CN113989639A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113989639A CN113989639A CN202111218586.5A CN202111218586A CN113989639A CN 113989639 A CN113989639 A CN 113989639A CN 202111218586 A CN202111218586 A CN 202111218586A CN 113989639 A CN113989639 A CN 113989639A
- Authority
- CN
- China
- Prior art keywords
- litchi
- fruit
- disease
- training
- data set
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 198
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000010191 image analysis Methods 0.000 title claims abstract description 25
- 241001629511 Litchi Species 0.000 title abstract 14
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 184
- 238000012549 training Methods 0.000 claims abstract description 131
- 230000011218 segmentation Effects 0.000 claims abstract description 78
- 230000003595 spectral effect Effects 0.000 claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 244000183278 Nephelium litchi Species 0.000 claims description 266
- 238000001228 spectrum Methods 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 244000000626 Daucus carota Species 0.000 claims description 18
- 235000002767 Daucus carota Nutrition 0.000 claims description 18
- 239000001963 growth medium Substances 0.000 claims description 18
- 239000000725 suspension Substances 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 16
- 238000004321 preservation Methods 0.000 claims description 15
- 230000003321 amplification Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 14
- 230000002745 absorbent Effects 0.000 claims description 12
- 239000002250 absorbent Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 208000015181 infectious disease Diseases 0.000 claims description 12
- 230000001580 bacterial effect Effects 0.000 claims description 11
- 229920001817 Agar Polymers 0.000 claims description 9
- 239000008272 agar Substances 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 9
- 239000008223 sterile water Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000002609 medium Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000012258 culturing Methods 0.000 claims description 4
- 230000003902 lesion Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 244000153158 Ammi visnaga Species 0.000 claims description 3
- 235000010585 Ammi visnaga Nutrition 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 239000008367 deionised water Substances 0.000 claims description 3
- 229910021641 deionized water Inorganic materials 0.000 claims description 3
- 239000012153 distilled water Substances 0.000 claims description 3
- 210000002615 epidermis Anatomy 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000005070 ripening Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 230000001954 sterilising effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000009736 wetting Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000003703 image analysis method Methods 0.000 claims 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 11
- 239000000523 sample Substances 0.000 description 10
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002835 absorbance Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000004475 Arginine Substances 0.000 description 1
- ODKSFYDXXFIFQN-BYPYZUCNSA-P L-argininium(2+) Chemical compound NC(=[NH2+])NCCC[C@H]([NH3+])C(O)=O ODKSFYDXXFIFQN-BYPYZUCNSA-P 0.000 description 1
- QIVBCDIJIAJPQS-VIFPVBQESA-N L-tryptophane Chemical compound C1=CC=C2C(C[C@H](N)C(O)=O)=CNC2=C1 QIVBCDIJIAJPQS-VIFPVBQESA-N 0.000 description 1
- OVBPIULPVIDEAO-UHFFFAOYSA-N N-Pteroyl-L-glutaminsaeure Natural products C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)NC(CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-UHFFFAOYSA-N 0.000 description 1
- QIVBCDIJIAJPQS-UHFFFAOYSA-N Tryptophan Natural products C1=CC=C2C(CC(N)C(O)=O)=CNC2=C1 QIVBCDIJIAJPQS-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- ODKSFYDXXFIFQN-UHFFFAOYSA-N arginine Natural products OC(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-N 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 210000004271 bone marrow stromal cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229960000304 folic acid Drugs 0.000 description 1
- 235000019152 folic acid Nutrition 0.000 description 1
- 239000011724 folic acid Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种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，包括下述步骤：收集自然条件下的荔枝果实图像，组成果实源数据集；将果实训练数据集导入U‑Net语义分割网络模型中进行训练，得到荔枝果实分割识别模型；获取荔枝病害源数据集，并对所述果实源数据集进行预处理并根据病情指数DI进行分级，得到荔枝病害训练数据集；将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型；将待测高光谱图像的可见光数据导入荔枝果实分割识别模型，得到分割识别结果；将所述分割识别结果导入荔枝病害检测模型，得到荔枝病害识别结果。本发明提高了荔枝病害检测的效率和精度，有助于及时掌握荔枝果实的荔枝病害状态。
Description
技术领域
本发明属于图像识别和果实荔枝病害防治的技术领域，具体涉及一种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。
背景技术
荔枝(Litchi chinensis Sonn)为我国南亚热带地区第一大水果，其味道鲜美，营养价值高，富含叶酸、精氨酸、色氨酸等各种营养素，同时具有较高的经济价值，是岭南地区重要经济作物。
荔枝的主要种植产区气候潮湿，使得荔枝极易受到荔枝病害的侵染，对荔枝生产有巨大影响。荔枝病害病主要为害即将成熟或已成熟的果实，导致烂果落果，大量减产，经济效益大幅下降。荔枝病害在潮湿及温度较高环境下更易生长，长时间的雨天让荔枝病害发生几率大大提升，不利于荔枝生长。目前，对荔枝病害的识别主要是依靠相关农学专家的经验知识进行判断，或者采样后进行实验室检测，前者具有较强的主观性，而后者是破坏性取样，且时间成本较高，降低了荔枝病害识别的实际意义。因此，实现荔枝病害无损快速准确识别，对于荔枝病害精准防控具有重要意义，可以有效减少荔枝产量损失。
在传统基于图像的作物荔枝病害研究中，主要依靠深度学习模型对大量图片数据集的训练使得计算机学会自动识别荔枝病害。目前荔枝没有标准的图像数据库，且其主要种植区位于南方丘陵山地，受采样条件的限制，存在成像质量不高，噪声干扰严重，样本光照不均，叶片遮挡等现象，因此采用传统的图像识别方法难以取得理想的效果。而得益于光谱信号的敏感性，基于高光谱图像分析处理方法的荔枝病害自动识别可以达到更理想的识别效果。
发明内容
为克服荔枝果园实际生产中遇到的难以及时发现荔枝病害疫情的难题，本发明提出一种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，训练数据集采用自然条件下采集和实验室条件下采集相结合，利用高光谱图像处理技术采集与处理相关高光谱图像信息，基于语义分割模型通过高光谱图像中的可见光数据识别出荔枝果实所在位置，在此基础上基于小波变换、频域图等方法构成的光谱数据分析模型通过高光谱图像中的光谱数据识别出荔枝果实是否感染荔枝病害并判断荔枝病害严重程度。
为了达到上述目的，本发明采用以下技术方案:
本发明一方面提供了一种基于高光谱图像分析处理方法的荔枝病害自动识别方法，包括下述步骤：
收集自然条件下的荔枝果实图像，组成果实源数据集，并对其进行数据扩增和预处理得到果实训练数据集；
将果实训练数据集导入U-Net语义分割网络模型中进行训练，得到荔枝果实分割识别模型；
采集实验室条件下不同严重程度的荔枝病害光谱数据，组成荔枝病害源数据集，并对所述果实源数据集进行预处理并根据病情指数DI进行分级，得到荔枝病害训练数据集；
将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型；所述光谱数据分析模型包括特征波段提取、频域图创建和分类的步骤；
所述特征波段提取，使用连续投影算法实现，该算法利用向量的投影分析，通过将波长投影到其他波长上，比较投影的大小，以投影向量最大的波长作为待选波长然后基于校正模型选择最终的特征波长；
所述频域图创建和分类，先使用连续小波变换CWT将光谱数据转换为对应频域图，再使用GoogLeNet深度学习网络模型对频域图进行分类；
将待测高光谱图像的可见光数据导入荔枝果实分割识别模型，得到分割识别结果；
将所述分割识别结果导入荔枝病害检测模型，再调取分割识别结果区域对应的光谱数据，得到荔枝病害识别结果。
作为优选的技术方案，所述收集自然条件下的荔枝果实图像，组成果实源数据集，并对其进行数据扩增和预处理得到果实训练数据集，具体为：
获取自然条件下不同成熟阶段的荔枝果实以及部分感染荔枝病害的荔枝果实的图像，得到果实源数据集；所述果实源数据集包括感染荔枝病害的荔枝果实图像、健康成熟荔枝果实图像以及健康未成熟荔枝果实图像；
对果实源数据集进行标注，标注时将整串荔枝果实作为目标，沿着整串果实的边缘进行标注；
对标注后的图像进行数据扩增，包括：随机的平移变换、翻转变换、旋转变换、裁剪变换和亮度变换；
对果实源数据集进行预处理，包括图像归一化和色彩空间变换。
作为优选的技术方案，所述将果实训练数据集导入U-Net语义分割网络模型中进行训练，得到荔枝果实分割识别模型，具体为：
随机地选择果实训练数据集中90％的图像作为荔枝果实训练集用于训练，10％的图像作为荔枝果实验证集用于验证；
将果实训练数据集导入U-Net语义分割网络模型进行训练，其学习率衰减策略采用多项式衰减策略Poly，其表达式为：
其中lrcur为最终学习率，lrbase为初始学习率，itercur为当前迭代次数，itertotal为总的迭代次数，多项式衰减策略会使学习率随着迭代次数上升而逐渐下降，使得模型在训练过程中获得最优解；
设定最大迭代次数，当达到预设的最大迭代次数或者在荔枝病害验证集上错误率不再下降时终止训练，获得荔枝果实分割识别模型。
作为优选的技术方案，所述U-Net语义分割网络模型在编码过程中逐步降低特征图的分辨率，在解码过程中逐步恢复特征图分辨率，
输入图像在U-Net的编码网络中经历了4次2×2最大池化下采样，得到尺寸为28×28的特征图，在解码过程中，分辨率为28×28的高级特征图经过四次2×2上卷积层后，其分辨率被恢复至388×388，U-Net的解码过程中对编码过程中各阶段的特征图进行融合，先将编码器特征和解码器特征拼接在一起，然后利用3×3的卷积层进行特征融合。
作为优选的技术方案，所述采集实验室条件下不同严重程度的荔枝病害光谱数据，具体为：
制作胡萝卜培养基CA：将新鲜的200g胡萝卜去皮切成小片，加去离子水后用榨汁机绞碎，四层纱布过滤后定容到1000ml，加入20g琼脂粉，最后分装灭菌；
用新鲜的胡萝卜琼脂培养基对荔枝病害菌株进行活化：将在试管保存的供试菌株移植到胡萝卜琼脂培养基平板上，置于25℃温室中活化培养；待生长出新的菌落后，用灭菌后的牙签在菌落边缘切取菌丝块转移到新的胡萝卜培养基平板上培养，获得生命力较强的新鲜菌落；
取已在温室中培养4天的活化后的新鲜菌株，向菌落中加入5ml的无菌水，轻轻震荡，使成熟的孢子囊脱落到水中，获得成熟的孢子囊悬浮液；吸取500μl的孢子囊悬浮液于新的胡萝卜培养基平板中，用消毒后的涂布棒均匀涂开，置于25℃培养室中培养3天，获得了生长一致的孢子囊；向长满孢子囊的培养基平板中加入5ml灭菌蒸馏水，获得新鲜的成熟的生长一致的孢子囊悬浮液，用血球计数板计算并调整孢子囊悬浮液的浓度至1×104个/ml；
挑取大小适中健康的待试的荔枝果实40枚，并用吸水纸擦干荔枝果实表面的污渍，保证果实表面无水分；取规格为17cm×11.5cm×6cm的保鲜盒若干，在每个保鲜盒底部垫5层吸水纸，然后用无菌水浸湿吸水纸并倒置，待其没有水分流出，将荔枝横放入处理过的保鲜盒内；用移液器取20μl制备好的孢子囊悬浮液，点滴接种到荔枝果实中心的表皮上，每个保鲜盒10个果实作为一组，三个重复，对照组点滴20μl的无菌水；接种后的果实置于25℃培养箱中保湿培养。
作为优选的技术方案，对所述果实源数据集进行预处理，具体为：
对所述荔枝病害源数据集进行预处理，处理方法包括卷积平滑降噪方法和多元散射校正；
所述根据病情指数DI进行分级，方法如下：
病情指数的表达式为：
其中Ss表示荔枝病害病斑区域面积，Sh表示荔枝果实面积；
所述判断荔枝病害严重程度是指根据所述病情指数DI的值进行划分，包括4级感染程度，其中DI＝0为0级健康，0<DI≤0.2为1级轻度感染，0.2<DI≤0.6为2级中度感染，0.6<DI为3级严重感染。
作为优选的技术方案，所述将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型，具体为：
随机地选择荔枝病害训练数据集中90％的图像作为荔枝病害训练数据集用于训练，10％的图像作为荔枝病害验证数据集用于验证；
将荔枝病害训练数据集导入光谱数据分析模型进行训练，其中光谱数据分析模型具体包括以下步骤：
(1)使用连续投影算法SPA进行特征波段提取，连续投影算法是前向特征变量选择方法，SPA利用向量的投影分析，通过将波长投影到其他波长上，比较投影的大小，以投影向量最大的波长作为待选波长然后基于校正模型选择最终的特征波长，SPA选择的是含有最少冗余信息及最小共线性的变量组合，SPA算法步骤如下：
记初始迭代向量为xk(0)，需要提取的变量个数为N，光谱矩阵为J列，任选光谱矩阵中的1列记为第j列，把建模集的第j列赋值给xj，记为xk(0)；
将未入选的列向量位置的集合记为s，
分别计算xj对剩余列向量的投影：
提取最大投影向量的光谱波长，
令
当n≤N时，令n＝n+1循环计算；
最后，提取出的变量为{xk(n)＝0,...,N-1}，对应的每一次循环中的k(0)和N，分别建立多元线性回归分析模型，得到建模交互验证均方根误差，对应于不同的候选特征子集，其中最小的RMSECV值对应的k(0)和N即为最优值；
(2)通过连续小波变换创建光谱数据对应的频域表示图，具体为：
设函数Ψ(x)∈L1(R)∩L2(R)，并且
即
则称Ψ(t)为一个基本小波，对基本小波Ψ(t)作伸缩和平移得：
称Ψa,b(t)为小波函数，其中，a为尺度因子，b为平移因子；
设Ψ(t)是基本小波，Ψa,b(t)是连续小波函数，对于f(x)∈L2(R)，其连续小波变换定义为
其中，a(≠0),b,t均为连续变量，Ψ*(t)表示Ψ(t)的复共轭；
(3)将连续小波变换创建的频域图作为网络模型的输入，通过有监督学习，使得网络模型具备定性分类的能力，以实现荔枝病害的定性分类识别。
作为优选的技术方案，所述将待检测图像导入果实分割识别模型，得到分割识别结果，具体为：
将待检测的图像在导入果实分割识别模型之前，使用图像调整算法将待检测的图像调整至统一像素，调整时不对图像比例进行拉伸而是采取边缘填充的方式；
荔枝果实分割识别模型在识别到荔枝果实的区域时，用特定颜色阴影覆盖标记相应区域，并保存记录标记信息，得到检测结果。
本发明另一方面提供了一种基于高光谱图像分析处理方法的荔枝病害自动识别系统，应用于所述的基于高光谱图像分析处理方法的荔枝病害自动识别方法，包括果实训练集获得模块、果实分割识别模型训练模块、荔枝病害训练集获得模块、荔枝病害检测模型训练模块、果实分割识别模块和荔枝病害检测模块；
所述果实训练集获得模块，用于收集自然条件下的荔枝果实图像，组成果实源数据集，并对其进行数据扩增和预处理得到果实训练数据集；
所述果实分割识别模型训练模块，用于将果实训练数据集导入U-Net语义分割网络模型中进行训练，得到荔枝果实分割识别模型；
所述荔枝病害训练集获得模块，用于采集实验室条件下不同严重程度的荔枝病害光谱数据，组成荔枝病害源数据集，并对所述果实源数据集进行预处理并根据病情指数DI进行分级，得到荔枝病害训练数据集；
所述荔枝病害检测模型训练模块，将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型；所述光谱数据分析模型包括特征波段提取、频域图创建和分类的步骤；
所述特征波段提取，使用连续投影算法实现，该算法利用向量的投影分析，通过将波长投影到其他波长上，比较投影的大小，以投影向量最大的波长作为待选波长然后基于校正模型选择最终的特征波长；
所述频域图创建和分类，先使用连续小波变换CWT将光谱数据转换为对应频域图，再使用GoogLeNet深度学习网络模型对频域图进行分类；
所述果实分割识别模块，用于将待测高光谱图像的可见光数据导入荔枝果实分割识别模型，得到分割识别结果；
所述荔枝病害检测模块，用于将所述分割识别结果导入荔枝病害检测模型，再调取分割识别结果区域对应的光谱数据，得到荔枝病害识别结果。
本发明又一方面提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现所述的基于高光谱图像分析处理方法的荔枝病害自动识别方法。
本发明与现有技术相比，具有如下优点和有益效果：
与现有技术相比，本发明提供的一种基于高光谱图像的荔枝病害自动识别方法，先通过可见光数据识别定位荔枝果实所在区域位置，再通过光谱数据判别荔枝是否感染荔枝病害并判断严重程度，提高了荔枝病害检测的效率和精度，有助于及时掌握荔枝果实的荔枝病害状态，方便人员精准防控，降低了荔枝果实患荔枝病害的概率，提高了荔枝果实的质量和产量；另外本发明提供的光谱数据分析模型，通过将预处理后的光谱数据转换成频域图，结合深度学习的方法，提高了荔枝病害光谱数据分析处理的准确性；本发明提供的特征波段提取方法可以优选针对荔枝病害检测最有效的波段，减少光谱波段的使用，降低成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，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为本发明实施例基于高光谱图像分析处理方法的荔枝病害自动识别方法的流程图；
图2是本发明实施例光谱数据分析模型进行训练的流程图；
图3是本发明实施例U-Net网络结构示意图；
图4是本发明实施例连续小波变换(CWT)创建频域图效果示意图；
图5为本发明实施例基于高光谱图像分析处理方法的荔枝病害自动识别系统的方框图；
图6为本发明实施例的存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
如图1所示，本实施例提供的一种基于高光谱图像分析处理方法的荔枝病害自动识别方法，包括下述步骤：
S1、收集自然条件下的荔枝果实图像，组成果实源数据集，并对其进行数据扩增和预处理得到果实训练数据集，具体包括：
S101、在果园中寻找自然条件下不同成熟阶段的荔枝果实以及部分感染荔枝病害的荔枝果实的图像，其中感染荔枝病害的荔枝果实图像占15％，健康成熟荔枝果实图像占65％，健康未成熟荔枝果实占20％，图像采集工作由具备图像采集经验的技术人员使用单反数码相机或技术性能类似的图像拍摄设备进行图像拍摄，图像为RGB模式，原始图像像素大小达到4000×2000以上，得到果实源数据集；
S102、对果实源数据集进行标注，使用labelme程序，标注时将整串荔枝果实作为目标，沿着整串果实的边缘进行标注；标注时，对某些荔枝果实是否能标注，在图像拍摄角度、光照、清晰度等条件下，农学专家能否通过肉眼观察判别为荔枝果实为标准，若能判别，则进行标注；若不能判别，则放弃标注；标注时，若出现树叶等其他物体遮挡，则绕开遮挡物体进行标注；
S103、为增加训练样本数量，以增强检测器的准确性、鲁棒性，对标注后的图像进行数据扩增，包括：随机的平移变换(变换范围为±5像素)、翻转变换(水平和垂直翻转)、旋转变换(变换角度包括60°、120°、180°、240°、300°)、裁剪变换(变换范围1～5像素)和亮度变换(变换范围±15％)；
S104、对果实源数据集进行预处理，预处理包括图像归一化和色彩空间变换。
S2、将果实训练数据集导入U-Net语义分割网络模型中进行训练，得到荔枝果实分割识别模型，训练方法具体为：
S201、随机地选择果实训练数据集中90％的图像作为荔枝果实训练集用于训练，10％的图像作为荔枝果实验证集用于验证；
S202、将果实训练数据集导入U-Net语义分割网络模型进行训练，其学习率衰减策略采用多项式衰减策略Poly，其表达式为：
其中lrcur为最终学习率，lrbase为初始学习率，itercur为当前迭代次数，itertotal为总的迭代次数，多项式衰减策略会使学习率随着迭代次数上升而逐渐下降，使得模型在训练过程的后期更接近最优解；
S203、设定最大迭代次数，当达到预设的最大迭代次数或者在荔枝病害验证集上错误率不再下降时终止训练，获得荔枝病害病斑分割模型。
进一步的，U-Net是一种经典的编码器-解码器网络，它的网络结构如图3所示，U-Net在编码过程中逐步降低特征图的分辨率，在解码过程中逐步恢复特征图分辨率，它的网络结构就像一个“U”型，因此被命名为“U-Net”。以分辨率为572×572的输入图像为例，输入图像在U-Net的编码网络中经历了4次2×2最大池化下采样，得到尺寸为28×28的特征图。在解码过程中，分辨率为28×28的高级特征图经过四次2×2上卷积层后，其分辨率被恢复至388×388。U-Net的解码过程中对编码过程中各阶段的特征图进行融合，先将编码器特征和解码器特征拼接在一起，然后利用3×3的卷积层进行特征融合。相比于逐元素相加的融合方式，利用拼接和卷积层的融合方式以更多的计算资源和计算时间为代价换取了融合过程中的灵活性。此外，U-Net还使用了需要耗费更多的计算资源的上卷积即转置卷积(Transposed Convolution)作为解码器的上采样方法。U-Net中这种多阶段特征融合方式有效提升了网络对各层次抽象特征的提取能力。
S3、采集实验室条件下不同严重程度的荔枝病害光谱数据，组成荔枝病害源数据集，并对所述果实源数据集进行预处理并根据病情指数DI进行分级，得到荔枝病害训练数据集，包括：
S301、本实施例中，需要在实验室下自行培养感染荔枝病害的荔枝果实，方法如下：
(1)、制作胡萝卜培养基(CA)：将新鲜的200g胡萝卜去皮切成小片，加去离子水后用榨汁机绞碎，四层纱布过滤后定容到1000ml，加入20g琼脂粉，最后分装灭菌；
(2)、用新鲜的胡萝卜琼脂培养基对荔枝病害菌株15GDCHr1进行活化：将在试管保存的供试菌株移植到胡萝卜琼脂培养基平板上，置于25℃温室中活化培养；待生长出新的菌落后，用灭菌后的牙签在菌落边缘切取菌丝块转移到新的胡萝卜培养基平板上培养，获得生命力较强的新鲜菌落；
(3)、取已在温室中培养4天的活化后的新鲜菌株，向菌落中加入5ml的无菌水，轻轻震荡，使成熟的孢子囊脱落到水中，获得成熟的孢子囊悬浮液；吸取500μl的孢子囊悬浮液于新的胡萝卜培养基平板中，用消毒后的涂布棒均匀涂开，置于25℃培养室中培养3天，获得了生长一致的孢子囊；向长满孢子囊的培养基平板中加入5ml灭菌蒸馏水，获得新鲜的成熟的生长一致的孢子囊悬浮液，用血球计数板计算并调整孢子囊悬浮液的浓度至1×104个/ml；
(4)、挑取大小适中健康的待试的荔枝果实40枚，并用吸水纸擦干荔枝果实表面的污渍，保证果实表面无水分；取规格为17cm×11.5cm×6cm的保鲜盒若干，在每个保鲜盒底部垫5层吸水纸，然后用无菌水浸湿吸水纸并倒置，待其没有水分流出，将荔枝横放入处理过的保鲜盒内；用移液器取20μl制备好的孢子囊悬浮液，点滴接种到荔枝果实中心的表皮上，每个保鲜盒10个果实作为一组，三个重复，对照组点滴20μl的无菌水；接种后的果实置于25℃培养箱中保湿培养。
进一步的，在培养感染荔枝病害的荔枝果实的过程中进行光谱数据采集，光谱数据采集由具备光谱仪器操作经验的技术人员完成，采集设备使用ASD FieldSpec 3便携式地物光谱仪(analytical spectral devices inc.,boulder,colorado,USA.)，采集波段范围350-2500nm(全波段)，光谱采样间隔为1.377nm，在700nm处的光谱分辨率为3nm，测量过程中配备25°视角的光纤探头，在待测荔枝样本垂直上方2cm处进行测量，保证光线探头视野中没有其他杂物，每个样本每次采集3条光谱曲线，得到荔枝病害源数据集。
S302、对荔枝病害源数据集进行预处理，具体方法如下：
(1)Savitzky-Golay(SG)卷积平滑法是一种应用广泛的光谱去噪方法，相比移动窗口平均法等传统方法更强调中心点的中心作用。其原理是预先设定一个平滑窗口，使用加权平均法通过多项式对移动窗口内的数据进行多项式最小二乘拟合，然后采用卷积计算方法，将窗口依次后移来完成所有数据的平滑处理。具体计算方法为：
其中，平滑窗口宽度为2m+1，A为归一化常数，xi′为光谱数据xi平滑后的数据，wj为相应的权重系数，在窗口的宽度确定后，wj就确定了。每个测量值乘以权重系数wj的目的是尽可能减小平滑对有用信息的影响，wj可基于最小二乘原理，用多项式拟合求得。
平滑窗口宽度不同，平滑的效果不同，窗口宽度越大，平滑效果越显著，但丢失有用信息的可能性也越大。在实际应用中，窗口宽度选择有一定的经验性，与待分析样品的光谱特性有关。
(2)多元散射校正(multiplicative scatter corection,MSC)是目前常用的散射光数学校正方法，其目的是消除颗粒分布不均匀及颗粒大小产生的散射影响。MSC由Geladi等提出，其假定与波长有关的散射对光谱的贡献和对成分的贡献是不同的，并认为每条光谱都应与“理想”光谱呈线性关系。因此，每个样本在任意波长点下的反射吸光度值与其平均光谱的吸光度值呈近似线性关系。这种线性关系的直线截距大小可以反映样品反射效果，斜率大小则可以反映样品的均匀性。这两个参数可由光谱集线性回归获得，并用以校正每条光谱。
MSC“理想”光谱可以由训练集的平均光谱来近似获得，具体计算方法如下：
对由n个样本组成的一组训练集样品光谱xi,i＝1,2,…,n，计算训练集样品的平均光谱
为：
将xi与
进行线性回归，设ai为线性回归的斜率，βi为截距，则：
MSC校正后的光谱数据xi′为：
使用MSC处理训练集外的光谱数据时，先使用训练集样品的平均光谱
进行线性回归，计算斜率和截距后，再进行MSC变换。
MSC的前提是假设每条光谱都与“理想”光谱呈线性关系。然而，在多数的实际情况中，引起光散射的背景十分复杂，全波段内各波长处散射差异较大，对于谱段较宽的情形，线性化的假设难以成立，效果往往较差。而在一定宽度内的局部波段，各个波长之间的散射差异较小，它们的吸光度实测值相对于参考值偏离程度近似。因此，为了消除非线性散射的影响，出现了分段多元散射校正(piecewise multiplicative scatter corection,PMSC)。该方法假设在校正窗口宽度为j＝w1+1+w2)的波长范围内，xi与平均光谱
存在线性关系。具体计算方法如下。
对每一校正窗口进行一元线性回归，通过最小二乘法分别计算每段窗口的斜率aik和截距βik，即
其中，
为窗口宽度为(w1+1+w2)波长段的平均光谱。
PMSC校正后的光谱数据为
在PMSC处理中，矫正窗口宽度是一个重要参数。若设置窗口的宽度过大，则区间的线性关系将不存在；若设置窗口的宽度过小，则会减弱不同样品间的光谱差异，削弱了模型预测能力。
S303、对荔枝病害源数据集根据病情指数DI进行分级，方法如下：
病情指数的表达式为：
其中Ss表示荔枝病害病斑区域面积，Sh表示荔枝果实面积；
所述判断荔枝病害严重程度是指根据所述病情指数DI的值进行划分，包括4级感染程度，其中DI＝0为0级健康，0<DI≤0.2为1级轻度感染，0.2<DI≤0.6为2级中度感染，0.6<DI为3级严重感染。
S4、将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型，具体为：
S401、随机地选择荔枝病害训练数据集中90％的图像作为荔枝病害训练数据集用于训练，10％的图像作为荔枝病害验证数据集用于验证；
S402、将荔枝病害训练数据集导入光谱数据分析模型进行训练，如图2所示，其中光谱数据分析模型进行训练具体包括以下步骤：
(1)使用连续投影算法(SPA)进行特征波段提取，连续投影算法(successiveprojections algorithm，SPA)是前向特征变量选择方法，SPA利用向量的投影分析，通过将波长投影到其他波长上，比较投影的大小，以投影向量最大的波长作为待选波长然后基于校正模型选择最终的特征波长。SPA选择的是含有最少冗余信息及最小共线性的变量组合；该算法主要步骤如下：
记初始迭代向量为xk(0)，需要提取的变量个数为N，光谱矩阵为J列。任选光谱矩阵中的1列记为第j列，把建模集的第j列赋值给xj，记为xk(0)。
将未入选的列向量位置的集合记为s，
分别计算xj对剩余列向量的投影：
提取最大投影向量的光谱波长，
令
当n≤N时，令n＝n+1循环计算。
最后，提取出的变量为{xk(n)＝0,...,N-1}，对应的每一次循环中的k(0)和N，分别建立多元线性回归分析(MLR)模型，得到建模交互验证均方根误差(RMSECV)，对应于不同的候选特征子集，其中最小的RMSECV值对应的k(0)和N即为最优值。
(2)通过连续小波变换(CWT)创建光谱数据对应的频域表示图，效果图如图4所示。
小波分析是局部化时频分析，用时域和频域的联合表示信号的特征，可以从信号中提取许多有用的信息。
设函数Ψ(x)∈L1(R)∩L2(R)，并且
即
则称Ψ(t)为一个基本小波。对基本小波Ψ(t)作伸缩和平移得
称Ψa,b(t)为小波函数，其中，a为尺度因子，b为平移因子。
设Ψ(t)是基本小波，Ψa,b(t)是连续小波函数。对于f(x)∈L2(R)，其连续小波变换定义为
其中，a(≠0),b,t均为连续变量，Ψ*(t)表示Ψ(t)的复共轭。
(3)将连续小波变换创建的频域图作为网络模型的输入，通过有监督学习，使得网络模型具备定性分类的能力，以实现荔枝病害的定性分类识别。
GoogLeNet网络由Christian Szegedy提出，该网络很好地解决了一般网络通过增加网络深度来提升网络性能而带来的参数增加、梯度消失等问题。GoogLeNet网络是一个设计精良的22层卷积网络，并提出了具有良好局部特征结构的Inception模块，即对特征并行地执行多个大小不同的卷积运算和池化，最后再拼接到一起。由于1×1、3×3和5×5的卷积运算对应不同的特征图区域，因此Inception模块可以获得更好的图像表征信息。
Inception模块使用了三个大小不一样的卷积核进行卷积运算，同时还有一个最大值池化，然后将这4部分进行通道拼接，送入下一层。
在上述模块的基础上，为进一步降低网络参数两，Inception模块又增加了多个1×1的卷积模块，这种1×1的模块可以先将特征图降维，再送给3×3和5×5大小的卷积核，由于通道数的降低，参数量也有了较大的减少。
GoogLeNet网络一共有9个Inception模块堆叠，共有22层，在最后的Inception模块处使用了全局平均池化。为避免深层网络训练时带来的梯度消失问题，引入两个辅助的分类器，在第3个和第6个Inception模块输出后执行Softmax函数并计算损失。
S5、将待检测图像导入果实分割识别模型，得到分割识别结果，具体为：
S501、待检测的图像在导入果实分割识别模型之前，使用图像调整算法将待检测的图像调整至统一像素，调整时不对图像比例进行拉伸而是采取边缘填充的方式；
S502、荔枝果实分割识别模型在识别到荔枝果实的区域时，用特定颜色阴影覆盖标记相应区域，并保存记录标记信息，得到检测结果。
S6、将检测结果导入荔枝病害检测模型，再调取分割识别结果区域对应的光谱数据，得到荔枝病害识别结果；
如图5所示，在另一个实施例中，提供了一种基于高光谱图像分析处理方法的荔枝病害自动识别系统，应用于所述基于高光谱图像分析处理方法的荔枝病害自动识别方法，包括果实训练集获得模块、果实分割识别模型训练模块、荔枝病害训练集获得模块、荔枝病害检测模型训练模块、果实分割识别模块和荔枝病害检测模块；
所述果实训练集获得模块，用于收集自然条件下的荔枝果实图像，组成果实源数据集，并对其进行数据扩增和预处理得到果实训练数据集；
所述果实分割识别模型训练模块，用于将果实训练数据集导入U-Net语义分割网络模型中进行训练，得到荔枝果实分割识别模型；
所述荔枝病害训练集获得模块，用于采集实验室条件下不同严重程度的荔枝病害光谱数据，组成荔枝病害源数据集，并对所述果实源数据集进行预处理并根据病情指数DI进行分级，得到荔枝病害训练数据集；
所述荔枝病害检测模型训练模块，将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型；所述光谱数据分析模型包括特征波段提取、频域图创建和分类的步骤；
所述特征波段提取，使用连续投影算法实现，该算法利用向量的投影分析，通过将波长投影到其他波长上，比较投影的大小，以投影向量最大的波长作为待选波长然后基于校正模型选择最终的特征波长；
所述频域图创建和分类，先使用连续小波变换CWT将光谱数据转换为对应频域图，再使用GoogLeNet深度学习网络模型对频域图进行分类；
所述果实分割识别模块，用于将待测高光谱图像的可见光数据导入荔枝果实分割识别模型，得到分割识别结果；
所述荔枝病害检测模块，用于将所述分割识别结果导入荔枝病害检测模型，再调取分割识别结果区域对应的光谱数据，得到荔枝病害识别结果。
进一步的，上述基于高光谱图像分析处理方法的荔枝病害自动识别系统还包括信息显示模块，所述信息显示模块，用于将所述荔枝病害检测模块得到的荔枝病害的检测结果并判断荔枝病害严重程度输出于显示设备。
在此需要说明的是，上述实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，该系统是应用于上述实施例的基于基于高光谱图像分析处理方法的荔枝病害自动识别方法。
如图6所示，在本申请的另一个实施例中，还提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现基于高光谱图像分析处理方法的荔枝病害自动识别方法，具体为：
收集自然条件下的荔枝果实图像，组成果实源数据集，并对果实源数据集进行数据扩增和预处理，得到果实训练数据集；
将果实训练数据集导入U-Net语义分割网络模型进行训练，得到果实分割识别模型；
采集实验室条件下不同严重程度的荔枝病害的光谱数据，组成荔枝病害源数据集，并对果实源数据集进行预处理并根据病情指数DI进行分级，得到荔枝病害训练数据集；
将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型；
将待检测图像导入果实分割识别模型，得到分割识别结果；
将识别结果导入荔枝病害检测模型训练模块得到的荔枝病害检测模型，得到荔枝病害的检测结果并判断荔枝病害严重程度；
将荔枝病害检测结果及荔枝病害严重程度结果输出于显示设备。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.基于高光谱图像分析处理方法的荔枝病害自动识别方法，其特征在于，包括下述步骤：
收集自然条件下的荔枝果实图像，组成果实源数据集，并对其进行数据扩增和预处理得到果实训练数据集；
将果实训练数据集导入U-Net语义分割网络模型中进行训练，得到荔枝果实分割识别模型；
采集实验室条件下不同严重程度的荔枝病害光谱数据，组成荔枝病害源数据集，并对所述果实源数据集进行预处理并根据病情指数DI进行分级，得到荔枝病害训练数据集；
将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型；所述光谱数据分析模型包括特征波段提取、频域图创建和分类的步骤；
所述特征波段提取，使用连续投影算法实现，该算法利用向量的投影分析，通过将波长投影到其他波长上，比较投影的大小，以投影向量最大的波长作为待选波长然后基于校正模型选择最终的特征波长；
所述频域图创建和分类，先使用连续小波变换CWT将光谱数据转换为对应频域图，再使用GoogLeNet深度学习网络模型对频域图进行分类；
将待测高光谱图像的可见光数据导入荔枝果实分割识别模型，得到分割识别结果；
将所述分割识别结果导入荔枝病害检测模型，再调取分割识别结果区域对应的光谱数据，得到荔枝病害识别结果。
2.根据权利要求1所述基于高光谱图像分析处理方法的荔枝病害自动识别方法，其特征在于，所述收集自然条件下的荔枝果实图像，组成果实源数据集，并对其进行数据扩增和预处理得到果实训练数据集，具体为：
获取自然条件下不同成熟阶段的荔枝果实以及部分感染荔枝病害的荔枝果实的图像，得到果实源数据集；所述果实源数据集包括感染荔枝病害的荔枝果实图像、健康成熟荔枝果实图像以及健康未成熟荔枝果实图像；
对果实源数据集进行标注，标注时将整串荔枝果实作为目标，沿着整串果实的边缘进行标注；
对标注后的图像进行数据扩增，包括：随机的平移变换、翻转变换、旋转变换、裁剪变换和亮度变换；
对果实源数据集进行预处理，包括图像归一化和色彩空间变换。
3.根据权利要求1所述基于高光谱图像分析处理方法的荔枝病害自动识别方法，其特征在于，所述将果实训练数据集导入U-Net语义分割网络模型中进行训练，得到荔枝果实分割识别模型，具体为：
随机地选择果实训练数据集中90％的图像作为荔枝果实训练集用于训练，10％的图像作为荔枝果实验证集用于验证；
将果实训练数据集导入U-Net语义分割网络模型进行训练，其学习率衰减策略采用多项式衰减策略Poly，其表达式为：
其中lrcur为最终学习率，lrbase为初始学习率，itercur为当前迭代次数，itertotal为总的迭代次数，多项式衰减策略会使学习率随着迭代次数上升而逐渐下降，使得模型在训练过程中获得最优解；
设定最大迭代次数，当达到预设的最大迭代次数或者在荔枝病害验证集上错误率不再下降时终止训练，获得荔枝果实分割识别模型。
4.根据权利要求1所述基于高光谱图像分析处理方法的荔枝病害自动识别方法，其特征在于，所述U-Net语义分割网络模型在编码过程中逐步降低特征图的分辨率，在解码过程中逐步恢复特征图分辨率，
输入图像在U-Net的编码网络中经历了4次2×2最大池化下采样，得到尺寸为28×28的特征图，在解码过程中，分辨率为28×28的高级特征图经过四次2×2上卷积层后，其分辨率被恢复至388×388，U-Net的解码过程中对编码过程中各阶段的特征图进行融合，先将编码器特征和解码器特征拼接在一起，然后利用3×3的卷积层进行特征融合。
5.根据权利要求1所述基于高光谱图像分析处理方法的荔枝病害自动识别方法，其特征在于，所述采集实验室条件下不同严重程度的荔枝病害光谱数据，具体为：
制作胡萝卜培养基CA：将新鲜的200g胡萝卜去皮切成小片，加去离子水后用榨汁机绞碎，四层纱布过滤后定容到1000ml，加入20g琼脂粉，最后分装灭菌；
用新鲜的胡萝卜琼脂培养基对荔枝病害菌株进行活化：将在试管保存的供试菌株移植到胡萝卜琼脂培养基平板上，置于25℃温室中活化培养；待生长出新的菌落后，用灭菌后的牙签在菌落边缘切取菌丝块转移到新的胡萝卜培养基平板上培养，获得生命力较强的新鲜菌落；
取已在温室中培养4天的活化后的新鲜菌株，向菌落中加入5ml的无菌水，轻轻震荡，使成熟的孢子囊脱落到水中，获得成熟的孢子囊悬浮液；吸取500μl的孢子囊悬浮液于新的胡萝卜培养基平板中，用消毒后的涂布棒均匀涂开，置于25℃培养室中培养3天，获得了生长一致的孢子囊；向长满孢子囊的培养基平板中加入5ml灭菌蒸馏水，获得新鲜的成熟的生长一致的孢子囊悬浮液，用血球计数板计算并调整孢子囊悬浮液的浓度至1×104个/ml；
挑取大小适中健康的待试的荔枝果实40枚，并用吸水纸擦干荔枝果实表面的污渍，保证果实表面无水分；取规格为17cm×11.5cm×6cm的保鲜盒若干，在每个保鲜盒底部垫5层吸水纸，然后用无菌水浸湿吸水纸并倒置，待其没有水分流出，将荔枝横放入处理过的保鲜盒内；用移液器取20μl制备好的孢子囊悬浮液，点滴接种到荔枝果实中心的表皮上，每个保鲜盒10个果实作为一组，三个重复，对照组点滴20μl的无菌水；接种后的果实置于25℃培养箱中保湿培养。
6.根据权利要求1所述基于高光谱图像分析处理方法的荔枝病害自动识别方法，其特征在于，对所述果实源数据集进行预处理，具体为：
对所述荔枝病害源数据集进行预处理，处理方法包括卷积平滑降噪方法和多元散射校正；
所述根据病情指数DI进行分级，方法如下：
病情指数的表达式为：
其中Ss表示荔枝病害病斑区域面积，Sh表示荔枝果实面积；
所述判断荔枝病害严重程度是指根据所述病情指数DI的值进行划分，包括4级感染程度，其中DI＝0为0级健康，0<DI≤0.2为1级轻度感染，0.2<DI≤0.6为2级中度感染，0.6<DI为3级严重感染。
7.根据权利要求1所述基于高光谱图像分析处理方法的荔枝病害自动识别方法，其特征在于，所述将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型，具体为：
随机地选择荔枝病害训练数据集中90％的图像作为荔枝病害训练数据集用于训练，10％的图像作为荔枝病害验证数据集用于验证；
将荔枝病害训练数据集导入光谱数据分析模型进行训练，其中光谱数据分析模型具体包括以下步骤：
(1)使用连续投影算法SPA进行特征波段提取，连续投影算法是前向特征变量选择方法，SPA利用向量的投影分析，通过将波长投影到其他波长上，比较投影的大小，以投影向量最大的波长作为待选波长然后基于校正模型选择最终的特征波长，SPA选择的是含有最少冗余信息及最小共线性的变量组合，SPA算法步骤如下：
记初始迭代向量为xk(0)，需要提取的变量个数为N，光谱矩阵为J列，任选光谱矩阵中的1列记为第j列，把建模集的第j列赋值给xj，记为xk(0)；
将未入选的列向量位置的集合记为s，
分别计算xj对剩余列向量的投影：
提取最大投影向量的光谱波长，
令
当n≤N时，令n＝n+1循环计算；
最后，提取出的变量为{xk(n)＝0,...,N-1}，对应的每一次循环中的k(0)和N，分别建立多元线性回归分析模型，得到建模交互验证均方根误差，对应于不同的候选特征子集，其中最小的RMSECV值对应的k(0)和N即为最优值；
(2)通过连续小波变换创建光谱数据对应的频域表示图，具体为：
设函数Ψ(x)∈L1(R)∩L2(R)，并且
即
则称Ψ(t)为一个基本小波，对基本小波Ψ(t)作伸缩和平移得：
称Ψa,b(t)为小波函数，其中，a为尺度因子，b为平移因子；
设Ψ(t)是基本小波，Ψa,b(t)是连续小波函数，对于f(x)∈L2(R)，其连续小波变换定义为
其中，a(≠0),b,t均为连续变量，Ψ*(t)表示Ψ(t)的复共轭；
(3)将连续小波变换创建的频域图作为网络模型的输入，通过有监督学习，使得网络模型具备定性分类的能力，以实现荔枝病害的定性分类识别。
8.根据权利要求1所述基于高光谱图像分析处理方法的荔枝病害自动识别方法，其特征在于，所述将待检测图像导入果实分割识别模型，得到分割识别结果，具体为：
将待检测的图像在导入果实分割识别模型之前，使用图像调整算法将待检测的图像调整至统一像素，调整时不对图像比例进行拉伸而是采取边缘填充的方式；
荔枝果实分割识别模型在识别到荔枝果实的区域时，用特定颜色阴影覆盖标记相应区域，并保存记录标记信息，得到检测结果。
9.基于高光谱图像分析处理方法的荔枝病害自动识别系统，其特征在于，应用于权利要求1-8中任一项所述基于高光谱图像分析处理方法的荔枝病害自动识别方法，包括果实训练集获得模块、果实分割识别模型训练模块、荔枝病害训练集获得模块、荔枝病害检测模型训练模块、果实分割识别模块和荔枝病害检测模块；
所述果实训练集获得模块，用于收集自然条件下的荔枝果实图像，组成果实源数据集，并对其进行数据扩增和预处理得到果实训练数据集；
所述果实分割识别模型训练模块，用于将果实训练数据集导入U-Net语义分割网络模型中进行训练，得到荔枝果实分割识别模型；
所述荔枝病害训练集获得模块，用于采集实验室条件下不同严重程度的荔枝病害光谱数据，组成荔枝病害源数据集，并对所述果实源数据集进行预处理并根据病情指数DI进行分级，得到荔枝病害训练数据集；
所述荔枝病害检测模型训练模块，将荔枝病害训练数据集导入光谱数据分析模型进行训练，得到荔枝病害检测模型；所述光谱数据分析模型包括特征波段提取、频域图创建和分类的步骤；
所述特征波段提取，使用连续投影算法实现，该算法利用向量的投影分析，通过将波长投影到其他波长上，比较投影的大小，以投影向量最大的波长作为待选波长然后基于校正模型选择最终的特征波长；
所述频域图创建和分类，先使用连续小波变换CWT将光谱数据转换为对应频域图，再使用GoogLeNet深度学习网络模型对频域图进行分类；
所述果实分割识别模块，用于将待测高光谱图像的可见光数据导入荔枝果实分割识别模型，得到分割识别结果；
所述荔枝病害检测模块，用于将所述分割识别结果导入荔枝病害检测模型，再调取分割识别结果区域对应的光谱数据，得到荔枝病害识别结果。
10.一种计算机可读存储介质，存储有程序，其特征在于：所述程序被处理器执行时，实现权利要求1-8任一项所述的基于高光谱图像分析处理方法的荔枝病害自动识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111218586.5A CN113989639B (zh) | 2021-10-20 | 2021-10-20 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111218586.5A CN113989639B (zh) | 2021-10-20 | 2021-10-20 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113989639A true CN113989639A (zh) | 2022-01-28 |
| CN113989639B CN113989639B (zh) | 2024-04-16 |
Family
ID=79739480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111218586.5A Active CN113989639B (zh) | 2021-10-20 | 2021-10-20 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989639B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114898359A (zh) * | 2022-03-25 | 2022-08-12 | 华南农业大学 | 一种基于改进EfficientDet的荔枝病虫害检测方法 |
| CN114998708A (zh) * | 2022-06-10 | 2022-09-02 | 安徽农业大学 | 一种基于图谱信号的茶叶种类识别方法和装置 |
| CN115019215A (zh) * | 2022-08-09 | 2022-09-06 | 之江实验室 | 一种基于高光谱图像的大豆病虫害识别方法和装置 |
| CN116310391A (zh) * | 2023-05-18 | 2023-06-23 | 安徽大学 | 一种用于茶叶病害的识别方法 |
| CN118655154A (zh) * | 2024-08-21 | 2024-09-17 | 中国热带农业科学院三亚研究院 | 基于高光谱的香蕉生长检测系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108007881A (zh) * | 2017-11-30 | 2018-05-08 | 中国农业大学 | 一种基于光谱技术的水产养殖水质总氮含量检测方法 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
| CN110763698A (zh) * | 2019-10-12 | 2020-02-07 | 仲恺农业工程学院 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
| CN111696101A (zh) * | 2020-06-18 | 2020-09-22 | 中国农业大学 | 一种基于SE-Inception的轻量级茄科病害识别方法 |
| CN111860330A (zh) * | 2020-07-21 | 2020-10-30 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
| US20210056424A1 (en) * | 2019-08-20 | 2021-02-25 | Rubber Research Institute, Chinese Academy Of Tropical Agricultural Sciences | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves |
| CN113237864A (zh) * | 2021-03-23 | 2021-08-10 | 浙江大学山东工业技术研究院 | 一种基于光谱成像技术进行油菜叶片菌核病动态发展的快速诊断的方法 |
-
2021
- 2021-10-20 CN CN202111218586.5A patent/CN113989639B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108007881A (zh) * | 2017-11-30 | 2018-05-08 | 中国农业大学 | 一种基于光谱技术的水产养殖水质总氮含量检测方法 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
| US20210056424A1 (en) * | 2019-08-20 | 2021-02-25 | Rubber Research Institute, Chinese Academy Of Tropical Agricultural Sciences | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves |
| CN110763698A (zh) * | 2019-10-12 | 2020-02-07 | 仲恺农业工程学院 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
| CN111696101A (zh) * | 2020-06-18 | 2020-09-22 | 中国农业大学 | 一种基于SE-Inception的轻量级茄科病害识别方法 |
| CN111860330A (zh) * | 2020-07-21 | 2020-10-30 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
| CN113237864A (zh) * | 2021-03-23 | 2021-08-10 | 浙江大学山东工业技术研究院 | 一种基于光谱成像技术进行油菜叶片菌核病动态发展的快速诊断的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 沈宇;房胜;郑纪业;王风云;张琛;李哲;: "基于高光谱成像技术的富士苹果轻微机械损伤检测研究", 山东农业科学, no. 02, 28 February 2020 (2020-02-28), pages 149 - 155 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114898359A (zh) * | 2022-03-25 | 2022-08-12 | 华南农业大学 | 一种基于改进EfficientDet的荔枝病虫害检测方法 |
| CN114898359B (zh) * | 2022-03-25 | 2024-04-30 | 华南农业大学 | 一种基于改进EfficientDet的荔枝病虫害检测方法 |
| CN114998708A (zh) * | 2022-06-10 | 2022-09-02 | 安徽农业大学 | 一种基于图谱信号的茶叶种类识别方法和装置 |
| CN114998708B (zh) * | 2022-06-10 | 2023-09-26 | 安徽农业大学 | 一种基于图谱信号的茶叶种类识别方法和装置 |
| CN115019215A (zh) * | 2022-08-09 | 2022-09-06 | 之江实验室 | 一种基于高光谱图像的大豆病虫害识别方法和装置 |
| CN116310391A (zh) * | 2023-05-18 | 2023-06-23 | 安徽大学 | 一种用于茶叶病害的识别方法 |
| CN116310391B (zh) * | 2023-05-18 | 2023-08-15 | 安徽大学 | 一种用于茶叶病害的识别方法 |
| CN118655154A (zh) * | 2024-08-21 | 2024-09-17 | 中国热带农业科学院三亚研究院 | 基于高光谱的香蕉生长检测系统及方法 |
| CN118655154B (zh) * | 2024-08-21 | 2024-10-22 | 中国热带农业科学院三亚研究院 | 基于高光谱的香蕉生长检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113989639B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113989639A (zh) | 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 | |
| Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
| 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 | |
| Zhang et al. | Hyperspectral species mapping for automatic weed control in tomato under thermal environmental stress | |
| CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| Xiaoyan et al. | Chlorophyll content for millet leaf using hyperspectral imaging and an attention-convolutional neural network | |
| Liu et al. | UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background | |
| CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| CN115292334A (zh) | 基于视觉智能种植方法、系统、电子设备及存储介质 | |
| Ilniyaz et al. | Leaf area index estimation of pergola-trained vineyards in arid regions using classical and deep learning methods based on UAV-based RGB images | |
| Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
| CN116385784A (zh) | 一种镉胁迫下水稻叶绿素含量测算方法及系统 | |
| Wang et al. | Intelligent detection of hard seeds of snap bean based on hyperspectral imaging | |
| CN114972804A (zh) | 一种水稻种子中恶苗病菌类型检测方法及系统 | |
| Liu et al. | Classification of soybean frogeye leaf spot disease using leaf hyperspectral reflectance | |
| Li et al. | Integrating spectral and image information for prediction of cottonseed vitality | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
| Mumtaz et al. | Integrated digital image processing techniques and deep learning approaches for wheat stripe rust disease detection and grading | |
| Renuka et al. | Analyzing the image augmentation to find the defect in apple leaf | |
| Yuan et al. | In-field and non-destructive determination of comprehensive maturity index and maturity stages of Camellia oleifera fruits using a portable hyperspectral imager | |
| Long et al. | Application of hyperspectral imaging technology in classification of tobacco leaves and impurities | |
| 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 | |
| Qian et al. | Development and application of crop monitoring system for detecting chlorophyll content of tomato seedlings | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| 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 |
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 |