CN114689526A - 一种香蕉枯萎病无损检测方法、装置及检测设备 - Google Patents
一种香蕉枯萎病无损检测方法、装置及检测设备 Download PDFInfo
- Publication number
- CN114689526A CN114689526A CN202210604195.5A CN202210604195A CN114689526A CN 114689526 A CN114689526 A CN 114689526A CN 202210604195 A CN202210604195 A CN 202210604195A CN 114689526 A CN114689526 A CN 114689526A
- Authority
- CN
- China
- Prior art keywords
- banana
- spectral data
- principal component
- vascular wilt
- disease degree
- 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.)
- Pending
Links
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种香蕉枯萎病无损检测方法、装置及检测设备,属于植物保护技术领域,方法包括:获取待检测叶片光谱数据;将所述待检测叶片光谱数据输入预先训练好的病害程度识别模型,得到病害程度检测结果;其中,所述病害程度识别模型是采用光谱数据预处理算法和主成分分析算法对叶片光谱数据样本进行处理,并利用预设判别分析法训练得到的。本发明针对香蕉枯萎病早期的防治,提出采用无损光谱检测方法获取不同病害程度的叶片光谱数据,根据训练构建的病害程度识别模型,能快速准确地识别植物的病害程度,无需对植物本身造成介入破坏性,满足香蕉保护的快速无损检测要求。
Description
技术领域
本发明涉及植物保护技术领域,尤其涉及一种香蕉枯萎病无损检测方法、装置及检测设备。
背景技术
目前,针对植物病害的早期检测,特别是热带地区作物,例如香蕉枯萎病的检测,在作物保护中占据重要的地位。
由于香蕉枯萎病尚无有效地防治方法,对于枯萎病早期的病害检测与监控就显得尤为重要。香蕉枯萎病检测的常规方法包括形态鉴定、生理生化鉴定和分子生物学鉴定等方法。分子生物学鉴定分为 PCR 法、荧光 PCR 法和环介导等温扩增法等。形态鉴定具有主观依赖性,效率低。生理生化型鉴定、分子生物学鉴定通常具有较高的检测准确率,但是检测过程复杂、费力、耗时、效率低、对样品有破坏性,逐渐不能满足现代农业快速发展的需要。
发明内容
本发明提供一种香蕉枯萎病无损检测方法、装置及检测设备,用以解决现有技术中针对香蕉枯萎病检测无法实现快速无损检测的缺陷。
第一方面,本发明提供一种香蕉枯萎病无损检测方法,包括:
获取待检测香蕉叶片光谱数据;
将所述待检测香蕉叶片光谱数据输入预先训练好的病害程度识别模型,得到香蕉枯萎病病害程度检测结果;
其中,所述香蕉枯萎病病害程度识别模型是采用光谱数据预处理算法和主成分分析算法对香蕉叶片光谱数据样本进行处理,并利用预设判别分析法训练得到的。
根据本发明提供的一种香蕉枯萎病无损检测方法,所述香蕉枯萎病病害程度识别模型,通过以下步骤获得:
获取所述香蕉叶片光谱数据样本;
对所述香蕉叶片光谱数据样本进行预处理,得到处理后的香蕉叶片光谱数据样本;
利用所述主成分分析算法获取主成分数据;
采用多个预设判别分析法确定所述主成分数据的多个判别准确率,提取最高判别准确率对应预设判别分析法的判别结果,得到所述香蕉枯萎病病害程度识别模型。
根据本发明提供的一种香蕉枯萎病无损检测方法,所述获取所述香蕉叶片光谱数据样本,包括:
确定若干个香蕉枯萎病病害程度分类标签;
根据每个香蕉枯萎病病害程度分类标签采集若干个香蕉叶片光谱数据,按照预设比例分为训练集和验证集。
根据本发明提供的一种香蕉枯萎病无损检测方法,所述对所述香蕉叶片光谱数据样本进行预处理,得到处理后的香蕉叶片光谱数据样本,包括:
采用SG卷积平滑、多元散射校正MSC以及一阶导数中的任意一种预处理方法,对所述香蕉叶片光谱数据样本进行平滑、滤波和去除基线漂移,获取所述处理后的香蕉叶片光谱数据样本。
根据本发明提供的一种香蕉枯萎病无损检测方法,所述利用所述主成分分析算法获取主成分数据之前,还包括:
获取所述SG卷积平滑、所述多元散射校正MSC以及所述一阶导数任意一种预处理后的所述处理后的香蕉叶片光谱数据样本;
对多种所述处理后的香蕉叶片光谱数据样本进行任意组合,得到组合香蕉叶片光谱数据样本。
根据本发明提供的一种香蕉枯萎病无损检测方法,所述利用所述主成分分析算法获取主成分数据,包括:
采用所述主成分分析算法降低所述组合香蕉叶片光谱数据样本的数据维度,提取大于预设贡献比例的主成分数据。
根据本发明提供的一种香蕉枯萎病无损检测方法,所述采用多个预设判别分析法确定所述主成分数据的多个判别准确率,提取最高判别准确率对应预设判别分析法的判别结果,得到所述香蕉枯萎病病害程度识别模型,包括:
利用Fishier判别分析方法或Bayes判别分析方法获取所述多个判别准确率;
提取所述多个判别准确率中的所述最高判别准确率,由所述最高判别准确率的对应主成分数据匹配预处理方法组合类型,获得所述香蕉枯萎病病害程度识别模型。
第二方面,本发明还提供一种香蕉枯萎病无损检测系统,包括:
获取模块,用于获取待检测香蕉叶片光谱数据;
检测模块,用于将所述待检测香蕉叶片光谱数据输入预先训练好的病害程度识别模型,得到香蕉枯萎病病害程度检测结果;
其中,所述香蕉枯萎病病害程度识别模型是采用光谱数据预处理算法和主成分分析算法对香蕉叶片光谱数据样本进行处理,并利用预设判别分析法训练得到的。
第三方面,本发明还提供一种香蕉枯萎病无损检测设备,包括:检测主机、探头和数据处理器,其中:
所述检测主机用于提供检测光源和多种类型接口;
所述探头通过触发接口和探头接口与所述检测主机连接,用于采集叶片光谱数据;
所述数据处理器通过数据接口与所述检测主机连接,用于处理所述叶片光谱数据,输出病害程度检测结果。
根据本发明提供的一种香蕉枯萎病无损检测设备,所述检测主机包括光谱仪、卤素灯光源、稳压电源、参考白板和背带;
所述光谱仪用于通过触发方式采集所述叶片光谱数据;
所述卤素灯光源用于提供光照;
所述稳压电源用于提供直流供电;
所述参考白板用于校准所述叶片光谱数据;
所述背带用于用户携带所述检测主机。
本发明提供的香蕉枯萎病无损检测方法、装置及检测设备,通过针对植物枯萎病早期的防治,提出采用无损光谱检测方法获取不同病害程度的叶片光谱数据,根据训练构建的病害程度识别模型,能快速准确地识别植物的病害程度,无需对植物本身造成介入破坏性,满足植物保护的快速无损检测要求。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的香蕉枯萎病无损检测方法的流程示意图;
图2是本发明提供的香蕉枯萎病无损检测装置的结构示意图;
图3是本发明提供的香蕉枯萎病无损检测设备的整体结构图;
图4是本发明提供的香蕉枯萎病无损检测设备的具体结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
针对现有技术中植物病害早期防治中,例如香蕉枯萎病采用的检测方法的局限性,提出一种基于光谱检测的香蕉枯萎病无损检测方法,能够实现香蕉枯萎病的早期探测,对香蕉枯萎病的防治具有重要意义。
图1是本发明提供的香蕉枯萎病无损检测方法的流程示意图,如图1所示,包括:
步骤100:获取待检测香蕉叶片光谱数据;
步骤 200:将所述待检测香蕉叶片光谱数据输入预先训练好的病害程度识别模型,得到香蕉枯萎病病害程度检测结果;
其中,所述香蕉枯萎病病害程度识别模型是采用光谱数据预处理算法和主成分分析算法对香蕉叶片光谱数据样本进行处理,并利用预设判别分析法训练得到的。
与现有技术最大的区别是,本发明采用无损光谱检测方法,由于光谱具有反映物体内部结构和成分信息的特点,结合化学计量学方法,能对物体的综合品质进行快速无损检测。
具体地,本发明核心为构建训练香蕉枯萎病病害程度识别模型,将待检测叶片光谱数据输入至该香蕉枯萎病病害程度识别模型,即可快速准确得到待检测香蕉叶片对应的病害程度检测结果,即病害严重程度对应的具体分类或等级。
上述香蕉枯萎病病害程度识别模型,是通过获取大量的香蕉叶片光谱数据样本,利用光谱数据预处理算法和主成分分析算法进行处理后,再通过预设判别分析法统计对应的判别准确率,确定最高判别准确率对应具体光谱数据预处理算法的组合,构建识别准确率较高的香蕉枯萎病病害程度识别模型。
本发明通过提出的采用无损光谱检测方法,获取不同病害程度的叶片光谱数据,根据训练构建的病害程度识别模型,能快速准确地识别香蕉枯萎病的病害程度,无需对植物本身造成介入破坏性,满足植物保护的快速无损检测要求。
基于上述实施例,所述香蕉枯萎病病害程度识别模型,通过以下步骤获得:
获取所述香蕉叶片光谱数据样本;
对所述香蕉叶片光谱数据样本进行预处理,得到处理后的香蕉叶片光谱数据样本;
利用所述主成分分析算法获取主成分数据;
采用多个预设判别分析法确定所述主成分数据的多个判别准确率,提取最高判别准确率对应预设判别分析法的判别结果,得到所述香蕉枯萎病病害程度识别模型。
具体地,本发明的香蕉枯萎病病害程度识别模型,具体的训练过程包括:
以识别香蕉枯萎病为例,选取其中一个香蕉品种,根据经验设定几个病害程度的分类类别,通常是按照病害程度由轻到重依次进行划分,通过相应的检测设备采集每个分类类别中一定数量的香蕉叶片光谱数据,组成香蕉叶片光谱数据样本。
通过多个经典的光谱数据预处理方法对叶片光谱数据样本进行系统的预处理,得到处理后的香蕉叶片光谱数据样本。
进一步地,采用主成分分析算法(Principal Components Analysis,PCA)降低数据维数,提取其中的主成分数据,使数据特征更加明显和突出。
最后,通过常用判别分析法识别提取的主成分数据的判别正确率,对比得出最高判别正确率,并将对应的光谱数据预处理方法的组合识别出来,即可构建识别准确度高的香蕉枯萎病病害程度识别模型。
本发明通过采集多个香蕉枯萎病病害程度分类的样本数据,结合多种光谱预处理算法和判别分析法进行处理和识别,得到效率较高,以及识别准确率较高的香蕉枯萎病病害程度识别模型。
基于上述任一实施例,所述获取所述香蕉叶片光谱数据样本,包括:
确定若干个香蕉枯萎病病害程度分类标签;
根据每个香蕉枯萎病病害程度分类标签采集若干个香蕉叶片光谱数据,按照预设比例分为训练集和验证集。
具体地,本发明在获取模型样本数据集时,以香蕉枯萎病识别为例,选取品种为巴西蕉,确定四个样本标签,分别为绿色健康叶片、绿色潜伏程度发病叶片、黄绿交加中度发病叶片和黄色重度发病叶片。
选取绿色健康叶片21片、绿色潜伏轻度发病叶片22片,黄绿交加中度发病叶片22片,黄色重度发病叶片17片,共计4类,82个样品。为每一类香蕉叶片的每一个叶片样品按顺序编号,编号时随机选择每一类中的叶片样品,将编号为‘4’以及‘4’的倍数的样品选出作为验证集样品,共计21个样品,剩下的61个样品作为训练集样品。
在采集上述样本数据时,需正确连接便携式检测主机,手持探头和数据处理器,开启电源,将检测装置预热15分钟,使光源和光谱仪处于稳定的工作状态,然后采集标准参考白板的光谱信息,切断光路,采集黑暗环境下的光谱信息,再连通光路,依次采集上述4类中样本的叶片反射光谱,这里光谱仪自动对采集的反射光谱进行白参考校准和黑参考校准,由后端的数据处理器处理叶片的光谱信息。
本发明通过专用的检测主机分类采集获取一定数量的香蕉叶片光谱数据样本,为后续的模型训练提供充足的数据依据。
基于上述任一实施例,所述对所述香蕉叶片光谱数据样本进行预处理,得到处理后的香蕉叶片光谱数据样本,包括:
采用SG卷积平滑、多元散射校正MSC以及一阶导数中的任意一种预处理方法,对所述香蕉叶片光谱数据样本进行平滑、滤波和去除基线漂移,获取所述处理后的香蕉叶片光谱数据样本。
具体地,本发明分别采用SG卷积平滑、多元散射校正MSC以及一阶导数中任意的光谱数据预处理方法对采集的原始香蕉叶片光谱数据样本进行预处理,主要包括平滑、滤波和去除基线漂移处理。
SG卷积平滑又称为多项式平滑算法,采用基于最小二乘原理,例如选取光谱数据区间中的等波长间隔的5个点,记为X集合,多项式平滑就是利用在波长点为Xm-2、Xm-1、Xm、Xm+1和Xm+2的数据的多项式拟合值来取代X,然后依次移动,直到把光谱遍历完的过程。
多元散射校正(Multiplicative Scatter Correction,MSC)是高光谱数据预处理常用的算法,MSC可以有效的消除由于散射水平不同带来的光谱差异,从而增强光谱与数据之间的相关性。该方法通过理想光谱修正光谱数据的基线平移和偏移现象,而实际中,由于无法获取真正的理想光谱数据,因此常常假设所有光谱数据的平均值作为“理想光谱”。
一阶导数处理则是利用一阶导数是一个连续函数或一组连续数据生成的曲线在某一点附近的变化率,其本质是通过极限的概念对函数或曲线进行局部的线性逼近来进行处理的。
本发明通过采用常用的光谱预处理方法对香蕉叶片光谱数据样本作进一步处理,能获得具有更明显数据特征的数据样本。
基于上述任一实施例,所述利用所述主成分分析算法获取主成分数据之前,还包括:
获取所述SG卷积平滑、所述多元散射校正MSC以及所述一阶导数任意一种预处理后的所述处理后的香蕉叶片光谱数据样本;
对多种所述处理后的香蕉叶片光谱数据样本进行任意组合,得到组合香蕉叶片光谱数据样本。
其中,所述利用所述主成分分析算法获取主成分数据,包括:
采用所述主成分分析算法降低所述组合香蕉叶片光谱数据样本的数据维度,提取大于预设贡献比例的主成分数据。
具体地,在通过多种光谱预处理方法对香蕉叶片光谱数据样本进行处理后,通过对不同方法下的处理数据作不同的组合,然后再采用主成分分析方法降低数据维数和提取主成分。
主成分分析法是一种常用的统计方法,通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。对于原先提出的所有变量,将重复的变量(关系紧密的变量)删去多余,建立尽可能少的新变量,使得这些新变量是两两不相关的,而且这些新变量在反映课题的信息方面尽可能保持原有的信息。设法将原来变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析,也是数学上用来降维的一种方法。
进一步地,本发明提取主成分累计贡献率大于预设比例的数据,此处设为85%。
本发明采用主成分分析方法对不同组合香蕉叶片光谱数据样本进行数据分析和降维处理,即简化了数据复杂度,又保留了数据核心特征,便于提升后续判别的准确度。
基于上述任一实施例,所述采用多个预设判别分析法确定所述主成分数据的多个判别准确率,提取最高判别准确率对应预设判别分析法的判别结果,得到所述香蕉枯萎病病害程度识别模型,包括:
利用Fishier判别分析方法或Bayes判别分析方法获取所述多个判别准确率;
提取所述多个判别准确率中的所述最高判别准确率,由所述最高判别准确率的对应主成分数据匹配预处理方法组合类型,获得所述香蕉枯萎病病害程度识别模型。
具体地,本发明引入Fishier判别分析方法和Bayes判别分析方法建立香蕉枯萎病病害程度识别模型。
Fisher判别法是根据方差分析的思想建立起来的一种能较好区分各个总体的线性判别法,该判别方法对总体的分布不做任何要求。Fisher判别法是一种投影方法,把高维空间的点向低维空间投影。在原来的坐标系下,可能很难把样品分开,而投影后可能区别明显。一般而言,可以先投影到一维空间(直线)上,如果效果不理想,在投影到另一条直线上(从而构成二维空间),依此类推,每个投影可以建立一个判别函数。
Bayes判别分析方法提供了一种计算假设概率的方法,这种方法是基于假设的先验概率、给定假设下观察到不同数据的概率以及观察到的数据本身而得出的。其方法为,将关于未知参数的先验信息与样本信息综合,再根据贝叶斯公式,得出后验信息,然后根据后验信息去推断未知参数的方法。
本发明通过比较不同光谱预处理方法和建模方法的正确率,验证集样品的病害程度识别正确率如下表1所示,通过表1可知,香蕉叶片的反射光谱经过SG平滑和一阶导数预处理,分别采用Fishier判别分析和Bayes判别分析方法建模,验证集样品的病害程度识别正确率达到95.2%。
表1
本发明通过综合多种适用于光谱分析的处理和识别算法,有效建立了针对植物早期病害防治的病害程度识别模型,对病害早期防治具有重要意义。
下面对本发明提供的香蕉枯萎病无损检测装置进行描述,下文描述的香蕉枯萎病无损检测装置与上文描述的香蕉枯萎病无损检测方法可相互对应参照。
图2是本发明提供的香蕉枯萎病无损检测装置的结构示意图,如图2所示,包括:获取模块21和检测模块22,其中:
获取模块21用于获取待检测香蕉叶片光谱数据;检测模块22用于将所述待检测香蕉叶片光谱数据输入预先训练好的病害程度识别模型,得到香蕉枯萎病病害程度检测结果;其中,所述香蕉枯萎病病害程度识别模型是采用光谱数据预处理算法和主成分分析算法对香蕉叶片光谱数据样本进行处理,并利用预设判别分析法训练得到的。
本发明通过提出的采用无损光谱检测装置,获取不同病害程度的香蕉叶片光谱数据,根据训练构建的香蕉枯萎病病害程度识别模型,能快速准确地识别植物的病害程度,无需对植物本身造成介入破坏性,满足植物保护的快速无损检测要求。
图3是本发明提供的香蕉枯萎病无损检测设备的整体结构图,如图3所示,包括:
检测主机、探头和数据处理器,其中:
所述检测主机用于提供检测光源和多种类型接口;
所述探头通过触发接口和探头接口与所述检测主机连接,用于采集叶片光谱数据;
所述数据处理器通过数据接口与所述检测主机连接,用于处理所述叶片光谱数据,输出病害程度检测结果。
所述检测主机包括光谱仪、卤素灯光源、稳压电源、参考白板和背带;
所述光谱仪用于通过触发方式采集所述叶片光谱数据;
所述卤素灯光源用于提供光照;
所述稳压电源用于提供直流供电;
所述参考白板用于校准所述叶片光谱数据;
所述背带用于用户携带所述检测主机。
具体地,本发明为实现香蕉枯萎病无损检测方法,还提出一种便携式无损检测设备,包括检测主机、探头和数据处理器。
如图4所示,便携式检测主机包含可见/近红外光谱仪、卤素灯光源、稳压电源、参考白板、数据接口、触发接口、探头接口和背带,实现香蕉叶片光谱数据采集功能。
可见/近红外光谱仪为微型光谱仪,通过外部触发方式采集叶片光谱数据,卤素灯光源为检测装置提供稳定的光照,稳压电源为检测装置提供稳定的直流电,参考白板用于校准光谱数据,数据接口连接便携式检测主机和数据处理器。
触发接口连接便携式检测主机和手持探头,探头接口连接便携式检测主机和手持探头,背带用于用户背负便携式检测主机。手持探头包含光纤、手柄、触发按钮、触发线,用户使手持探头与香蕉叶片目标位置贴合并形成一个密闭暗室,按下触发按钮,触发便携式检测主机采集香蕉叶片目标位置的光谱数据。光纤采用Y型光纤,光纤探头端与手柄连为一体,入光口端与光源连接,出光口端与光谱仪连接;触发按钮与触发线连为一体,用户操作触发按钮向便携式检测主机发送触发信号。
数据处理器主要为计算机或嵌入式设备,用于读取、处理和保存光谱数据,建立相关的数学模型,得出香蕉枯萎病的检测结果。
本发明提出的便携式无损检测设备,可以实现香蕉枯萎病的快速无损检测,并进行早期探测和在线分级。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种香蕉枯萎病无损检测方法,其特征在于,包括:
获取待检测香蕉叶片光谱数据;
将所述待检测香蕉叶片光谱数据输入预先训练好的病害程度识别模型,得到香蕉枯萎病病害程度检测结果;
其中,所述香蕉枯萎病病害程度识别模型是采用光谱数据预处理算法和主成分分析算法对香蕉叶片光谱数据样本进行处理,并利用预设判别分析法训练得到的。
2.根据权利要求1所述的香蕉枯萎病无损检测方法,其特征在于,所述香蕉枯萎病病害程度识别模型,通过以下步骤获得:
获取所述香蕉叶片光谱数据样本;
对所述香蕉叶片光谱数据样本进行预处理,得到处理后的香蕉叶片光谱数据样本;
利用所述主成分分析算法获取主成分数据;
采用多个预设判别分析法确定所述主成分数据的多个判别准确率,提取最高判别准确率对应预设判别分析法的判别结果,得到所述香蕉枯萎病病害程度识别模型。
3.根据权利要求2所述的香蕉枯萎病无损检测方法,其特征在于,所述获取所述香蕉叶片光谱数据样本,包括:
确定若干个香蕉枯萎病病害程度分类标签;
根据每个香蕉枯萎病病害程度分类标签采集若干个香蕉叶片光谱数据,按照预设比例分为训练集和验证集。
4.根据权利要求2所述的香蕉枯萎病无损检测方法,其特征在于,所述对所述香蕉叶片光谱数据样本进行预处理,得到处理后的香蕉叶片光谱数据样本,包括:
采用SG卷积平滑、多元散射校正MSC以及一阶导数中的任意一种预处理方法,对所述香蕉叶片光谱数据样本进行平滑、滤波和去除基线漂移,获取所述处理后的香蕉叶片光谱数据样本。
5.根据权利要求4所述的香蕉枯萎病无损检测方法,其特征在于,所述利用所述主成分分析算法获取主成分数据之前,还包括:
获取所述SG卷积平滑、所述多元散射校正MSC以及所述一阶导数任意一种预处理后的所述处理后的香蕉叶片光谱数据样本;
对多种所述处理后的香蕉叶片光谱数据样本进行任意组合,得到组合香蕉叶片光谱数据样本。
6.根据权利要求5所述的香蕉枯萎病无损检测方法,其特征在于,所述利用所述主成分分析算法获取主成分数据,包括:
采用所述主成分分析算法降低所述组合香蕉叶片光谱数据样本的数据维度,提取大于预设贡献比例的主成分数据。
7.根据权利要求2所述的香蕉枯萎病无损检测方法,其特征在于,所述采用多个预设判别分析法确定所述主成分数据的多个判别准确率,提取最高判别准确率对应预设判别分析法的判别结果,得到所述香蕉枯萎病病害程度识别模型,包括:
利用Fishier判别分析方法或Bayes判别分析方法获取所述多个判别准确率;
提取所述多个判别准确率中的所述最高判别准确率,由所述最高判别准确率的对应主成分数据匹配预处理方法组合类型,获得所述香蕉枯萎病病害程度识别模型。
8.一种香蕉枯萎病无损检测装置,其特征在于,包括:
获取模块,用于获取待检测香蕉叶片光谱数据;
检测模块,用于将所述待检测香蕉叶片光谱数据输入预先训练好的病害程度识别模型,得到香蕉枯萎病病害程度检测结果;
其中,所述香蕉枯萎病病害程度识别模型是采用光谱数据预处理算法和主成分分析算法对香蕉叶片光谱数据样本进行处理,并利用预设判别分析法训练得到的。
9.一种香蕉枯萎病无损检测设备,用于执行基于权利要求1至7中任一所述香蕉枯萎病无损检测方法,其特征在于,包括:检测主机、探头和数据处理器,其中:
所述检测主机用于提供检测光源和多种类型接口;
所述探头通过触发接口和探头接口与所述检测主机连接,用于采集叶片光谱数据;
所述数据处理器通过数据接口与所述检测主机连接,用于处理所述叶片光谱数据,输出病害程度检测结果。
10.根据权利要求9所述的香蕉枯萎病无损检测设备,其特征在于,所述检测主机包括光谱仪、卤素灯光源、稳压电源、参考白板和背带;
所述光谱仪用于通过触发方式采集所述叶片光谱数据;
所述卤素灯光源用于提供光照;
所述稳压电源用于提供直流供电;
所述参考白板用于校准所述叶片光谱数据;
所述背带用于用户携带所述检测主机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210604195.5A CN114689526A (zh) | 2022-05-31 | 2022-05-31 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210604195.5A CN114689526A (zh) | 2022-05-31 | 2022-05-31 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114689526A true CN114689526A (zh) | 2022-07-01 |
Family
ID=82131359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210604195.5A Pending CN114689526A (zh) | 2022-05-31 | 2022-05-31 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114689526A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577287A (zh) * | 2023-07-12 | 2023-08-11 | 北京市农林科学院智能装备技术研究中心 | 植物叶片光谱采集系统、检测方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20200117897A1 (en) * | 2018-10-15 | 2020-04-16 | Walt Froloff | Adaptive Artificial Intelligence Training Data Acquisition and Plant Monitoring System |
CN111562235A (zh) * | 2020-05-18 | 2020-08-21 | 迟衡 | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 |
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 |
CN113468964A (zh) * | 2021-05-31 | 2021-10-01 | 山东省邮电工程有限公司 | 一种基于高光谱的农业病虫害监测方法及设备 |
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 |
-
2022
- 2022-05-31 CN CN202210604195.5A patent/CN114689526A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200117897A1 (en) * | 2018-10-15 | 2020-04-16 | Walt Froloff | Adaptive Artificial Intelligence Training Data Acquisition and Plant Monitoring System |
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 |
CN111562235A (zh) * | 2020-05-18 | 2020-08-21 | 迟衡 | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 |
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 |
CN113468964A (zh) * | 2021-05-31 | 2021-10-01 | 山东省邮电工程有限公司 | 一种基于高光谱的农业病虫害监测方法及设备 |
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 |
Non-Patent Citations (1)
Title |
---|
张初: ""基于光谱与光谱成像技术的油菜病害检测机理与方法研究"", 《中国博士学位论文全文数据库(电子期刊)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577287A (zh) * | 2023-07-12 | 2023-08-11 | 北京市农林科学院智能装备技术研究中心 | 植物叶片光谱采集系统、检测方法、装置及电子设备 |
CN116577287B (zh) * | 2023-07-12 | 2023-10-20 | 北京市农林科学院智能装备技术研究中心 | 植物叶片光谱采集系统、检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barbedo et al. | Identifying multiple plant diseases using digital image processing | |
US20180025210A1 (en) | Method and system for analyzing biological specimens by spectral imaging | |
Noviyanto et al. | Honey botanical origin classification using hyperspectral imaging and machine learning | |
CN103278464B (zh) | 鱼肉检测方法和装置 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
Naganathan et al. | Three dimensional chemometric analyses of hyperspectral images for beef tenderness forecasting | |
Chao et al. | Use of hyper–and multi–spectral imaging for detection of chicken skin tumors | |
Jiang et al. | mRMR-based feature selection for classification of cotton foreign matter using hyperspectral imaging | |
CN110849828A (zh) | 一种基于高光谱图像技术的藏红花分类方法 | |
WO2014153423A2 (en) | Method and system for analyzing biological specimens by spectral imaging | |
CN104020128B (zh) | 一种快速鉴别蜂胶胶源的方法 | |
CN104215591A (zh) | 一种可见-近红外光谱无损判别的方法 | |
Marcelo et al. | Fast inline tobacco classification by near-infrared hyperspectral imaging and support vector machine-discriminant analysis | |
CN111833330B (zh) | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 | |
CN114689526A (zh) | 一种香蕉枯萎病无损检测方法、装置及检测设备 | |
Ullah et al. | Automatic diseases detection and classification in maize crop using convolution neural network | |
Wang et al. | SVM classification method of waxy corn seeds with different vitality levels based on hyperspectral imaging | |
Bickler | Prospects for machine learning for shell midden analysis | |
CN115494009A (zh) | 一种烟叶成熟度的智能判别方法及系统 | |
Hiraoka et al. | Identification of Rhus succedanea L. cultivars using elliptic Fourier descriptors based on fruit shape | |
Dahl et al. | Otolith morphometry and Fourier transform near-infrared (FT-NIR) spectroscopy as tools to discriminate archived otoliths of newly detected cryptic species, Etelis carbunculus and Etelis boweni | |
Torralvo et al. | Near infrared spectroscopy for the identification of live anurans: Towards rapid and automated identification of species in the field | |
Jogi et al. | Detecting the Plant Species using Deep-Convolutional Neural Network (D-CNN) with Internet of Things (IoT) | |
WO2020037255A1 (en) | Automatic identification and analysis of a tissue sample | |
Park | Quality evaluation of poultry carcass |
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 |