
- sample
- spectral
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 106
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 106
- 206010039509 Scab Diseases 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001228 spectrum Methods 0.000 title claims description 26
- 230000003595 spectral effect Effects 0.000 claims abstract description 60
- 201000010099 disease Diseases 0.000 claims abstract description 50
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 8
- 238000011160 research Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 59
- 238000002310 reflectometry Methods 0.000 claims description 27
- 238000012706 support-vector machine Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010521 absorption reaction Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 241000495841 Oenanthe oenanthe Species 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 36
- 238000005259 measurement Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 241001024327 Oenanthe <Aves> Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- UHPMCKVQTMMPCG-UHFFFAOYSA-N 5,8-dihydroxy-2-methoxy-6-methyl-7-(2-oxopropyl)naphthalene-1,4-dione Chemical compound CC1=C(CC(C)=O)C(O)=C2C(=O)C(OC)=CC(=O)C2=C1O UHPMCKVQTMMPCG-UHFFFAOYSA-N 0.000 description 2
- 241000223218 Fusarium Species 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 2
- TZCXTZWJZNENPQ-UHFFFAOYSA-L barium sulfate Chemical compound [Ba+2].[O-]S([O-])(=O)=O TZCXTZWJZNENPQ-UHFFFAOYSA-L 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 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 2
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 description 2
- 229930002954 deoxynivalenol Natural products 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- MBMQEIFVQACCCH-UHFFFAOYSA-N trans-Zearalenon Natural products O=C1OC(C)CCCC(=O)CCCC=CC2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-UHFFFAOYSA-N 0.000 description 2
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 description 2
- MBMQEIFVQACCCH-QBODLPLBSA-N zearalenone Chemical compound O=C1O[C@@H](C)CCCC(=O)CCC\C=C\C2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-QBODLPLBSA-N 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000223195 Fusarium graminearum Species 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002636 mycotoxin Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,与现有技术相比解决了尚无基于麦穗顶部进行赤霉病监测的缺陷。本发明包括以下步骤:非成像近地高光谱数据的获取;数据的预处理;敏感特征集的获取;SVM模型的构建;SVM模型的优化;小麦赤霉病遥感识别结果的获得。本发明基于遥感设备垂直角度利用小麦顶部信息对赤霉病进行识别,并通过对特征进行筛选和组合,以及对模型进行优化,实现了单穗尺度上的小麦赤霉病的垂直研究,为实际大区域尺度赤霉病识别提供了更加精准的技术方案。
Description
技术领域
本发明涉及遥感监测技术领域,具体来说是基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法。
背景技术
小麦赤霉病是一种主要是由禾谷镰孢和黄色镰孢引起的一种穗发类病害,是影响我国小麦生产的主要病害之一。它主要集中在我国长江中下游地区和华南冬麦以及东北春麦区,近年来在黄河流域及其附近也有发生,并逐渐向北扩展蔓延。当病菌危害小麦后不仅会使小麦的产量和品质下降,还会产生脱氧雪腐镰刀菌烯醇(DON)、玉米赤霉烯酮(ZEN)等多种真菌毒素,严重危害人畜健康,引起食品安全问题。
已有许多学者利用高光谱技术对小麦赤霉病进行单穗尺度的研究,马慧琴等(2020)利用地物光谱仪对采集的小麦单穗测面光谱反射率进行连续小波变换,结合Fisher线性分析对单穗小麦进行识别。Zhang等(2019)将小麦麦穗的高光谱显微图像作为数据源,提出了一个特殊的小麦赤霉病分类指数(FCI),该指数被证明可以成功地被应用到小麦高光谱图像数据的分类中,是一种稳定可行的早期赤霉病监测方法。Mahlein等(2019)利用不同传感器来表征由镰刀菌引起的小麦赤霉病,通过红外热成像、叶绿素荧光成像和高光谱成像的比较和组合实现麦穗尺度的赤霉病监测。
上述研究在麦穗尺度小麦赤霉病识别研究中已经取得了重要进展,但学者们都是利用高光谱技术收集麦穗侧面的光谱信息,这种光谱测量方法虽然可以依靠专用拖拉机等大型机具载体成功地应用于田间小麦赤霉病的检测实验中,但在实际的大规模卫星遥感应用中,从侧面采集光谱信息的操作很难实现。病菌虽然会分布在麦穗的任何部位,但遥感卫星或者传统的垂直于冠层的光谱测量技术测得的主要是麦穗顶部的光谱信息,同时也包含了冠层顶部叶片的光谱信息,这种通过重点收集麦穗侧面光谱以获得小麦赤霉病识别方法的研究应用到实际大区域尺度上恐会导致健康和发病小麦的错位分类,给指导农药喷洒带来不利影响。从小麦带叶和无叶不同角度利用麦穗顶部光谱信息探寻小麦赤霉病的有效识别方法值得被考虑。
因为光谱信息的特殊性,前人用于赤霉病监测时所提到的技术方案在利用麦穗顶部光谱信息进行赤霉病识别的过程中具有一定难度。因此,如何基于麦穗顶部光谱信息进行小麦赤霉病的监测已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中尚无基于麦穗顶部进行赤霉病监测的缺陷,提供一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,包括以下步骤:
11)非成像近地高光谱数据的获取:利用非成像地物光谱仪测得单穗小麦顶部的单穗光谱数据,获取的单穗光谱数据包括每株麦穗在带叶和无叶不同情况下的光谱数据;
12)数据的预处理:对采集的原始光谱数据进行处理获得样本的光谱反射率;计算样本的病情严重度;
13)敏感特征集的获取:通过相关性分析,筛选出与小麦病情严重度相关性高且极显著的光谱特征,其包括:波段特征、位置特征以及植被指数;对所选光谱特征进行Fisher评分,获得敏感特征集;
14)SVM模型的构建:对SVM模型进行设定;
15)SVM模型的优化:基于粒子群技术对SVM模型进行优化;
16)小麦赤霉病遥感识别结果的获得:将获得敏感特征集输入经过优化后的SVM模型,得到小麦赤霉病遥感识别结果。
所述数据的预处理包括以下步骤:
21)根据光谱仪测出的目标样本的DN灰度值与标准白板的DN灰度值之间的比值,求得目标样本的反射率曲线,得到350-1000nm范围内的样本波段反射率,计算公式为:
其中,Rm为所求的目标反射率值,DNm为光谱仪测出的目标样本的DN灰度值,DNb为白板灰度值,Rb为白板的标准反射率值;
22)设定根据出现穗腐情况或由秆腐引起白穗症状的病小穗数占所有小穗数的比例来判断样本的病情严重度,其中比例为0时表示样本健康,大于0时表示样本染病。
所述的敏感特征集的获取包括以下步骤:
31)波段特征的选择:根据波段一阶微分反射率与病情严重度之间的相关性,获得相关系数以及P-value值,筛选出相关系数最大且极显著相关(P-value<0.001)的前10个波段特征;
其中,一阶微分的计算公式为:
其中,λi为波段i的波长值,R′(λi)为所求的波段微分值,R(λi+1)和R(λi-1)分别为波段λi-1和λi+1的光谱反射率,Δλ为相邻波段的间隔;
32)位置特征的选择:选取550-780nm范围内的高光谱进行连续统去除变换,在此基础上分别求出深度、面积和归一化深度指数;通过对蓝边490-530nm、黄边550-582nm、红边670-737nm和绿峰510-560nm的光谱微分值进行组合和变换,获得额外11个位置特征;对这14个位置特征与病情严重度进行相关性分析,筛选出高相关性|R|>0.6且极显著相关P-value<0.001的位置特征;
其中,深度depth计算公式为:
其中,Ri’(λmin)表示最小波段反射率处的连续统去除反射率,Ri(λmin)为吸收谷波段内的最小反射率值,Rc(λmin)为最小波段反射率处对应的连续统线值;
面积area计算公式为:
其中,Rc(λ)和Ri(λ)分别为波长λ的连续统线值和光谱反射率值,λ1和λ2分别为波长的起始位置,这里λ1等于550,λ2等于780;
归一化深度指数DN:由深度指数depth和吸收面积特征area的比值来获得,公式为:
33)植被指数的选择:获取用于作物病害胁迫研究的植被指数,通过计算这些植被指数与病情严重度之间的相关性,筛选出与病情严重度高相关|R|>0.6且极显著相关P-value<0.001的植被指数;
34)通过特征的类间距离之和与类内距离之和的比值来计算特征的Fisher得分,Fisher得分计算公式为:
其中表示特征i的总平均值,和表示类别1和类别2数据集中特征i的总平均值,n1和n2分别表示样本中类别1和类别2对应的样本数,xki (1)和xki (2)分别表示1类样本和2类样本中第k个样本点关于特征i的取值;
35)将所选光谱特征根据Fisher评分按照从大到小的顺序依次叠加,组成不同的特征集,得到最终的敏感特征集;
36)根据小麦带叶和无叶两组不同数据,重复上述31)-35)步骤分别获得小麦在带叶和无叶情况下的适合赤霉病识别的最优特征集。
所述的SVM模型的构建包括以下步骤:
41)设定对于给定的训练样本集,其超平面记为:
(w*x)+b=0,w∈RN,b∈R
其中W为权重因子,b为偏差值;
为使样本正确分类,则它需满足如下要求:
yi((w*xi)+b)-1≥0,i=1,...,n;
s,tyi((w·xi)+b)≥1,i=1,...,n;
43)为解决约束最优化问题,通过设定Lagrange函数求解:
其中αi和yi为拉格朗日乘子,
根据KKT条件,函数表达式生成如下:
引入核函数,将低维空间数据映射到高维空间;
44)设定采用径向基核函数RBF作为模型的核函数,径向基核函数表示为:
其中σ为核参数;
将核函数带入则得到决策函数:
所述的SVM模型的优化包括以下步骤:
51)选用粒子群算法对支持向量机中的惩罚因子c和核心参数g进行优化,首先初始化种群,种群规模设置为30,最大迭代次数设置为300,加速因子c1和加速因子c2都设置为1.5,惯性权重w设置为0.6;
52)每个粒子作为可行空间中的解,并在可行空间中运动,计算每个粒子的适应度,模型的适应度函数为:
53)粒子的运动速度决定它们的飞行方向和距离,粒子特殊的记忆能力帮助其跟随最优粒子在空间中搜索,每一次迭代中,粒子通过两个极值来更新自己,一个是全局最优解,一个是局部最优解;
最优解找到后,粒子更新自己的速度和位置,生成新一代种群,更新所依据的公式为:
vid(t+1)=wvid(t)+c1r1(pbid(t)-xid(t))+c2r2(gbid(t)-xid(t))
xid(t+1)=xid(t)+vid(t+1)
其中,t表示当前进化迭代次数,w表示惯性权重,c1和c2是加速因子,这里都为1.5,r1和r2是取值在[0,1]之间的随机数,vid(t)是当前粒子速度,xid(t)是当前粒子位置,pbid(t)是当前粒子的最优位置,gbid(t)是当前全局粒子最优位置;
为避免粒子速度过大,设置速度上限vmax和速度下限vmin:
其中,xmax和xmin分别表示粒子的最大和最小位置;
54)判断是否满足最大迭代次数或者预设精度;如果满足,结束寻优,得到最优惩罚因子c和核心参数g;否则继续计算粒子的适应度值并进行速度和位置更新,直到满足停止条件;
55)根据得到的最佳惩罚因子和核心参数,获得优化后的SVM模型。
所述的小麦赤霉病遥感识别结果的获得包括以下步骤:
61)将采集的麦穗样本数据分为健康和发病两类,随机选取样本数据中的2/3作为训练样本,训练经过优化后的支持向量机模型;
62)将获得的带叶和无叶情况下两种不同的敏感光谱特征集分别作为训练后模型的输入变量,训练后的模型分别输出两种情况下的小麦赤霉病识别结果。
有益效果
本发明的基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,与现有技术相比基于遥感设备从垂直角度利用小麦顶部信息对赤霉病进行识别,并通过对特征进行筛选和组合,以及对模型进行优化,实现了单穗尺度上的小麦赤霉病的垂直研究,为实际大区域尺度赤霉病识别提供了更加精准的技术方案。
本发明通过非成像高光谱技术分别获得了小麦带叶和无叶不同条件下的麦穗顶部光谱数据;对不同方法获取的光谱特征与病情严重度进行相关性分析,选择与病情严重度相关性较高且显著差异的光谱特征,并对这些特征进行Fisher评分以组合获得最优的光谱特征集;利用粒子群算法对支持向量机进行优化并结合最优特征集建立一个在复杂农田环境下能够对健康和发病小麦进行有效识别的模型。
附图说明
图1为本发明的方法顺序图;
图2为550-780nm波段范围内光谱反射率经过变换后的连续统去除曲线对比图;
图3为经过相关性分析筛选的敏感光谱特征的Fisher评分结果图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,包括以下步骤:
第一步,非成像近地高光谱数据的获取。
利用非成像地物光谱仪测得单穗小麦顶部的光谱数据,获取的单穗光谱数据包括每株麦穗在带叶和无叶不同情况下的光谱数据。
现有技术中,水平测量方式虽然可以比较全面的反应小麦病害染病情况,但并不符合常规的遥感探测方式。大区域尺度上卫星所拍摄到的遥感影像反映的一般都是小麦顶部的光谱信息,冠层尺度上小麦光谱信息的获取一般也是从小麦顶部进行测量,而垂直于麦穗顶部的这种测量方式也会将叶片信息包含在内。因此从小麦带叶和无叶不同角度出发,采用垂直于麦穗顶部的特殊光谱测量方法来评估其在赤霉病检测中的实际优势。
光谱数据的采集使用了ASD FieldSpec Pro地物光谱仪,采集的光谱范围为350-2500nm,光谱采样间隔是1nm,光谱分辨率在350-1000nm和1000-2500nm范围内分别为3nm和10nm。实验中,对在研究区每个实验点随机选取的单株小麦进行测量,分别测量两次,一次是小麦带叶时的数据,一次是小麦去掉叶片后仅保留穗部信息的数据。将光谱仪探头垂直放在麦穗顶部大概60cm的地方,探头视场角为25度进行测量,测量时间选择在光照较为充足的10∶00-14∶00,在天气晴朗且无云的条件下进行。每株带叶或者无叶小麦都要被测量10次,取它们的平均值作为最终的光谱值。每次测量前都要用一个40cm×40cm的BaSO4白板进行校正。
第二步,数据的预处理:对采集的原始光谱数据进行处理获得样本的光谱反射率;计算样本的病情严重度。
(1)在实际光谱测量实验中,光谱仪所测得的仅仅是待测样本的DN灰度值,只有对所测的结果进行处理,才能获得样本的光谱反射率用于赤霉病的研究分析。根据光谱仪测出的目标样本的DN灰度值与标准白板的DN灰度值之间的比值,求得目标样本的反射率曲线,计算公式为:
其中,Rm为所求的目标反射率值,DNm为光谱仪测出的目标样本的DN灰度值,DNb为白板灰度值,Rb为白板的标准反射率值。
虽然光谱仪的测量范围为350-2500nm,但一般1000nm之后光谱受外界的影响较大,所以设定主要分析350-1000nm波段范围内的光谱变化。
(2)根据2011年颁布的小麦赤霉病判定标准(GB/T15796-2011),小麦病情严重度根据出现穗腐情况(或由秆腐引起的白穗症状)的病小穗数占所有小穗数的比例来判定,其中比例为0时表示小麦健康,大于0时表示样本染病。
设定每穗病害情况分为健康和发病两类进行鉴定分析,根据目视解译记录每株小麦的染病小穗数,判断小麦是否染病。
第三步,敏感特征集的获取。通过相关性分析,筛选出与小麦病情严重度相关性高且极显著的光谱特征,其包括:波段特征、位置特征以及植被指数;对所选光谱特征进行Fisher评分,获得敏感特征集。其具体步骤如下:
(1)波段特征的选择。
光谱微分技术是高光谱遥感数据分析处理最主要的分析技术之一。和原始波段相比,经过微分变换后的光谱会在一定程度上消除背景影响,凸显所需信息。本发明根据波段一阶微分反射率与病情严重度之间的相关性,获得相关系数以及P-value值,筛选出相关系数最大且极显著相关(P-value<0.001)的前10个波段特征;
其中,一阶微分的计算公式为:
其中,λi为波段i的波长值,R′(λi)为所求的波段微分值,R(λi+1)和R(λi-1)分别为波段λi-1和λi+1的光谱反射率,Δλ为相邻波段的间隔。
(2)位置特征的选择。小麦遭受赤霉病胁迫后,其生理状态会发生改变。对于植被而言,最易判断且对生理状态最敏感的吸收谷为红光波段的叶绿素吸收谷。连续统去除是提取高光谱数据吸收谷特征信息的一种有效手段,它可以增强红吸收谷处的光谱特征,增大光谱曲线之间的差异。本发明对550-780nm范围内的高光谱进行连续统去除变换,如图2所示,将红吸收谷位置的每个波长的光谱反射率除以相应波长的连续统线值就可以得到连续统去除的反射率。深度(depth)、面积(area)和归一化深度(ND)三个指数被引进作为位置特征。
其中,深度depth计算公式为:
其中,Ri’(λmin)表示最小波段反射率处的连续统去除反射率,Ri(λmin)为吸收谷波段内的最小反射率值,Rc(λmin)为最小波段反射率处对应的连续统线值;
面积area计算公式为:
其中,Rc(λ)和Ri(λ)分别为波长λ的连续统线值和光谱反射率值,λ1和λ2分别为波长的起始位置,这里λ1等于550,λ2等于780;
归一化深度指数DN:由深度指数depth和吸收面积特征area的比值来获得,公式为:
小麦遭赤霉病胁迫后会出现“失绿”现象,绿峰位置会向红光方向偏移(“红移”),植被光谱的三边(“蓝边”、“黄边”和“红边”)也会表现出不同程度的吸收和反射特性的改变,可以反映植被的生长状况。除了depth,area和ND外,通过对蓝边(490-530nm)、黄边(550-582nm)、红边(670-737nm)和绿峰(510-560nm)的光谱微分值进行组合和变换,其他11个微分特征也被选择作为本发明中使用到的位置特征。
本发明通过计算这14个位置特征与病情严重度之间的相关性,筛选出相关系数大于0.6(|R|>0.6)且与病情严重度呈显著相关(P-value<0.001)的位置特征。
(3)植被指数的选择。
植被指数是将高光谱遥感数据中的某些特定波段,经过加减乘除的线性或者非线性方式组合而形成的一种特殊表达方式,它能够在增强植被信息的同时,可以将非植被信息最小化。许多植被指数已经在文献中被提到,并被证明可广泛用于作物病害的高光谱遥感监测中。本发明根据文献中提到的常用于作物病害胁迫研究的植被指数,通过计算植被指数与病情严重度之间的相关性,筛选出相关系数大于0.6(|R|>0.6)且与病情严重度呈显著相关(P-value<0.001)的植被指数。
(4)除了要考虑相关性外,特征对类别的分类、识别能力也是影响模型精度的一个重要因素。Fisher评分(F-score)是一个非常好的能够表示特征分类能力的指标,它通过特征的类间距离之和与类内距离之和的比值来表示特征的类别分类能力。特征的类内距离会随着比例的增大而减小,而类间距离会随着比例的增大而增大,即F-score越大,特征的类别分离能力会增强,对类别识别的效果就越好。图3中所表示的就是根据相关性分析筛选的光谱特征的Fisher得分结果。
在此,通过特征的类间距离之和与类内距离之和的比值来计算特征的Fisher得分,Fisher得分计算公式为:
其中表示特征i的总平均值,和表示类别1和类别2数据集中特征i的总平均值,n1和n2分别表示样本中类别1和类别2对应的样本数,xki (1)和xki (2)分别表示1类样本和2类样本中第k个样本点关于特征i的取值。
(5)将所选光谱特征根据Fisher评分按照从大到小的顺序依次叠加,组成不同的特征集,得到最终的敏感特征集。
(6)根据小麦带叶和无叶两组不同数据,重复上述(1)-(5)步骤分别获得小麦在带叶和无叶情况下的适合赤霉病识别的最优特征集。
第四步,SVM模型的构建:对SVM模型进行设定。
支持向量机(SVM)最早由Vapnik等人于1995年提出,它是一种建立在统计学理论基础之上的机器学习方法,是从线性可分情况下的最优分类面发展而来的,是结构风险最小化原理的近似实现。作为一种传统的监督模型,其核心在于寻找一个能够正确对数据进行特征空间划分的超平面,而支持向量则是指在间隔区边缘的训练样本点。以二分类模型为例,在线性可分情况下,存在分类面可以将两类样本分开,当两类样本间隔最大时就是最优分类面,但实际上,样本类别往往是线性不可分的,将输入向量映射到一个高维的特征向量空间,在该特征空间内构造最优分类面,便可以实现由线性可分到线性不可分的过渡。本发明中,主要对发病以及健康两类样本进行分类。SVM模型的构建的具体步骤如下:
(1)设定对于给定的训练样本集,其超平面记为:
(w*x)+b=0,w∈RN,b∈R
其中W为权重因子,b为偏差值;
为使样本正确分类,则它需满足如下要求:
yi((w*xi)+b)-1≥0,i=1,...,n;
s,tyi((w·xi)+b)≥1,i=1,...,n;
(3)为解决约束最优化问题,通过设定Lagrange函数求解:
其中αi和yi为拉格朗日乘子,
根据KKT条件,函数表达式生成如下:
引入核函数,将低维空间数据映射到高维空间;
(4)设定采用径向基核函数RBF作为模型的核函数,径向基核函数表示为:
其中σ为核参数;
将核函数带入则得到决策函数:
第五步,SVM模型的优化:基于粒子群技术对SVM模型进行优化。
SVM对于核函数的选取和惩罚因子的设定都有较高的要求,针对不同的数据集,需要设定不同的参数,而在对模型参数选取时常常涉及人为主观因素。利用人工自主选择参数的方式往往会导致参数选择不当,以至于影响整个模型的识别精度。粒子群算法是一种基于种群的并行全局搜索策略,它能够利用速度和位移实现参数优化,具有收敛速度快、记忆力显著等优点,将粒子群算法与支持向量机结合,可以让机器自己寻找最优的参数,既避免了人为因素的干扰,又能提高模型的性能。其具体步骤如下:
(1)选用粒子群算法对支持向量机中的惩罚因子c和核心参数g进行优化,首先初始化种群,种群规模设置为30,最大迭代次数设置为300,加速因子c1和加速因子c2都设置为1.5,惯性权重w设置为0.6;
(2)每个粒子作为可行空间中的解,并在可行空间中运动,计算每个粒子的适应度,模型的适应度函数为:
(3)粒子的运动速度决定它们的飞行方向和距离,粒子特殊的记忆能力帮助其跟随最优粒子在空间中搜索,每一次迭代中,粒子通过两个极值来更新自己,一个是全局最优解,一个是局部最优解;
最优解找到后,粒子更新自己的速度和位置,生成新一代种群,更新所依据的公式为:
vid(t+1)=wvid(t)+c1r1(pbid(t)-xid(t))+c2r2(gbid(t)-xid(t))
xid(t+1)=xid(t)+vid(t+1)
其中,t表示当前进化迭代次数,w表示惯性权重,c1和c2是加速因子,这里都为1.5,r1和r2是取值在[0,1]之间的随机数,vid(t)是当前粒子速度,xid(t)是当前粒子位置,pbid(t)是当前粒子的最优位置,gbid(t)是当前全局粒子最优位置;
为避免粒子速度过大,设置速度上限vmax和速度下限vmin:
其中,xmax和xmin分别表示粒子的最大和最小位置;
(4)判断是否满足最大迭代次数或者预设精度;如果满足,结束寻优,得到最优惩罚因子c和核心参数g;否则继续计算粒子的适应度值并进行速度和位置更新,直到满足停止条件;
(5)根据得到的最佳惩罚因子和核心参数,获得优化后的SVM模型。
第六步,小麦赤霉病遥感识别结果的获得:将获得敏感特征集输入经过优化后的SVM模型,得到小麦赤霉病遥感识别结果。
(1)将采集的麦穗样本数据分为健康和发病两类,随机选取样本数据中的2/3作为训练样本,训练经过优化后的支持向量机模型;
(2)将获得的带叶和无叶情况下两种不同的敏感光谱特征集分别作为训练后模型的输入变量,训练后的模型分别输出两种情况下的小麦赤霉病识别结果。
本发明利用麦穗顶部光谱信息,可以实现小麦在垂直角度的赤霉病识别。因为更加贴合常规的遥感监测方式,本发明中所涉及的这种特殊特征筛选以及模型构建优化算法可以被进一步推广到大区域尺度赤霉病监测实验中,与前人相比,这种顶部识别的方法对健康和发病小麦的分类结果也会更加准确。在大区域尺度上可以结合实时影像,通过图像分割的方式将遥感影像中的叶片和麦穗进行分离,结合本发明中提出的方法用以实现赤霉病的实时监测,保证监测结果的最大精度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (6)
1.一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,包括以下步骤:
11)非成像近地高光谱数据的获取:利用非成像地物光谱仪测得单穗小麦顶部的单穗光谱数据,获取的单穗光谱数据包括每株麦穗在带叶和无叶不同情况下的光谱数据;
12)数据的预处理:对采集的原始光谱数据进行处理获得样本的光谱反射率;计算样本的病情严重度;
13)敏感特征集的获取:通过相关性分析,筛选出与小麦病情严重度相关性高且极显著的光谱特征,其包括:波段特征、位置特征以及植被指数;对所选光谱特征进行Fisher评分,获得敏感特征集;
14)SVM模型的构建:对SVM模型进行设定;
15)SVM模型的优化:基于粒子群技术对SVM模型进行优化;
16)小麦赤霉病遥感识别结果的获得:将获得敏感特征集输入经过优化后的SVM模型,得到小麦赤霉病遥感识别结果。
3.根据权利要求1所述的一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,所述的敏感特征集的获取包括以下步骤:
31)波段特征的选择:根据波段一阶微分反射率与病情严重度之间的相关性,获得相关系数以及P-value值,筛选出相关系数最大且极显著相关(P-value<0.001)的前10个波段特征;
其中,一阶微分的计算公式为:
其中,λi为波段i的波长值,R′(λi)为所求的波段微分值,R(λi+1)和R(λi-1)分别为波段λi-1和λi+1的光谱反射率,Δλ为相邻波段的间隔;
32)位置特征的选择:选取550-780nm范围内的高光谱进行连续统去除变换,在此基础上分别求出深度、面积和归一化深度指数;通过对蓝边490-530nm、黄边550-582nm、红边670-737nm和绿峰510-560nm的光谱微分值进行组合和变换,获得额外11个位置特征;对这14个位置特征与病情严重度进行相关性分析,筛选出高相关性R>0.6且极显著相关P-value<0.001的位置特征;
其中,深度depth计算公式为:
其中,Ri’(λmin)表示最小波段反射率处的连续统去除反射率,Ri(λmin)为吸收谷波段内的最小反射率值,Rc(λmin)为最小波段反射率处对应的连续统线值;
面积area计算公式为:
其中,Rc(入)和Ri(λ)分别为波长λ的连续统线值和光谱反射率值,λ1和λ2分别为波长的起始位置,这里λ1等于550,λ2等于780;
归一化深度指数DN:由深度指数depth和吸收面积特征area的比值来获得,公式为:
33)植被指数的选择:获取用于作物病害胁迫研究的植被指数,通过计算这些植被指数与病情严重度之间的相关性,筛选出与病情严重度高相关|R|>0.6且极显著相关P-value<0.001的植被指数;
34)通过特征的类间距离之和与类内距离之和的比值来计算特征的Fisher得分,Fisher得分计算公式为:
其中表示特征i的总平均值,和表示类别1和类别2数据集中特征i的总平均值,n1和n2分别表示样本中类别1和类别2对应的样本数,xki (1)和xki (2)分别表示1类样本和2类样本中第k个样本点关于特征i的取值;
35)将所选光谱特征根据Fisher评分按照从大到小的顺序依次叠加,组成不同的特征集,得到最终的敏感特征集;
36)根据小麦带叶和无叶两组不同数据,重复上述31)-35)步骤分别获得小麦在带叶和无叶情况下的适合赤霉病识别的最优特征集。
4.根据权利要求1所述的一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,所述的SVM模型的构建包括以下步骤:
41)设定对于给定的训练样本集,其超平面记为:
(w*x)+b=0,w∈RN,b∈R
其中W为权重因子,b为偏差值;
为使样本正确分类,则它需满足如下要求:
yi((w*xi)+b)-1之0,i=1,...,n;
s,tyi((w·xi)+b)≥1,i=1,...,n;
43)为解决约束最优化问题,通过设定Lagrange函数求解:
其中αi和yi为拉格朗日乘子,
根据KKT条件,函数表达式生成如下:
引入核函数,将低维空间数据映射到高维空间;
44)设定采用径向基核函数RBF作为模型的核函数,径向基核函数表示为:
其中σ为核参数;
将核函数带入则得到决策函数:
5.根据权利要求1所述的一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,所述的SVM模型的优化包括以下步骤:
51)选用粒子群算法对支持向量机中的惩罚因子c和核心参数g进行优化,首先初始化种群,种群规模设置为30,最大迭代次数设置为300,加速因子c1和加速因子c2都设置为1.5,惯性权重w设置为0.6;
52)每个粒子作为可行空间中的解,并在可行空间中运动,计算每个粒子的适应度,模型的适应度函数为:
53)粒子的运动速度决定它们的飞行方向和距离,粒子特殊的记忆能力帮助其跟随最优粒子在空间中搜索,每一次迭代中,粒子通过两个极值来更新自己,一个是全局最优解,一个是局部最优解;
最优解找到后,粒子更新自己的速度和位置,生成新一代种群,更新所依据的公式为:
vid(t+1)=wvid(t)+c1r1(pbid(t)-xid(t))+c2r2(gbid(t)-xid(t))
xid(t+1)=xid(t)+vid(t+1)
其中,t表示当前进化迭代次数,w表示惯性权重,c1和c2是加速因子,这里都为1.5,r1和r2是取值在[0,1]之间的随机数,vid(t)是当前粒子速度,xid(t)是当前粒子位置,pbid(t)是当前粒子的最优位置,gbid(t)是当前全局粒子最优位置;
为避免粒子速度过大,设置速度上限vmax和速度下限vmin:
其中,xmax和xmin分别表示粒子的最大和最小位置;
54)判断是否满足最大迭代次数或者预设精度;如果满足,结束寻优,得到最优惩罚因子c和核心参数g;否则继续计算粒子的适应度值并进行速度和位置更新,直到满足停止条件;
55)根据得到的最佳惩罚因子和核心参数,获得优化后的SVM模型。
6.根据权利要求1所述的一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,所述的小麦赤霉病遥感识别结果的获得包括以下步骤:
61)将采集的麦穗样本数据分为健康和发病两类,随机选取样本数据中的2/3作为训练样本,训练经过优化后的支持向量机模型;
62)将获得的带叶和无叶情况下两种不同的敏感光谱特征集分别作为训练后模型的输入变量,训练后的模型分别输出两种情况下的小麦赤霉病识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702759.XA CN111832507B (zh) | 2020-07-20 | 2020-07-20 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702759.XA CN111832507B (zh) | 2020-07-20 | 2020-07-20 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832507A true CN111832507A (zh) | 2020-10-27 |
CN111832507B CN111832507B (zh) | 2024-04-09 |
Family
ID=72923643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010702759.XA Active CN111832507B (zh) | 2020-07-20 | 2020-07-20 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832507B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176214A (zh) * | 2021-04-20 | 2021-07-27 | 安徽大学 | 一种非成像光谱应用连续小波分析的麦穗赤霉病监测方法 |
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 |
CN114199800A (zh) * | 2021-12-08 | 2022-03-18 | 华智生物技术有限公司 | 一种水稻纹枯病识别方法、系统、设备及介质 |
CN116341223A (zh) * | 2022-12-07 | 2023-06-27 | 南京农业大学 | 一种基于新型三波段光谱指数的水稻穗腐病病情严重度估算方法 |
CN116579446A (zh) * | 2022-11-28 | 2023-08-11 | 中国科学院地理科学与资源研究所 | 一种利用深度学习和表型特征估算高精度小麦籽粒产量的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
CN110132860A (zh) * | 2019-05-29 | 2019-08-16 | 安徽大学 | 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 |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110929944A (zh) * | 2019-11-28 | 2020-03-27 | 安徽大学 | 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法 |
-
2020
- 2020-07-20 CN CN202010702759.XA patent/CN111832507B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110132860A (zh) * | 2019-05-29 | 2019-08-16 | 安徽大学 | 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 |
CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110929944A (zh) * | 2019-11-28 | 2020-03-27 | 安徽大学 | 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法 |
Non-Patent Citations (5)
Title |
---|
于宏威;王强;刘丽;石爱民;胡晖;刘红芝;: "粮油品质安全高光谱成像检测技术的研究进展", 光谱学与光谱分析, no. 11 * |
李卫国;陈华;金正婷;张;葛广秀;嵇福建;: "基于适宜尺度选择的冬小麦赤霉病遥感监测", 麦类作物学报, no. 11 * |
李卫国;黄文江;董莹莹;陈华;王晶晶;单婕;: "基于温湿度与遥感植被指数的冬小麦赤霉病估测", 农业工程学报, no. 23 * |
殷勇;王光辉;: "连续投影算法融合信息熵选择霉变玉米高光谱特征波长", 核农学报, no. 02 * |
祖琴;陈湘萍;邓巍;: "光谱图像技术在精准施药中的应用", 农机化研究, no. 03 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176214A (zh) * | 2021-04-20 | 2021-07-27 | 安徽大学 | 一种非成像光谱应用连续小波分析的麦穗赤霉病监测方法 |
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 |
CN114199800A (zh) * | 2021-12-08 | 2022-03-18 | 华智生物技术有限公司 | 一种水稻纹枯病识别方法、系统、设备及介质 |
CN114199800B (zh) * | 2021-12-08 | 2023-11-21 | 华智生物技术有限公司 | 一种水稻纹枯病识别方法、系统、设备及介质 |
CN116579446A (zh) * | 2022-11-28 | 2023-08-11 | 中国科学院地理科学与资源研究所 | 一种利用深度学习和表型特征估算高精度小麦籽粒产量的方法 |
CN116579446B (zh) * | 2022-11-28 | 2024-03-26 | 中国科学院地理科学与资源研究所 | 一种利用表型特征估算高精度小麦籽粒产量的方法 |
CN116341223A (zh) * | 2022-12-07 | 2023-06-27 | 南京农业大学 | 一种基于新型三波段光谱指数的水稻穗腐病病情严重度估算方法 |
CN116341223B (zh) * | 2022-12-07 | 2024-01-16 | 南京农业大学 | 一种基于新型三波段光谱指数的水稻穗腐病病情严重度估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111832507B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832507A (zh) | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 | |
Yang et al. | Diagnosis of plant cold damage based on hyperspectral imaging and convolutional neural network | |
Shi et al. | Detection and discrimination of pests and diseases in winter wheat based on spectral indices and kernel discriminant analysis | |
CN110346312B (zh) | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 | |
CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN107527326A (zh) | 一种基于高光谱成像的小麦赤霉病诊断方法 | |
Backhaus et al. | Robust classification of the nutrition state in crop plants by hyperspectral imaging and artificial neural networks | |
Behera et al. | Fruit recognition using support vector machine based on deep features | |
CN105067532B (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
Rangarajan et al. | Detection of fusarium head blight in wheat using hyperspectral data and deep learning | |
Zhao et al. | Deep learning assisted continuous wavelet transform-based spectrogram for the detection of chlorophyll content in potato leaves | |
Huang et al. | Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm | |
Mohammadpoor et al. | An intelligent technique for grape fanleaf virus detection | |
CN112528789A (zh) | 一种用于发病初中期分析的小麦条锈病遥感监测方法 | |
CN115861817A (zh) | 一种基于主成分分析的高光谱小麦条锈病分类识别方法 | |
Yang et al. | Classification of sugar beets based on hyperspectral and extreme learning machine methods | |
Agjee et al. | Remote sensing bio-control damage on aquatic invasive alien plant species | |
CN108846370B (zh) | 一种小麦白粉病中晚期病害严重度自动分析方法 | |
CN113052130B (zh) | 基于深度残差网络和边缘保护滤波的高光谱影像分类方法 | |
Srivastav et al. | Tea leaf disease detection using deep learning-based convolutional neural networks | |
Kang et al. | Assessing the severity of cotton Verticillium wilt disease from in situ canopy images and spectra using convolutional neural networks | |
Zhang et al. | Impact of spectral interval on wavelet features for detecting wheat yellow rust with hyperspectral data | |
Zou et al. | Identification of tea diseases based on spectral reflectance and machine learning | |
Chen et al. | Tea disease spot recognition based on image feature points extraction and matching | |
CN116399848A (zh) | 一种基于深度学习的拉曼光谱大米检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |