CN115861817A - 一种基于主成分分析的高光谱小麦条锈病分类识别方法 - Google Patents
一种基于主成分分析的高光谱小麦条锈病分类识别方法 Download PDFInfo
- Publication number
- CN115861817A CN115861817A CN202211655117.4A CN202211655117A CN115861817A CN 115861817 A CN115861817 A CN 115861817A CN 202211655117 A CN202211655117 A CN 202211655117A CN 115861817 A CN115861817 A CN 115861817A
- Authority
- CN
- China
- Prior art keywords
- data
- principal component
- classification
- hyperspectral
- component analysis
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及遥感监测领域,尤其是一种基于主成分分析的高光谱小麦条锈病分类识别方法,包括如下步骤:步骤1、对小麦高光谱数据进预处理,去除光照、阴影造成的数据噪声;步骤2、对全谱段高光谱图像进行主成分分析变换,根据分析结果确定保留的主成分数量;步骤3、将主成分分析保留的结果输出成影像,并作为支持向量机的样本,进行小麦条锈病分类识别。本发明先利用主成分分析对多变量参数矩阵进行处理,由于它的实质是空间的坐标旋转,并不改变样本数据结构,得到的主成分是原始变量的线性组合,而且两两不相关,能够最大程度地反映原变量所包含的信息。
Description
技术领域
本发明涉及高光谱识别领域,尤其是一种基于主成分分析的高光谱小麦条锈病分类识别方法。
背景技术
小麦条锈病是一种常见的严重影响大面积小麦产量的真菌性小麦作物病害,给农业经济带来重大的损失。如何实现对小麦条锈病分类识别,并进一步提高小麦条锈病预警防控,一直是我国农作物植保领域的重点与难点。遥感成像技术是当前农业病虫害监测防控的重要技术手段,传统的多光谱遥感技术由于其光谱范围下载、光谱波段不足,在小麦条锈病等复杂环境下病虫害的识别过程中精度不够。
连续的反射光谱是不同物质之间区分辨别的重要标志,是地物的“指纹”,高光谱遥感成像技术是指获取地物光谱分辨率在10-2λ数量级范围内的三维光谱图像。由于其同时获取二维影像和一维光谱,实现了图谱合一,既有多光谱图像的纹理和形状等空间特征,同时包含更丰富的光谱特征信息,在小麦条锈病等复杂目标分类识别中具有巨大发展前景。
高光谱图像信息丰富、光谱连续,包含小麦条锈病识别的重要信息。但是,高光谱图像光谱波段密集,波段之间相关性高,影响因子过多,在小麦条锈病识别过程中严重冗余,导致识别精度差、数据处理速度低下,对计算机配置要求高,对小麦条锈病分类识别效果和效率产生严重影响。
发明内容
针对上述问题,本方案提出了一种一种基于主成分分析的高光谱小麦条锈病分类识别方法,先利用主成分分析对多变量参数矩阵进行处理,由于它的实质是空间的坐标旋转,并不改变样本数据结构,得到的主成分是原始变量的线性组合,而且两两不相关,能够最大程度地反映原变量所包含的信息。同时,主成分分析大大降低了数据冗余,对于数据传输、处理和分析效率提升具有重要作用。经过主成分分析后,再利用支持向量机的方法进行小麦条锈病的分类识别,效率和精度都大大提升。
本发明提供如下技术方案:一种基于主成分分析的高光谱小麦条锈病分类识别方法,包括如下步骤:步骤1、对小麦高光谱数据进预处理,去除光照、阴影造成的数据噪声;步骤2、对全谱段高光谱图像进行主成分分析变换,根据分析结果确定保留的主成分数量;步骤3、将主成分分析保留的结果输出成影像,并作为支持向量机的样本,进行小麦条锈病分类识别。高光谱图像的主成分分析是通过正交变换将高光谱图像里一系列可能存在相关性的波段转换为同样数量的线性不相关的综合变量,转换后的这些变量叫做主成分,图像的主要信息被包含在前几个少数主成分里,小麦条锈病在其特征主成分里具有更明显特征,更容易被分离出来。
步骤1中,在自然环境下获取的高光谱数据存在大量噪声,进行预处理时,消除由于散射水平不同带来的光谱差异,从而增强光谱域数据之间的相关性,然后进行平滑处理,在不改变信号趋势、宽度的情况下提高数据的精度。在自然环境下获取的高光谱数据存在大量噪声,去除噪声是高光谱数据处理的重要步骤。多元散射校正(MSC)可以有效消除由于散射水平不同带来的光谱差异,从而增强光谱域数据之间的相关性。Savitaky-Golay平滑(SG平滑)则可以在不改变信号趋势、宽度的情况下提高数据的精度。MSC方法一般通过标准的光谱来修正光谱数据的基线平移和偏移,但在实际使用中,常常无法确定真正标准光谱,需要用所有光谱的数据平均值作为理想光谱。因此,先求得所有光谱的平均值作为理想光谱,再将每个样本的光谱域平均光谱进行一元线性回归,求解最小二乘问题得解,得到每个样本的基线平移量和偏移量,进一步对每个样本的光谱数据进行校正——即先减去求得的基线平移量后,再除以偏移量,得到校正后的光谱。进一步地,采用SG平滑算法可以进一步地对光谱进行平滑滤波,提高光谱的平滑性,并降低噪音的干扰,并且随着选取的窗口不同,能够满足多种不同场合的需求。将相邻数据点分别以连续子集的形式通过线性的最小二乘法与一个低次的多项式拟合,拟合的多项式,通过移动窗口卷积的方式实现整个连续光谱的平滑。
采用MSC方法消除由于散射水平不同带来的光谱差异,假设所有光谱数据的平均值作为理想光谱,求的所有光谱数据的平均值作为理想光谱;
将每个样本的光谱与平均光谱进行一元线性回归,求解最小二乘问题得到每个样本的基线平移量和偏移量;
对每个样本的光谱进行校正:减去求得的基线平移量后除以偏移量,得到校正后的光谱;
进一步地,在去除基线偏移后,光谱中还包含局部的细小噪声,采用SG平滑在不改变信号趋势、宽度的情况下提高数据的精度,具体如下:
设一个窗口内的一组数据为x[i],i=-m,...0,...m,i取值为2m+1个连续的整数值,现构造一个n阶多项式(n≤2m+1)来拟合这组数据:
拟合数据点与原数据点的残差平方和为
使用最小二乘法,要使拟合结果最好,则残差平方和应最小,即E对该多项式的系数bnk求偏导应为0
得到
当需要拟合的单边点数m,多项式的阶次n,及待拟合的数据x[i]已知后,即可求处该多项式,拟合出来的多项式用来求取该窗口内的中心点估计值,而对于后面的点,不断移动窗口重复操作即可,
进一步求解后得到
计算an0相当于原始数据进行一次FIR滤波,意味着输入与滤波器的单位冲激响应进行卷积就可以得到输出
SG平滑提供卷积系数表,根据系数使用离散卷积即可快速得到该窗口内的中线点平滑值;
SG平滑公式为:
在步骤2中,将预处理去除噪声的高光谱三维数据进行主成分分析,S2.1、首先将高光谱数据整理成若干样本的形式,按照列为维度,行为样本的形式将三维数据转为二维数据,然后对所有特征进行中心化处理,即求每一个特征的平均值,然后对所有的样本,每一个特征都减去自身的均值;S2.2、计算中心化后矩阵的协方差,获得所有样本在所有维度的协方差矩阵,求协方差矩阵的特征值和相对应的特征向量,得到的特征值矩阵按照从大到小的顺序排列在特征值矩阵的对角线;S2.3、将原始特征投影到选取的特征向量上,得到主成分分析的前几个主成分,也就是降维后的K维特征,将特征值按照从大到小的顺序排列,选取前面的k个特征值,即选取最大的前k个特征值和这些特征值相对应的特征向量,并进行投影的过程就是数据降维的过程,数据进行主成分分析后,前几个主成分就包含了原来数据的大部分信息,数据量降低,同时,小麦条锈病特征也会更加清晰的反映在某个主成分里,进行分类就可以实现小麦条锈病的分类识别。
主成分分析是将研究对象的多个相关变量化为少数几个不相关变量的一种多元统计方法,而且这些不相关的综合变量包含了原变量提供的大部分信息。它的基本思想是先利用主成分分析对多变量参数矩阵进行处理,由于主成分分析的实质是空间的坐标旋转,并不改变样本数据结构,得到的主成分是原始变量的线性组合,而且两两不相关,能够最大程度地反映原变量所包含的信息。以一定的标准选取几个较重要的主成分之后,原来的多维问题大大简化。其具体计算步骤如下:原始数据归一化,在进行主成分析之前,需对原始数据作归一化处理,把数据归一化为零均值和单位方差,用式(11)的归一化公式进行归一化处理,
式中:μ、σ2——原始数据的均值和方差,
计算相关系数矩阵
式中:rij(i,j=1,2,…,p)为原变量xi的xj与的相关系数,其计算公式为
计算特征值与特征向量,令|R-λI|=0求出其特征跟,并使其按大小顺序排列,即λ1≥λ2≥λ3,最后分别求出对应于特征根λi的特征向量ui(i=1,2,…,p),即
计算主成分的贡献率及累计贡献率,第k个主成分yk的方差贡献率为主成分ym的累计贡献率为/>实际应用中,αk越大表示的信息的能力越强,一般取m(m<p)个主成分,且使累计贡献率达到85%以上,这时用m个主成分代替p个变量,不会损失太多的信息,
计算出主成分,由上述步骤计算出来的主成分ym和特征向量得出的主成分如下
计算主成载荷和及得分,其计算公式为
得到各主成分的载荷以后,还可以按照(17)进一步计算,得到各主成分的得分
步骤3中,将主成分分析的结果进行支持向量机SVM机器学习的分类训练并预测,形成小麦条锈病的分类识别模型,首先,在新生成的主成分图像上制作训练样本,采取小麦条锈病特征主成分简单阈值分割的方式辅助进行样本制作;在特征主成分上,感染小条锈病的小麦植株对比健康小麦和背景信息明显,但是该特征主成分在主成分分析结果的出现顺序不同,无法通过直接提取的方式大批量进行小麦条锈病的分类识别;在制作好训练数据后,输入到SVM分类器进行模型训练,分类器会根据样本数据,构建能够正确划分训练数据集并且几何间隔最大的分类超平面,并将其用一个目标函数表示,这个目标函数就是SVM支持向量机的分类模型,调用这个模型,输入待预测的样本集,实现小麦条锈病的分类识别。
使用阈值分割的方式提取小麦条锈病对应区域,结果用COCO数据集格式表示。
通过上述描述可以看出,本发明的方法小麦锈病高光谱数据上进行一系列数据降维处理,并对降维后的数据进行快速分析,精准提取小麦条锈病发病结果。在小麦条锈病高光谱数据的传输、处理等方面的效率提升具有显著作用,对小麦条锈病的快速分析识别和精准预测防控具有重大提升,进而对国家粮食安全、促进农业降本增效、作物精准施药、自然环境保护等具有重要意义。。
附图说明
图1为本发明具体实施方式的高光谱小麦条锈病分类识别方法流程图;
图2为高光谱数据预处理结果图;
图3为条锈病小麦原始影像;
图4为主成分分析得前9个主成分示意图。
图5为高光谱小麦条锈病分类识别结果图。
具体实施方式
下面将结合本发明具体实施方式中的附图,对本发明具体实施方式中的技术方案进行清楚、完整地描述,显然,所描述的具体实施方式仅仅是本发明一种具体实施方式,而不是全部的具体实施方式。基于本发明中的具体实施方式,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具体实施方式,都属于本发明保护的范围。
通过附图可以看出,本发明的基于主成分分析的高光谱小麦条锈病分类识别方法,将采集的高光谱数据进行多元散射校正(MSC)和Savitaky-Golay(SG)多项式曲线平滑,去除光谱中的噪声和基线偏移,利用主成分分析的方法将冗余数据降维,用少数几个主成分的主成分分析结果代替原来高光谱数据,同时,利用小麦条锈病的特征主成分实现自动训练样本制作,进而利用支持向量机的机器学习分类器实现小麦条锈病的分类识别。大大提高了识别精度和数据处理效率,包括如下步骤:
步骤1、对小麦高光谱数据进预处理,去除光照、阴影造成的数据噪声;
步骤1中,在自然环境下获取的高光谱数据存在大量噪声,进行预处理时,消除由于散射水平不同带来的光谱差异,从而增强光谱域数据之间的相关性,然后进行平滑处理,在不改变信号趋势、宽度的情况下提高数据的精度。考虑小麦的符合植被的反射特性,在可见光、近红外处反射敏感,因此选择高光谱数据的光谱波段数为360,空间分辨率为960*1101,覆盖的光谱空间为380-1000nm。原始数据如图3所示。
高光谱数据获取过程中不可避免的存在环境噪声,采用MSC方法消除由于散射水平不同带来的光谱差异,由于该方法是通过理想光谱数据的基线平移和偏移现象,实际中由于无法获得理想光谱数据,需要假设所有光谱数据的平均值作为理想光谱。求的所有光谱数据的平均值作为理想光谱;
将每个样本的光谱与平均光谱进行一元线性回归,求解最小二乘问题得到每个样本的基线平移量和偏移量;
对每个样本的光谱进行校正:减去求得的基线平移量后除以偏移量,得到校正后的光谱;
进一步地,在去除基线偏移后,光谱中还包含局部的细小噪声,采用SG平滑在不改变信号趋势、宽度的情况下提高数据的精度,具体如下:
设一个窗口内的一组数据为x[i],i=-m,...0,...m,i取值为2m+1个连续的整数值,现构造一个n阶多项式(n≤2m+1)来拟合这组数据:
拟合数据点与原数据点的残差平方和为
使用最小二乘法,要使拟合结果最好,则残差平方和应最小,即E对该多项式的系数bnk求偏导应为0
得到
当需要拟合的单边点数m,多项式的阶次n,及待拟合的数据x[i]已知后,即可求处该多项式,拟合出来的多项式用来求取该窗口内的中心点估计值,而对于后面的点,不断移动窗口重复操作即可,
进一步求解后得到
计算an0相当于原始数据进行一次FIR滤波,意味着输入与滤波器的单位冲激响应进行卷积就可以得到输出
SG平滑提供卷积系数表,根据系数使用离散卷积即可快速得到该窗口内的中线点平滑值;
SG平滑公式为:
步骤2、对全谱段高光谱图像进行主成分分析变换,根据分析结果确定保留的主成分数量;主成分分析是将研究对象的多个相关变量化为少数几个不相关变量的一种多元统计方法,而且这些不相关的综合变量包含了原变量提供的大部分信息。它的基本思想是先利用主成分分析对多变量参数矩阵进行处理,由于主成分分析的实质是空间的坐标旋转,并不改变样本数据结构,得到的主成分是原始变量的线性组合,而且两两不相关,能够最大程度地反映原变量所包含的信息。以一定的标准选取几个较重要的主成分之后,原来的多维问题大大简化。其具体计算步骤如下:
原始数据归一化,在进行主成分析之前,需对原始数据作归一化处理,把数据归一化为零均值和单位方差,用式(11)的归一化公式进行归一化处理,
式中:μ、σ2——原始数据的均值和方差,
计算相关系数矩阵
式中:rij(i,j=1,2,…,p)为原变量xi的xj与的相关系数,其计算公式为
计算特征值与特征向量,令|R-λI|=0求出其特征跟,并使其按大小顺序排列,即λ1≥λ2≥λ3,最后分别求出对应于特征根λi的特征向量ui(i=1,2,…,p),即
计算主成分的贡献率及累计贡献率,第k个主成分yk的方差贡献率为主成分ym的累计贡献率为/>实际应用中,αk越大表示的信息的能力越强,一般取m(m<p)个主成分,且使累计贡献率达到85%以上,这时用m个主成分代替p个变量,不会损失太多的信息,
计算出主成分,由上述步骤计算出来的主成分ym和特征向量得出的主成分如下
计算主成载荷和及得分,其计算公式为
得到各主成分的载荷以后,还可以按照(17)进一步计算,得到各主成分的得分
图4是经过主成分分析过后的前9个主成分灰度图,第一行从左到右分别是PC1、PC2、PC3,第二行从左到右依次是PC4、PC5、PC6、第三行从左到右依次是PC7、PC8、PC9,可以看出,信息主要集中在前6个主成分,且第4个主成分是小麦条锈病特征主成分。
步骤3、将主成分分析保留的结果输出成影像,并作为支持向量机的样本,进行小麦条锈病分类识别。
选择要制作训练样本的主成分分析结果数据,判读小麦条锈病最佳特征主成分,并使用阈值分割的方式提取小麦条锈病对应区域,结果用COCO数据集格式表示。
累积贡献率85%的前6个主成分组成一个新的主成分分析结果影像,并将其和对应的COCO标注一一对应,作为数据输入进支持向量机分类器中训练,将训练得到的模型输出,调用模型对其他主成分影像进行预测,得到小麦条锈病的分类结果。如图5所示。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于主成分分析的高光谱小麦条锈病分类识别方法,其特征在于包括如下步骤:
步骤1、对小麦高光谱数据进预处理,去除光照、阴影造成的数据噪声;
步骤2、对全谱段高光谱图像进行主成分分析变换,根据分析结果确定保留的主成分数量;
步骤3、将主成分分析保留的结果输出成影像,并作为支持向量机的样本,进行小麦条锈病分类识别。
2.跟据权利要求1所述的基于超像素分割的高光谱分类识别方法,其特征是:
步骤1中,在自然环境下获取的高光谱数据存在大量噪声,进行预处理时,消除由于散射水平不同带来的光谱差异,从而增强光谱域数据之间的相关性,然后进行平滑处理,在不改变信号趋势、宽度的情况下提高数据的精度。
3.跟据权利要求2所述的基于超像素分割的高光谱分类识别方法,其特征是:
采用MSC方法消除由于散射水平不同带来的光谱差异,假设所有光谱数据的平均值作为理想光谱,
求的所有光谱数据的平均值作为理想光谱;
将每个样本的光谱与平均光谱进行一元线性回归,求解最小二乘问题得到每个样本的基线平移量和偏移量;
对每个样本的光谱进行校正:减去求得的基线平移量后除以偏移量,得到校正后的光谱;
进一步地,在去除基线偏移后,光谱中还包含局部的细小噪声,采用SG平滑在不改变信号趋势、宽度的情况下提高数据的精度,具体如下:
设一个窗口内的一组数据为x[i],i=-m,...0,...m,i取值为2m+1个连续的整数值,现构造一个n阶多项式(n≤2m+1)来拟合这组数据:
拟合数据点与原数据点的残差平方和为
使用最小二乘法,要使拟合结果最好,则残差平方和应最小,即E对该多项式的系数bnk求偏导应为0
得到
当需要拟合的单边点数m,多项式的阶次n,及待拟合的数据x[i]已知后,即可求处该多项式,拟合出来的多项式用来求取该窗口内的中心点估计值,而对于后面的点,不断移动窗口重复操作即可,
进一步求解后得到
计算an0相当于原始数据进行一次FIR滤波,意味着输入与滤波器的单位冲激响应进行卷积就可以得到输出
SG平滑提供卷积系数表,根据系数使用离散卷积即可快速得到该窗口内的中线点平滑值;
SG平滑公式为:
4.跟据权利要求1所述的基于超像素分割的高光谱分类识别方法,其特征是:
在步骤2中,
S2.1、首先将高光谱数据整理成若干样本的形式,按照列为维度,行为样本的形式将三维数据转为二维数据,然后对所有特征进行中心化处理,即求每一个特征的平均值,然后对所有的样本,每一个特征都减去自身的均值;
S2.2、计算中心化后矩阵的协方差,获得所有样本在所有维度的协方差矩阵,求协方差矩阵的特征值和相对应的特征向量,得到的特征值矩阵按照从大到小的顺序排列在特征值矩阵的对角线;
S2.3、将原始特征投影到选取的特征向量上,得到主成分分析的前几个主成分,也就是降维后的K维特征,选取最大的前k个特征值和这些特征值相对应的特征向量,并进行投影的过程就是数据降维的过程,数据进行主成分分析后,前几个主成分就包含了原来数据的大部分信息,数据量降低,同时,小麦条锈病特征也会更加清晰的反映在某个主成分里,进行分类就可以实现小麦条锈病的分类识别。
5.跟据权利要求4所述的基于超像素分割的高光谱分类识别方法,其特征是:
原始数据归一化,在进行主成分析之前,需对原始数据作归一化处理,把数据归一化为零均值和单位方差,用式(11)的归一化公式进行归一化处理,
式中:μ、σ2——原始数据的均值和方差,
计算相关系数矩阵
式中:rij(i,j=1,2,…,p)为原变量xi的xj与的相关系数,其计算公式为
计算特征值与特征向量,令|R-λI|=0求出其特征跟,并使其按大小顺序排列,即λ1≥λ2≥λ3,最后分别求出对应于特征根λi的特征向量ui(i=1,2,…,p),即
计算主成分的贡献率及累计贡献率,第k个主成分yk的方差贡献率为主成分ym的累计贡献率为/>实际应用中,αk越大表示的信息的能力越强,一般取m(m<p)个主成分,且使累计贡献率达到85%以上,这时用m个主成分代替p个变量,不会损失太多的信息,
计算出主成分,由上述步骤计算出来的主成分ym和特征向量得出的主成分如下
计算主成载荷和及得分,其计算公式为
得到各主成分的载荷以后,还可以按照(17)进一步计算,得到各主成分的得分
6.跟据权利要求1所述的基于超像素分割的高光谱分类识别方法,其特征是:
步骤3中,将主成分分析的结果进行支持向量机SVM机器学习的分类训练并预测,形成小麦条锈病的分类识别模型,首先,在新生成的主成分图像上制作训练样本,采取小麦条锈病特征主成分简单阈值分割的方式辅助进行样本制作;在特征主成分上,感染小条锈病的小麦植株对比健康小麦和背景信息明显,但是该特征主成分在主成分分析结果的出现顺序不同,无法通过直接提取的方式大批量进行小麦条锈病的分类识别;在制作好训练数据后,输入到SVM分类器进行模型训练,分类器会根据样本数据,构建能够正确划分训练数据集并且几何间隔最大的分类超平面,并将其用一个目标函数表示,这个目标函数就是SVM支持向量机的分类模型,调用这个模型,输入待预测的样本集,实现小麦条锈病的分类识别。
7.跟据权利要求1所述的基于超像素分割的高光谱分类识别方法,其特征是:
使用阈值分割的方式提取小麦条锈病对应区域,结果用COCO数据集格式表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211655117.4A CN115861817A (zh) | 2022-12-22 | 2022-12-22 | 一种基于主成分分析的高光谱小麦条锈病分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211655117.4A CN115861817A (zh) | 2022-12-22 | 2022-12-22 | 一种基于主成分分析的高光谱小麦条锈病分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861817A true CN115861817A (zh) | 2023-03-28 |
Family
ID=85653793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211655117.4A Pending CN115861817A (zh) | 2022-12-22 | 2022-12-22 | 一种基于主成分分析的高光谱小麦条锈病分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861817A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116026787A (zh) * | 2023-03-29 | 2023-04-28 | 湖南汇湘轩生物科技股份有限公司 | 一种香精品级检测方法及系统 |
CN116202973A (zh) * | 2023-05-06 | 2023-06-02 | 弗斯迈智能科技(江苏)有限公司 | 一种钙钛矿胶膜整叠成膜检测系统 |
-
2022
- 2022-12-22 CN CN202211655117.4A patent/CN115861817A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116026787A (zh) * | 2023-03-29 | 2023-04-28 | 湖南汇湘轩生物科技股份有限公司 | 一种香精品级检测方法及系统 |
CN116202973A (zh) * | 2023-05-06 | 2023-06-02 | 弗斯迈智能科技(江苏)有限公司 | 一种钙钛矿胶膜整叠成膜检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
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 | |
CN107576618B (zh) | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 | |
Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
Al-Hiary et al. | Fast and accurate detection and classification of plant diseases | |
Dey et al. | Image processing based leaf rot disease, detection of betel vine (Piper BetleL.) | |
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
Fuentes et al. | Automated grapevine cultivar classification based on machine learning using leaf morpho-colorimetry, fractal dimension and near-infrared spectroscopy parameters | |
CN107527326A (zh) | 一种基于高光谱成像的小麦赤霉病诊断方法 | |
CN112101271A (zh) | 一种高光谱遥感影像分类方法及装置 | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
Zhang et al. | Integrating spectral and image data to detect Fusarium head blight of wheat | |
CN111161362B (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN115311588A (zh) | 基于无人机遥感图像的松材线虫病害立木检测方法及装置 | |
CN111832507A (zh) | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 | |
CN114693616A (zh) | 一种基于改进目标检测模型与卷积神经网络的水稻病害检测方法、设备和介质 | |
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 | |
CN106156728B (zh) | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 | |
Das et al. | Detection of diseases on visible part of plant—A review | |
Du et al. | Diagnostic model for wheat leaf conditions using image features and a support vector machine | |
CN111832569A (zh) | 基于高光谱分类与分割的壁画颜料层脱落病害标注方法 | |
Ma et al. | Spectral difference analysis and identification of different maturity blueberry fruit based on hyperspectral imaging using spectral index | |
CN115392311A (zh) | 基于变分模态分解的高效甘蔗茎节识别方法 | |
Jinglei et al. | Distance-based separability criterion of ROI in classification of farmland hyper-spectral images | |
CN115908907A (zh) | 一种高光谱遥感图像分类方法及系统 |
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 |