CN112782103A - 棉花苗期叶片棉蚜早期为害的监测方法及系统 - Google Patents
棉花苗期叶片棉蚜早期为害的监测方法及系统 Download PDFInfo
- Publication number
- CN112782103A CN112782103A CN202110133420.7A CN202110133420A CN112782103A CN 112782103 A CN112782103 A CN 112782103A CN 202110133420 A CN202110133420 A CN 202110133420A CN 112782103 A CN112782103 A CN 112782103A
- Authority
- CN
- China
- Prior art keywords
- cotton
- damage
- aphid
- monitoring model
- group
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 180
- 238000012544 monitoring process Methods 0.000 title claims abstract description 139
- 229920000742 Cotton Polymers 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 93
- 241001600408 Aphis gossypii Species 0.000 title claims abstract description 37
- 241001124076 Aphididae Species 0.000 claims abstract description 100
- 241000219146 Gossypium Species 0.000 claims abstract description 98
- 230000003595 spectral effect Effects 0.000 claims abstract description 49
- 238000002310 reflectometry Methods 0.000 claims abstract description 31
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 81
- 238000012360 testing method Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 3
- 206010061217 Infestation Diseases 0.000 claims 4
- 241000238631 Hexapoda Species 0.000 abstract description 7
- 230000004913 activation Effects 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000002024 Gossypium herbaceum Species 0.000 description 1
- 235000004341 Gossypium herbaceum Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000008636 plant growth process Effects 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012800 visualization 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
- G01N21/17—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及一种棉花苗期叶片棉蚜早期为害的监测方法及系统。所述方法包括：获取待监测棉花叶片的光谱反射率；将所述待监测棉花叶片的光谱反射率输入最优为害监测模型得到所述待监测棉花叶片的蚜害情况；所述蚜害情况为无蚜害或1级蚜害；所述最优为害监测模型是以L‑BFGS为函数优化算法，以0.0001为初始学习率且以0.7为动量进行训练得到的；所述最优为害监测模型的隐藏层为(30，10，30)，所述最优为害监测模型的激活层函数为tanh。本发明可以实现准确、快速地获取棉花苗期棉蚜为害早期的虫情信息。
Description
技术领域
本发明涉及快速无损检测领域，特别是涉及一种棉花苗期叶片棉蚜早期为害的监测方法及系统。
背景技术
农作物农情诊断的指标中，植被叶片特征常被用于判断是否遭受病虫侵害，通过观察植被叶片色泽变化、叶形状态等信息即可判定植株受害情况。虽然该传统方法诊断结果准确率高，但是依赖于专家经验，主观性强，且在病虫危害早期，即危害症状不足以凭借人眼识别诊断时较困难。如何在病虫危害作物的早期进行无损、快速有效的监测与诊断对绿色农业的发展极其重要。现有的自动蚜害监测方法如下：
(1)基于无人机成像的农田棉蚜为害等级模型的监测方法，包括如下步骤：1)数据采集；2)数据预处理；3)回归分析；4)构建模型；其中，所述数据采集包括无人机空中成像高光谱采集和地面非成像高光谱采集；根据对农田采集数据建立不同蚜害等级对应棉花冠层叶面积指数LAI高光谱遥感估测模型，并应用成像高光谱影像进行反演得到可视化、定量化的棉花冠层叶面积指数LAI空间分布图。但是，基于无人机搭载光谱仪采集数据结合地面非成像高光谱，对蚜害的不同等级进行大面积监测，通过叶面积指数进行反演，实现可视化，减少人力投入和样本的破坏性，但是大田环境复杂，低空获取的棉花冠层光谱信息需要去除环境背景带来的影响，同时由于棉蚜中的有翅蚜具有迁飞性，随着棉花植株生育进程的推进及环境条件的适宜，棉蚜迅速繁殖扩散整个调查区域，就缺少健康样本的光谱信息，所以构建的监测模型精度不高，不满足生产上棉花虫情信息的精确获取，使得监测结果误差大。
(2)棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法，包括以下步骤：一、以低空无人机搭载成像高光谱仪获取棉花蕾期蚜害棉花冠层高光谱影像；二、分析不同受蚜害等级胁迫棉花的冠层光谱响应差异；三、根据棉花蕾期蚜害棉花冠层高光谱影像，利用比值导数法筛选出棉花蕾期蚜害棉花冠层敏感光谱波段；四、构建基于敏感光谱比值导数光谱值的偏最小二乘法的蚜害等级估测模型；五、将该模型应用于成像高光谱影像，获取田块尺度的蚜害等级分布图。但是，棉花蕾期是棉花的重要生育时期，通过无人机获取低空尺度下的成像光谱信息，基于偏最小二乘法建立的模型比较单一，对早期蚜害监测较少研究，因此缺乏早期信息的获取，不利于生产上的早防、轻控，所以构建的模型实用性不适用于早期蚜害的监测。
发明内容
本发明的目的是提供一种棉花苗期叶片棉蚜早期为害的监测方法及系统，可以实现准确、快速地获取棉花苗期棉蚜为害早期的虫情信息。
为实现上述目的，本发明提供了如下方案：
一种棉花苗期叶片棉蚜早期为害的监测方法，包括：
获取待监测棉花叶片的光谱反射率；
将所述待监测棉花叶片的光谱反射率输入最优为害监测模型得到所述待监测棉花叶片的蚜害情况；所述蚜害情况为无蚜害或1级蚜害；所述最优为害监测模型是以L-BFGS为函数优化算法，以0.0001为初始学习率且以0.7为动量进行训练得到的；所述最优为害监测模型的隐藏层为(30，10，30)，所述最优为害监测模型的激活层函数为tanh。
可选的，所述最优为害监测模型的确定方法为：
获取待训练棉花叶片的光谱，并将所述光谱按设定比例分为训练集和测试集；
分别采用随机森林算法和连续投影算法对所述训练集进行特征波段筛选，获得第一组特征波段光谱和第二组特征波段光谱；
以所述第一组特征波段光谱的光谱反射率为输入，以所述第一组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第一为害监测模型组；
以所述第二组特征波段光谱的光谱反射率为输入，以所述第二组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第二为害监测模型组；
将所述测试集分别输入所述第一为害监测模型组中的各个为害监测模型和所述第二为害监测模型组中的各个为害监测模型，得到各个所述为害监测模型的蚜害预测结果，根据所述蚜害预测结果和对应的蚜害实际结果计算各个所述为害监测模型的评价指标；所述评价指标包括准确率和精确率；
将所述准确率和所述精确率均最高的评价指标对应的为害监测模型确定为最优为害监测模型。
可选的，所述第一组特征波段光谱包括：
波段为865纳米、912纳米、955纳米、977纳米、1249纳米、1265纳米、1644纳米、1645纳米、2244纳米和2273纳米的光谱。
可选的，所述第二组特征波段光谱包括：
波段为350纳米、394纳米、436纳米、437纳米、495纳米、496纳米、620纳米、694纳米、725纳米、750纳米、914纳米、921纳米、974纳米、1021纳米、1023纳米、1072纳米、1089纳米、1384纳米、1388纳米、1507纳米、1612纳米、1623纳米、1694纳米、1696纳米、1856纳米、1867纳米、1879纳米、1881纳米、2014纳米和2242纳米的光谱。
一种棉花苗期叶片棉蚜早期为害的监测系统，包括：
获取模块，用于获取待监测棉花叶片的光谱反射率；
测试模块，用于将所述待监测棉花叶片的光谱反射率输入最优为害监测模型得到所述待监测棉花叶片的蚜害情况；所述蚜害情况为无蚜害或1级蚜害；所述最优为害监测模型是以L-BFGS为函数优化算法，以0.0001为初始学习率且以0.7为动量进行训练得到的；所述最优为害监测模型的隐藏层为(30，10，30)，所述最优为害监测模型的激活层函数为tanh。
可选的，所述测试模块包括：
获取单元，用于获取待训练棉花叶片的光谱，并将所述光谱按设定比例分为训练集和测试集；
筛选单元，用于分别采用随机森林算法和连续投影算法对所述训练集进行特征波段筛选，获得第一组特征波段光谱和第二组特征波段光谱；
第一组为害监测模型确定单元，用于以所述第一组特征波段光谱的光谱反射率为输入，以所述第一组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第一为害监测模型组；
第二为害检测模型确定单元，用于以所述第二组特征波段光谱的光谱反射率为输入，以所述第二组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第二为害监测模型组；
评价指标确定单元，用于将所述测试集分别输入所述第一为害监测模型组中的各个为害监测模型和所述第二为害监测模型组中的各个为害监测模型，得到各个所述为害监测模型的蚜害预测结果，根据所述蚜害预测结果和对应的蚜害实际结果计算各个所述为害监测模型的评价指标；所述评价指标包括准确率和精确率；
最优模型确定单元，用于将所述准确率和所述精确率均最高的评价指标对应的为害监测模型确定为最优为害监测模型。
可选的，所述第一组特征波段光谱包括：
波段为865纳米、912纳米、955纳米、977纳米、1249纳米、1265纳米、1644纳米、1645纳米、2244纳米和2273纳米的光谱。
可选的，所述第二组特征波段光谱包括：
波段为350纳米、394纳米、436纳米、437纳米、495纳米、496纳米、620纳米、694纳米、725纳米、750纳米、914纳米、921纳米、974纳米、1021纳米、1023纳米、1072纳米、1089纳米、1384纳米、1388纳米、1507纳米、1612纳米、1623纳米、1694纳米、1696纳米、1856纳米、1867纳米、1879纳米、1881纳米、2014纳米和2242纳米的光谱。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过使用隐藏层大小为(30,10，30)，激活层函数为tanh，以L-BFGS为函数优化算法，0.0001为初始学习率，0.7为动量进行训练得到的为害监测模型对待监测棉花叶片进行处理能够准确、快速地获取棉花苗期棉蚜为害早期的虫情信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种棉花苗期叶片棉蚜早期为害的监测方法的流程图；
图2为本发明实施例提供的叶片划分示意图；
图3为本发明实施例提供的健康叶片与蚜害早期叶片的原始光谱反射率对比图；
图4为本发明实施例提供的为害监测模型的结构示意图；
图5为本发明实施例提供的为害监测模型的具体结构示意图；
图6为本发明实施例提供的棉花苗期叶片棉蚜早期为害的监测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
目前生产上，基于无人机搭载的各种传感器实现区域尺度的棉花虫情冠层光谱信息的获取，可实现较大面积的虫情监测，通过图像处理和光谱分析得出虫情分布趋势，可以减少人力投入，但是该种方法需要缺少准确获取健康植株样本的光谱信息，所以构建的监测模型精度不高，不满足生产上棉花虫情信息的精确获取。在棉花的生产过程中，对棉蚜防控的依据还主要是传统的人工调查，该方法具有一定的准确性，但是由于调查样点需要选取调查样株上、中、下三片棉叶，然后换算成百株蚜量，最后分析出棉蚜危害等级，该过程需要耗费大量的人力和时间。棉花苗期是棉花整个生育进程中的重要时期，该时期下棉蚜初迁入棉田，此时开展棉蚜早期的监测，可以实现早发现、早防治。目前大部分研究趋向于棉花生长后期蕾花铃期进行蚜害监测，采用较为单一的监测模型，对早期蚜害监测较少研究，因此缺乏早期信息的获取，不利于生产上的早防、轻控，所以构建的模型实用性不适用于早期蚜害的监测。所以，明晰棉花健康叶片与蚜害早期叶片的光谱特征，建立一个精准的监测模型，可以大大减少工作量。为实现上述技术效果本实施例提供了一种棉花苗期叶片棉蚜早期为害的监测方法，如图1所示，本方法包括：
101：获取待监测棉花叶片的光谱反射率。
102：将所述待监测棉花叶片的光谱反射率输入最优为害监测模型得到所述待监测棉花叶片的蚜害情况；所述蚜害情况为无蚜害或1级蚜害；所述最优为害监测模型是以以L-BFGS(优化算法—拟牛顿法的一种改进算法)为函数优化算法，以0.0001为初始学习率且以0.7为动量进行训练得到的；所述最优为害监测模型的隐藏层为(30，10，30)，所述最优为害监测模型的激活层函数为tanh。
在实际应用中，所述最优为害监测模型的确定方法为：
获取待训练棉花叶片的光谱，并将所述光谱按设定比例分为训练集和测试集。
分别采用随机森林算法和连续投影算法对所述训练集进行特征波段筛选，获得第一组特征波段光谱和第二组特征波段光谱。
以所述第一组特征波段光谱的光谱反射率为输入，以所述第一组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第一为害监测模型组。
以所述第二组特征波段光谱的光谱反射率为输入，以所述第二组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第二为害监测模型组。
将所述测试集分别输入所述第一为害监测模型组中的各个为害监测模型和所述第二为害监测模型组中的各个为害监测模型，得到各个所述为害监测模型的蚜害预测结果，根据所述蚜害预测结果和对应的蚜害实际结果计算各个所述为害监测模型的评价指标；所述评价指标包括准确率和精确率。
将所述准确率和所述精确率均最高的评价指标对应的为害监测模型确定为最优为害监测模型。
在实际应用中，所述第一组特征波段光谱包括：
波段为865纳米、912纳米、955纳米、977纳米、1249纳米、1265纳米、1644纳米、1645纳米、2244纳米和2273纳米的光谱。
在实际应用中，所述第二组特征波段光谱包括：
波段为350纳米、394纳米、436纳米、437纳米、495纳米、496纳米、620纳米、694纳米、725纳米、750纳米、914纳米、921纳米、974纳米、1021纳米、1023纳米、1072纳米、1089纳米、1384纳米、1388纳米、1507纳米、1612纳米、1623纳米、1694纳米、1696纳米、1856纳米、1867纳米、1879纳米、1881纳米、2014纳米和2242纳米的光谱。
本实施例提供了一个更加具体的棉花苗期叶片棉蚜早期监测模型的确定方法：
第一步，棉蚜为害的早期叶片划分。
在本实施例中，参考国标-棉花抗病虫性评价技术规范分级标准，如表1所示，将棉蚜早期危害试验的叶片分为2级：健康(0)：无蚜，叶片平展；蚜害(1)：有蚜，叶片平展。
表1棉花棉蚜危害等级划分标准
| 蚜害级别 | 为害描述 |
| 0级 | 无蚜虫，叶片展平 |
| 1级 | 有蚜虫，叶片无受害 |
| 2级 | 有蚜虫，受害最重的叶片皱缩或微卷，近半圆 |
| 3级 | 有蚜虫，受害最重的叶片卷曲达半圆或半圆以上，呈弧形 |
| 4级 | 有蚜虫，受害最重的叶片完全卷曲，呈球形 |
第二步，叶片原始光谱反射率数据采集。
本实施例将叶片划分为左基部、右基部和中上部3部分，如图2中①、②、③所示。棉花品种是鲁棉研24号。棉花4叶期时，开始接种棉蚜，每片主茎叶接种4只大小和颜色一致的棉蚜，每5天进行一次破坏性数据采集。单叶高光谱采用美国SPECTRALEVOLUTION公司生产的SR-3500便携式地物波谱仪，用该仪器自带的手持叶夹式叶片光谱探测器，该探测器自带光源，光谱测定范围350～2500nm波段的棉花叶片高光谱反射率。光谱分辨率为3.5nm@1000nm，10nm@1500nm，7nm@2100nm。每个部分分别用SR-3500测定3次，均避开主叶脉，叶片的正面对应内置光源，取均值作为该部位的原始高光谱反射率值。每次测定前均用SR-3500单叶室的内置白板校正，测定时，始终由同一个人操作。共采集1642个样本，按照3：1：1的比例划分为训练集、验证集和测试集。
第三步，叶片原始光谱反射率数据分析。
对获取的高光谱数据用SPECTRAL EVOLUTION公司生产提供的DARwin SP软件对全波段内数据经SG平滑处理。对健康叶片和蚜害早期叶片原始光谱反射率分析，如图3所示。健康叶片与蚜害早期叶片的原始光谱反射率值存在差异。所以，基于遥感技术进行棉蚜早期为害的监测是可行的。
第四步，特征波段筛选。
通过不同方法对全波段进行特征波段筛选，可以减少数据冗余，获得有效信息，对于优化模型和良好结果具有重要意义。本试验通过随机森林(RF,RandomForest)、连续投影(SPA,Successive ProjectionsAlgorithm)2种算法分别筛选出10、30个特征波长，如表2所示。
表2不同算法筛选出的特征波段
第五步，构建快速监测模型。
对已经筛选出的特征波段对应的光谱反射率为输入，健康(0)和蚜害早期(1)为输出，采用Logistic、PLS-DA、SVM、BP和CNN 5种方法分别构建分类识别模型。模型结果如表3.1和表3.2所示。
表3.1棉花苗期蚜害早期模型结果(一)
第六步，通过模型评价指标，筛选出蚜害早期最佳监测模型。
表3.2棉花苗期蚜害早期模型结果(二)
选用准确率、精确率、召回率和F1分数这4个指标进行模型评价。通过对表3进行分析可知，在RF算法下建立的5种模型的测试集的准确率分别为62％、78％、80％、62％、75％，SPA算法下建立的5种模型的测试集的准确率分别为74％、79％、80％、89％、84％，因此光谱降维方法中SPA算法优于RF算法。进一步分析可知以SPA-BP构建的模型最好，准确率为89％，精确率为92％，召回率为87％，F1分数为90％，最终模型参数(隐藏层大小，解算器，激活层，初始学习率，动量，学习率)经调优为(30，10，30，lbfgs，tanh，0.0001，0.7，自适应)即(hidden_layer_sizes隐藏层大小,solver解算器,activation激活层,learning_rate_init学习率,momentum动量,learning_rate学习率)经调优为(30,10，30,lbfgs,tanh,0.0001,0.7,adaptive自适应)，如图4和图5所示，对BP模型，输入层参数为10和30，SPA算法下的隐藏层特征数分别为30，10，30；RF的隐藏层特征数分别为10，5，30。卷积神经网络(ConvolutionalNeuralNetworks，CNN)，在本实施例中，设计了包含输入层、3个卷积层、激活层、3个池化层、全连接层和输出层的CNN结构。其中卷积层的卷积核个数分别为128、64、32，卷积核大小为1×2；每个卷积层与池化层之间包含层归一化和激活函数，使用BatchNorm进行层归一化，选取ReLU为激活函数；其中输入层为训练集数据输入(其中SPA输入为30，RF输入为10)，输出层为类别的预测值。最终模型包括：依次连接的输入层、第一卷积层、第一relu激活函数、第一最大池化层、第二卷积层、第二relu激活函数、第二最大池化层、第三卷积层、第三relu激活函数、第三最大池化层、全连接层、softmax函数和输出层，其中第一卷积层、第一relu激活函数、第一最大池化层、第二卷积层、第二relu激活函数、第二最大池化层、第三卷积层、第三relu激活函数、第三最大池化层、全连接层和softmax函数组成隐藏层。
本实施例还提供了一种与上述方法对应的棉花苗期叶片棉蚜早期为害的监测系统，如图6所示，所述系统包括：
获取模块A1，用于获取待监测棉花叶片的光谱反射率。
测试模块A2，用于将所述待监测棉花叶片的光谱反射率输入最优为害监测模型得到所述待监测棉花叶片的蚜害情况；所述蚜害情况为无蚜害或1级蚜害；所述最优为害监测模型是以L-BFGS为函数优化算法，以0.0001为初始学习率且以0.7为动量进行训练得到的；所述最优为害监测模型的隐藏层为(30，10，30)，所述最优为害监测模型的激活层函数为tanh。
作为一种可选的实施方式，所述测试模块包括：
获取单元，用于获取待训练棉花叶片的光谱，并将所述光谱按设定比例分为训练集和测试集。
筛选单元，用于分别采用随机森林算法和连续投影算法对所述训练集进行特征波段筛选，获得第一组特征波段光谱和第二组特征波段光谱。
第一组为害监测模型确定单元，用于以所述第一组特征波段光谱的光谱反射率为输入，以所述第一组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第一为害监测模型组。
第二为害检测模型确定单元，用于以所述第二组特征波段光谱的光谱反射率为输入，以所述第二组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第二为害监测模型组。
评价指标确定单元，用于将所述测试集分别输入所述第一为害监测模型组中的各个为害监测模型和所述第二为害监测模型组中的各个为害监测模型，得到各个所述为害监测模型的蚜害预测结果，根据所述蚜害预测结果和对应的蚜害实际结果计算各个所述为害监测模型的评价指标；所述评价指标包括准确率和精确率。
最优模型确定单元，用于将所述准确率和所述精确率均最高的评价指标对应的为害监测模型确定为最优为害监测模型。
作为一种可选的实施方式，所述第一组特征波段光谱包括：
波段为865纳米、912纳米、955纳米、977纳米、1249纳米、1265纳米、1644纳米、1645纳米、2244纳米和2273纳米的光谱。
作为一种可选的实施方式，所述第二组特征波段光谱包括：
波段为350纳米、394纳米、436纳米、437纳米、495纳米、496纳米、620纳米、694纳米、725纳米、750纳米、914纳米、921纳米、974纳米、1021纳米、1023纳米、1072纳米、1089纳米、1384纳米、1388纳米、1507纳米、1612纳米、1623纳米、1694纳米、1696纳米、1856纳米、1867纳米、1879纳米、1881纳米、2014纳米和2242纳米的光谱。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
1、本发明通过一种快速、无损的监测技术，对棉花苗期叶片的棉蚜早期为害进行监测。使用地物波谱仪分别采集棉花苗期健康植株和接种棉蚜植株的单叶原始光谱反射率数据，研明了棉蚜为害棉花叶片早期时，蚜害叶片与健康叶片原始光谱反射率趋势一致，但是蚜害早期叶片原始光谱反射率值低于健康叶片以盆栽方式，通过快速、无损的遥感技术对叶片进行光谱信息采集，明晰棉花苗期蚜害早期的光谱特征。通过明晰叶片的光谱差异，利用棉花叶片的光谱特征来准确、快速获取蚜害情况，不仅可以降低人工调查的人力与时间的投入，并且除去了对样本的破坏性，为现代农业中病虫害的早期监测提供科学依据。
2、采用2种光谱降维方法，实现特征波段的筛选；以特征波段对应的原始光谱反射率作为输入，采用5种建模方法建立滴灌棉花苗期叶片蚜害早期快速监测模型，最后通过对模型进行评价，得到最佳监测模型，可解决生产中人工调查蚜害信息的复杂性和滞后性，省时省力，达到早发现、早防治的目的，实现准确、快速获取滴灌棉田棉花苗期棉蚜为害早期的虫情信息。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种棉花苗期叶片棉蚜早期为害的监测方法，其特征在于，包括：
获取待监测棉花叶片的光谱反射率；
将所述待监测棉花叶片的光谱反射率输入最优为害监测模型得到所述待监测棉花叶片的蚜害情况；所述蚜害情况为无蚜害或1级蚜害；所述最优为害监测模型是以L-BFGS为函数优化算法，以0.0001为初始学习率且以0.7为动量进行训练得到的；所述最优为害监测模型的隐藏层为(30，10，30)，所述最优为害监测模型的激活层函数为tanh。
2.根据权利要求1所述的棉花苗期叶片棉蚜早期为害的监测方法，其特征在于，所述最优为害监测模型的确定方法为：
获取待训练棉花叶片的光谱，并将所述光谱按设定比例分为训练集和测试集；
分别采用随机森林算法和连续投影算法对所述训练集进行特征波段筛选，获得第一组特征波段光谱和第二组特征波段光谱；
以所述第一组特征波段光谱的光谱反射率为输入，以所述第一组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第一为害监测模型组；
以所述第二组特征波段光谱的光谱反射率为输入，以所述第二组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第二为害监测模型组；
将所述测试集分别输入所述第一为害监测模型组中的各个为害监测模型和所述第二为害监测模型组中的各个为害监测模型，得到各个所述为害监测模型的蚜害预测结果，根据所述蚜害预测结果和对应的蚜害实际结果计算各个所述为害监测模型的评价指标；所述评价指标包括准确率和精确率；
将所述准确率和所述精确率均最高的评价指标对应的为害监测模型确定为最优为害监测模型。
3.根据权利要求2所述的棉花苗期叶片棉蚜早期为害的监测方法，其特征在于，所述第一组特征波段光谱包括：
波段为865纳米、912纳米、955纳米、977纳米、1249纳米、1265纳米、1644纳米、1645纳米、2244纳米和2273纳米的光谱。
4.根据权利要求2所述的棉花苗期叶片棉蚜早期为害的监测方法，其特征在于，所述第二组特征波段光谱包括：
波段为350纳米、394纳米、436纳米、437纳米、495纳米、496纳米、620纳米、694纳米、725纳米、750纳米、914纳米、921纳米、974纳米、1021纳米、1023纳米、1072纳米、1089纳米、1384纳米、1388纳米、1507纳米、1612纳米、1623纳米、1694纳米、1696纳米、1856纳米、1867纳米、1879纳米、1881纳米、2014纳米和2242纳米的光谱。
5.一种棉花苗期叶片棉蚜早期为害的监测系统，其特征在于，包括：
获取模块，用于获取待监测棉花叶片的光谱反射率；
测试模块，用于将所述待监测棉花叶片的光谱反射率输入最优为害监测模型得到所述待监测棉花叶片的蚜害情况；所述蚜害情况为无蚜害或1级蚜害；所述最优为害监测模型是以L-BFGS为函数优化算法，以0.0001为初始学习率且以0.7为动量进行训练得到的；所述最优为害监测模型的隐藏层为(30，10，30)，所述最优为害监测模型的激活层函数为tanh。
6.根据权利要求5所述的棉花苗期叶片棉蚜早期为害的监测系统，其特征在于，所述测试模块包括：
获取单元，用于获取待训练棉花叶片的光谱，并将所述光谱按设定比例分为训练集和测试集；
筛选单元，用于分别采用随机森林算法和连续投影算法对所述训练集进行特征波段筛选，获得第一组特征波段光谱和第二组特征波段光谱；
第一组为害监测模型确定单元，用于以所述第一组特征波段光谱的光谱反射率为输入，以所述第一组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第一为害监测模型组；
第二为害检测模型确定单元，用于以所述第二组特征波段光谱的光谱反射率为输入，以所述第二组特征波段光谱对应的棉花叶片的蚜害情况为输出，分别采用Logistic方法、偏最小二乘法判别分析方法、支持向量机方法、BP神经网络和卷积神经网络建模方法构建第二为害监测模型组；
评价指标确定单元，用于将所述测试集分别输入所述第一为害监测模型组中的各个为害监测模型和所述第二为害监测模型组中的各个为害监测模型，得到各个所述为害监测模型的蚜害预测结果，根据所述蚜害预测结果和对应的蚜害实际结果计算各个所述为害监测模型的评价指标；所述评价指标包括准确率和精确率；
最优模型确定单元，用于将所述准确率和所述精确率均最高的评价指标对应的为害监测模型确定为最优为害监测模型。
7.根据权利要求6所述的棉花苗期叶片棉蚜早期为害的监测系统，其特征在于，所述第一组特征波段光谱包括：
波段为865纳米、912纳米、955纳米、977纳米、1249纳米、1265纳米、1644纳米、1645纳米、2244纳米和2273纳米的光谱。
8.根据权利要求6所述的棉花苗期叶片棉蚜早期为害的监测系统，其特征在于，所述第二组特征波段光谱包括：
波段为350纳米、394纳米、436纳米、437纳米、495纳米、496纳米、620纳米、694纳米、725纳米、750纳米、914纳米、921纳米、974纳米、1021纳米、1023纳米、1072纳米、1089纳米、1384纳米、1388纳米、1507纳米、1612纳米、1623纳米、1694纳米、1696纳米、1856纳米、1867纳米、1879纳米、1881纳米、2014纳米和2242纳米的光谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133420.7A CN112782103B (zh) | 2021-02-01 | 2021-02-01 | 棉花苗期叶片棉蚜早期为害的监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133420.7A CN112782103B (zh) | 2021-02-01 | 2021-02-01 | 棉花苗期叶片棉蚜早期为害的监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112782103A true CN112782103A (zh) | 2021-05-11 |
| CN112782103B CN112782103B (zh) | 2023-12-01 |
Family
ID=75760206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110133420.7A Active CN112782103B (zh) | 2021-02-01 | 2021-02-01 | 棉花苗期叶片棉蚜早期为害的监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112782103B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114694020A (zh) * | 2022-03-04 | 2022-07-01 | 新疆农业大学 | 一种棉花蚜虫遥感预报模型的构建方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3296031A1 (de) * | 2016-09-19 | 2018-03-21 | Red Bull GmbH | Verfahren und vorrichtung zur behandlung von objekten, mit überwachung der objekte |
| CN110658211A (zh) * | 2019-11-08 | 2020-01-07 | 河南农业大学 | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 |
| CN111062251A (zh) * | 2020-03-23 | 2020-04-24 | 乔红波 | 基于无人机成像的农田棉蚜为害等级模型的监测方法 |
-
2021
- 2021-02-01 CN CN202110133420.7A patent/CN112782103B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3296031A1 (de) * | 2016-09-19 | 2018-03-21 | Red Bull GmbH | Verfahren und vorrichtung zur behandlung von objekten, mit überwachung der objekte |
| CN110658211A (zh) * | 2019-11-08 | 2020-01-07 | 河南农业大学 | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 |
| CN111062251A (zh) * | 2020-03-23 | 2020-04-24 | 乔红波 | 基于无人机成像的农田棉蚜为害等级模型的监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 卢小燕: "棉花蚜虫单叶高光谱特征识别研究", 新疆农垦科技, vol. 33, no. 06, pages 32 - 35 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114694020A (zh) * | 2022-03-04 | 2022-07-01 | 新疆农业大学 | 一种棉花蚜虫遥感预报模型的构建方法 |
| CN114694020B (zh) * | 2022-03-04 | 2024-04-12 | 新疆农业大学 | 一种棉花蚜虫遥感预报模型的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112782103B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| Sharabian et al. | Significant wavelengths for prediction of winter wheat growth status and grain yield using multivariate analysis | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| CN113948220B (zh) | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 | |
| CN107271372A (zh) | 一种苹果叶片叶绿素遥感估测方法 | |
| CN110658211A (zh) | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 | |
| Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
| CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| CN114199800B (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
| CN112782103B (zh) | 棉花苗期叶片棉蚜早期为害的监测方法及系统 | |
| CN113065230B (zh) | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 | |
| Prasher et al. | Analysis of DenseNet201 with SGD optimizer for diagnosis of multiple rice leaf diseases | |
| CN114527082A (zh) | 甜玉米种子萌发预测方法及装置 | |
| CN106568722A (zh) | 一种基于光谱技术的设施黄瓜病害预警方法及装置 | |
| CN114460015A (zh) | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 | |
| US20230384231A1 (en) | Method and system for predicting severity of bacterial blight of rice based on multi-phenotypic parameters | |
| CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
| CN116030345A (zh) | 基于机器学习模型的叶龄预测方法 | |
| CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
| CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
| CN114694041A (zh) | 一种棉花药害与叶螨虫害的高光谱鉴别方法 | |
| CN114694020A (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
| CN111223002B (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
| Atanasov et al. | Tomato leaf color as predictor of soil moisture value using machine learning techniques |
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 |