高光谱成像的黄瓜病虫害识别和特征波长提取方法-电子发烧友网

黄瓜霜霉病和斑潜蝇是制约黄瓜产业发展的严重病虫害。传统黄瓜生产过程中，病虫害识别主要依赖于人工识别，通过种植人员和专业人员的经验来判断病虫害种类。这种方式主观性强，易混淆病情，可能导致防治不及时和错误用药。因此，准确识别病虫害对黄瓜生产和环境安全有着重要意义，高光谱成像技术能同时获得作物的图像信息和光谱信息，目前已广泛用于作物病虫害检测的研究。

01高光谱数据

高光谱成像系统如图1（a）所示，主要由计算机、高光谱相机、光源等组成。图2为三类黄瓜叶片RGB显示下的高光谱图像，图2（a）为无症状叶片、图2（b）为霜霉病叶片、图2（c）为斑潜蝇虫害叶片。

图1 高光谱成像系统

图2（a）无症状叶片

图2（b）霜霉病叶片

图2（c）斑潜蝇叶片

1.1高光谱数据提取

使用软件对高光谱图像进行数据提取后将数据导入文件，显示464、513和660nm三个波段图像合成的RGB图像，如图3所示，根据病斑区域大小选择若干个10X10的感兴趣区域(ROI)，提取每个ROI的平均反射率数据作为叶片的原始光谱数据，共提取2656组数据。由于光谱曲线的两边缘区噪声较大，故去除保留450~850nm的159个波段作为有效光谱范围，图4为所有叶片原始光谱曲线图，图5为三类叶片的平均光谱曲线。

图3 ENVI中叶片ROI提取

图4样本原始光谱曲线

可知三类叶片的平均光谱曲线整体走势相似。病虫害叶片在400~700nm波段反射率高于无症状叶片，在720~850nm波段反射率低于无症状叶片，分析原因是病虫害导致叶片叶绿素和细胞结构受损。由于斑潜蝇侵害叶片后会留下白色虫道，所以斑潜蝇叶片在400~700nm波段反射率更高。

图5三类叶片平均光谱曲线

02特征波长提取

高光谱图像的光谱数据量大，存在冗余信息，会增加判别模型的计算量，降低模型的计算效率和精度，所以需要对光谱数据进行降维处理，提取其中和样品类型相关性强的波长数据。

2.1基于VISSA的特征波长提取

VISSA基于模型集群分析的思想，利用加权二进制采样法构造变量子空间，每一次迭代过程满足变量空间逐渐收缩和变量空间逐渐优化两个准则。设定VISSA的加权二进制矩阵采样数为5000,选择子模型比率为0.05，交叉验证次数为5，最终选择出53个特征波长，如图6(a)所示，VISSA提取出的特征波长主要分布于450~700和725~850nm。

图6(a)VISSA提取特征波长

2.2基于CARS的特征波长提取

根据PLS模型交叉验证均方根误差大小选择最优特征变量组合。设定CARS的蒙特卡洛采样次数为50，交叉验证次数为5，最终选择出20个特征波长，如图6(b)所示，CARS提取出的特征波长主要分布于450~500和530~580nm。

图6(b)CARS提取特征波长

2.3基于IRIV的特征波长提取

IRIV将变量进行多次随机组合并建立PLS模型，观察每个变量是否存在于模型中时交互验证预测误差的变化，根据MPA的思想将变量分为强信息变量、信息变量、无信息变量和干扰变量，逐个分析每个变量后去除无信息变量和干扰变量，进行多次迭代分析，直到剩下的变量均为强信息变量和弱信息变量，最终保留的变量即为所需的特征变量设定交叉验证次数为5，最终选择出26个特征波长，如图6(c)所示，IRIV提取出的特征波长主要分布于450~555nm。

图6(c)IRIV提取特征波长

03总结

对 VISSA、CARS、IRIV、SFLA 所选的特征波长数据进行 SVM、Elman 神经网络、RF 建模，表1为所建模型测试集的识别结果。

表1 一次降维光谱数据建模结果

由于 VISSA、CARS、IRIV、SFLA 提取出的特征波长仍然较多，使用 SPA对数据进行二次降维SPA是一种可以使矢量空间共线性最小化的前向变量选择算法。

表2 二次降维光谱数据建模结果

由特征波长数据所建模型的识别效果如表3所示。

表3 特征波长光谱数据建模结果

使用 VISSA-SPA 和 IRIV-SPA 提取的特征波长建立的SVM 模型实现了对黄瓜霜霉病和斑潜蝇虫害94%以上的识别率，说明通过 VISSA-SPA和IRIV-SPA方法提取特征波长具有良好的效果，但总体来看，模型对霜霉病叶片和斑潜蝇虫害叶片的识别率要明显低于无症状叶片，为了提高模型的鲁棒性和准确性，未来可以使用光谱特征结合病斑的形态特征等建立识别模型。在实际生产中，还可以结合黄瓜的发病时间、发病叶片的位置等进行病虫害种类的判断，提高对病虫害识别的准确率。

搜索历史

高光谱成像的黄瓜病虫害识别和特征波长提取方法

评论