本文關(guān)鍵詞：基于高光譜成像技術(shù)的茄子葉片色差值檢測(cè)和早疫病識(shí)別方法研究

  更多相關(guān)文章： 精細(xì)農(nóng)業(yè) 茄子 高光譜成像 早疫病 特征波長(zhǎng) 模型 灰度圖 RGB/HSV/HLS圖

【摘要】：精細(xì)農(nóng)業(yè)是現(xiàn)代農(nóng)業(yè)發(fā)展的新方向,隨著科技的進(jìn)步,現(xiàn)代農(nóng)業(yè)也越來(lái)越追求信息化、自動(dòng)化和可持續(xù)化,傳統(tǒng)的農(nóng)業(yè)技術(shù)和實(shí)驗(yàn)室分析方法已經(jīng)不能滿(mǎn)足現(xiàn)代農(nóng)業(yè)的發(fā)展需求。研究作物病害無(wú)損檢測(cè)技術(shù)并進(jìn)一步開(kāi)發(fā)病害實(shí)時(shí)檢測(cè)和監(jiān)測(cè)儀器已是目前我國(guó)乃至全世界農(nóng)業(yè)領(lǐng)域亟需解決的問(wèn)題。本研究以茄子作物為對(duì)象,利用可見(jiàn)／近紅外和近紅外高光譜成像技術(shù)分析茄子葉片感染早疫病后表面色差值的變化,充分挖掘圖像中的有效信息,如反射率、灰度圖紋理值、RGB/HSV/HLS圖像紋理值和RGB/HSV/HLS圖像顏色值,并結(jié)合不同的分類(lèi)模型來(lái)識(shí)別健康和染病樣本。為制定茄子實(shí)際大田生產(chǎn)作業(yè)處方提供了主要數(shù)據(jù)源和參數(shù),并為茄子葉片病害實(shí)時(shí)檢測(cè)和監(jiān)測(cè)系統(tǒng)的開(kāi)發(fā)提供了理論依據(jù)。本課題的主要研究成果和內(nèi)容如下：(1)分別應(yīng)用可見(jiàn)/近紅外高光譜和近紅外高光譜成像技術(shù)研究茄子葉片感染早疫病后表面色差值的變化。研究發(fā)現(xiàn),健康樣本L*的平均值大于染病樣本L*的平均值,這是因?yàn)長(zhǎng)*代表亮度值,當(dāng)葉片感染早疫病后,病斑區(qū)域會(huì)變得暗淡,因此相應(yīng)的值也會(huì)偏低；a*值越小,代表樣本越綠,因此健康樣本的a*值偏低。在可見(jiàn)/近紅外高光譜波段范圍內(nèi),L*參數(shù)的最優(yōu)模型是LS-SVM,預(yù)測(cè)結(jié)果是R2p=0.660, RMSEP=1.166;a*參數(shù)最優(yōu)模型也是LS-SVM,預(yù)測(cè)結(jié)果是Rp2=0.869, RMSEP=2.068;b*參數(shù)最優(yōu)模型是CA-BPNN,預(yù)測(cè)結(jié)果是Rp2=0.903, RMSEP=2.172。在近紅外高光譜波段范圍內(nèi),L*參數(shù)最優(yōu)模型是CA-BPNN,預(yù)測(cè)結(jié)果是rp2=0.618, RMSEP=2.404;a*參數(shù)的最優(yōu)模型是Normalization-PLS,預(yù)測(cè)結(jié)果分別是Rp2=0.861,RMSEP=2.114;b*參數(shù)的最優(yōu)模型是CARS-LS-SVM,預(yù)測(cè)結(jié)果是Rp2=0.795, RMSEP=3.190。(2)分別提取可見(jiàn)／近紅外高光譜和近紅外高光譜圖像中感興趣區(qū)域的反射率信息,并建立相應(yīng)的病害識(shí)別模型。在可見(jiàn)／近紅外波段范圍內(nèi),基于全波段的分類(lèi)模型的識(shí)別率都大于96.18%；基于CARS的分類(lèi)模型的識(shí)別率介于66.24%和100%之間；基于RC的分類(lèi)模型中,除了RC-SVM的識(shí)別率較低(訓(xùn)練集：56.05%,驗(yàn)證集：56.41%),其它模型的識(shí)別率均大于91.03%；基于CA的分類(lèi)模型中,除了CA-SVM的識(shí)別率較低(訓(xùn)練集：55.41%,驗(yàn)證集：55.13%),其它模型的識(shí)別率均大于78.98%。在近紅外波段范圍內(nèi),全波段模型的分類(lèi)結(jié)果均大于95.54%；基于CARS的分類(lèi)模型的識(shí)別率介于93.59%和100%之間；RC推薦的分類(lèi)模型中,識(shí)別率在88.46%和100%之間；基于CA的分類(lèi)模型的識(shí)別率大于92.31%�？傮w上,所有模型中除了少數(shù)模型(可見(jiàn)/近紅外區(qū)域內(nèi)的RC-SVM和CA-SVM)的識(shí)別率較低之外,其它模型都取得了較高的識(shí)別率。(3)探討了可見(jiàn)/近紅外高光譜和近紅外高光譜圖像中灰度圖的紋理特征值檢測(cè)早疫病的方法。分別從可見(jiàn)/近紅外和近紅外高光譜圖像選取回歸系數(shù)法推薦的灰度圖像,并基于概率統(tǒng)計(jì)濾波和二階概率統(tǒng)計(jì)濾波從每幅灰度圖中提取紋理特征值,建立不同的分類(lèi)模型。在可見(jiàn)/近紅外波段,除了SVM的識(shí)別率較低外(驗(yàn)證集：55.13%),其它模型的識(shí)別率介于83.33%和100%之間；在近紅外波段,模型的識(shí)別率總體上低于可見(jiàn)/近紅外波段內(nèi)模型的識(shí)別率,除了SVM模型驗(yàn)證集的識(shí)別率是55.13%之外,其它模型的識(shí)別率均介于61.54%和100%之間。(4)研究高光譜RGB、HSV和HLS顏色空間圖像中紋理特征值檢測(cè)茄子葉片早疫病的方法。將樣本的可見(jiàn)/近紅外高光譜圖像分別轉(zhuǎn)化為RGB、HSV和HLS圖像,然后基于概率統(tǒng)計(jì)濾波和二階概率統(tǒng)計(jì)濾波提取不同顏色空間圖像中的紋理特征值建立病害識(shí)別模型。RGB顏色空間中,SVM模型的識(shí)別率較低(驗(yàn)證集：55.13%),其它所有模型的識(shí)別率均大于92.31%；HSV顏色空間中,SVM和基于概率統(tǒng)計(jì)濾波的AdaBoost模型的識(shí)別率較低,其它模型的識(shí)別率均高于93.59%；HLS顏色空間中,SVM模型驗(yàn)證集的識(shí)別率為55.13%,其它模型的識(shí)別率均大于88.46%。(5)提出高光譜RGB、HSV和HLS圖像中顏色信息識(shí)別茄子葉片早疫病的技術(shù)方法。分別將RGB、HSV和HLS圖像中的顏色信息作為輸入建立不同的識(shí)別模型,RGB顏色模型的識(shí)別率在92.99%和100%之間；HSV顏色模型的識(shí)別率介于85.99%和100%之間；HLS顏色模型的識(shí)別率在69.43%和100%之間。上述成果實(shí)現(xiàn)了高光譜圖像中反射率值、灰度圖紋理值、RGB/HSV/HLS圖紋理值和RGB/HSV/HLS圖顏色信息識(shí)別茄子葉片早疫病的研究,同時(shí)基于反射率值研究了茄子葉片感染早疫病后表面色差值(L*、a*和b*)的變化。為茄子早疫病的實(shí)時(shí)、在線(xiàn)和無(wú)損檢測(cè)提供了技術(shù)支持,并為病害檢測(cè)和監(jiān)測(cè)儀器的開(kāi)發(fā)奠定了理論基礎(chǔ),具有廣闊的應(yīng)用前景。
【關(guān)鍵詞】：精細(xì)農(nóng)業(yè) 茄子 高光譜成像 早疫病 特征波長(zhǎng) 模型 灰度圖 RGB/HSV/HLS圖
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 致謝7-9
• 摘要9-12
• Abstract12-28
• 縮略詞表28-29
• 第一章 緒論29-41
• 提要29
• 1.1 研究背景29-31
• 1.2 光譜和多光譜成像技術(shù)在作物病害檢測(cè)中的研究進(jìn)展31-33
• 1.3 高光譜成像技術(shù)33-39
• 1.3.1 高光譜成像技術(shù)的原理33-34
• 1.3.2 高光譜成像技術(shù)在作物病害檢測(cè)中的研究進(jìn)展34-37
• 1.3.3 高光譜成像技術(shù)在色差值(L~*、a~*和b~*)檢測(cè)中的研究進(jìn)展37-38
• 1.3.4 高光譜成像技術(shù)在作物病害檢測(cè)中的問(wèn)題和難點(diǎn)38-39
• 1.4 研究?jī)?nèi)容39-40
• 1.5 本章小結(jié)40-41
• 第二章 材料與方法41-67
• 提要41
• 2.1 試驗(yàn)材料41
• 2.2 高光譜圖像采集系統(tǒng)41-46
• 2.2.1 硬件平臺(tái)42-45
• 2.2.1.1 光譜儀42-43
• 2.2.1.2 光源43-44
• 2.2.1.3 CCD探測(cè)器44
• 2.2.1.4 其它輔助設(shè)備44-45
• 2.2.2 軟件平臺(tái)45-46
• 2.3 色差儀46-47
• 2.4 分析軟件47-49
• 2.5 光譜數(shù)據(jù)預(yù)處理49-51
• 2.5.1 平滑49-50
• 2.5.2 歸一化50
• 2.5.3 求導(dǎo)50
• 2.5.4 變量標(biāo)準(zhǔn)化50
• 2.5.5 多元散射校正50-51
• 2.5.6 去趨勢(shì)51
• 2.6 特征波長(zhǎng)提取方法51-52
• 2.6.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法51
• 2.6.2 回歸系數(shù)法51-52
• 2.6.3 相關(guān)系數(shù)法52
• 2.7 紋理特征值52-55
• 2.7.1 基于概率統(tǒng)計(jì)濾波的紋理值53
• 2.7.2 基于二階概率統(tǒng)計(jì)濾波的紋理值53-55
• 2.8 回歸和分類(lèi)方法55-65
• 2.8.1 主成分分析55
• 2.8.2 偏最小二乘55-56
• 2.8.3 最小二乘-支持向量機(jī)56-58
• 2.8.4 人工神經(jīng)網(wǎng)絡(luò)58-59
• 2.8.5 決策樹(shù)59-60
• 2.8.6 樸素貝葉斯60-61
• 2.8.7 K最近鄰61-62
• 2.8.8 AdaBoost62-63
• 2.8.9 支持向量機(jī)63-65
• 2.9 模型評(píng)價(jià)標(biāo)準(zhǔn)65-66
• 2.9.1 回歸模型評(píng)價(jià)標(biāo)準(zhǔn)65-66
• 2.9.2 分類(lèi)模型評(píng)價(jià)標(biāo)準(zhǔn)66
• 2.10 本章小結(jié)66-67
• 第三章 基于光譜反射率信息的茄子葉片色差值研究67-93
• 提要67
• 3.1 引言67
• 3.2 試驗(yàn)樣本67-68
• 3.3 基于可見(jiàn)/近紅外高光譜成像的早疫病脅迫下茄子葉片表面色差值研究68-80
• 3.3.1 可見(jiàn)/近紅外高光譜圖像采集與校正68-69
• 3.3.2 光譜反射率提取及曲線(xiàn)分析69-70
• 3.3.3 全波段的預(yù)測(cè)結(jié)果70-71
• 3.3.4 特征波長(zhǎng)71-75
• 3.3.4.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法推薦的特征波長(zhǎng)71-73
• 3.3.4.2 回歸系數(shù)法推薦的特征波長(zhǎng)73
• 3.3.4.3 相關(guān)系數(shù)法推薦的特征波長(zhǎng)73-75
• 3.3.5 特征波長(zhǎng)的預(yù)測(cè)結(jié)果75-80
• 3.3.5.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法的預(yù)測(cè)結(jié)果75-77
• 3.3.5.2 回歸系數(shù)法的預(yù)測(cè)結(jié)果77-78
• 3.3.5.3 相關(guān)系數(shù)法的預(yù)測(cè)結(jié)果78-80
• 3.4 基于近紅外高光譜成像的早疫病脅迫下茄子葉片表面色差值研究80-92
• 3.4.1 近紅外高光譜圖像采集與校正80-81
• 3.4.2 光譜反射率提取及曲線(xiàn)分析81-82
• 3.4.3 全波段的預(yù)測(cè)結(jié)果82-83
• 3.4.4 特征波長(zhǎng)83-88
• 3.4.4.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法推薦的特征波長(zhǎng)83-85
• 3.4.4.2 回歸系數(shù)法推薦的特征波長(zhǎng)85-86
• 3.4.4.3 相關(guān)系數(shù)法推薦的特征波長(zhǎng)86-88
• 3.4.5 特征波長(zhǎng)的預(yù)測(cè)結(jié)果88-92
• 3.4.5.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法的預(yù)測(cè)結(jié)果88-89
• 3.4.5.2 回歸系數(shù)法的預(yù)測(cè)結(jié)果89-90
• 3.4.5.3 相關(guān)系數(shù)法的預(yù)測(cè)結(jié)果90-92
• 3.5 本章小結(jié)92-93
• 第四章 光譜反射率信息識(shí)別茄子葉片早疫病的研究93-109
• 提要93
• 4.1 引言93
• 4.2 試驗(yàn)樣本93
• 4.3 可見(jiàn)/近紅外高光譜成像技術(shù)識(shí)別茄子葉片早疫病93-100
• 4.3.1 可見(jiàn)/近紅外高光譜圖像采集與校正93-94
• 4.3.2 光譜反射率提取94
• 4.3.3 光譜反射率曲線(xiàn)分析94
• 4.3.4 樣本的空間分布94-95
• 4.3.5 全波段定量識(shí)別模型的建立與比較95-96
• 4.3.6 特征波長(zhǎng)96-98
• 4.3.6.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法推薦的特征波長(zhǎng)96
• 4.3.6.2 回歸系數(shù)法推薦的特征波長(zhǎng)96-97
• 4.3.6.3 相關(guān)系數(shù)法推薦的特征波長(zhǎng)97-98
• 4.3.7 特征波長(zhǎng)定量識(shí)別模型的建立與比較98-100
• 4.3.7.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法的識(shí)別結(jié)果98-99
• 4.3.7.2 回歸系數(shù)法的識(shí)別結(jié)果99-100
• 4.3.7.3 相關(guān)系數(shù)法的識(shí)別結(jié)果100
• 4.4 近紅外高光譜成像技術(shù)識(shí)別茄子葉片早疫病100-107
• 4.4.1 近紅外高光譜圖像采集與校正100-101
• 4.4.2 光譜反射率提取101
• 4.4.3 光譜反射率曲線(xiàn)分析101-102
• 4.4.4 樣本的空間分布102
• 4.4.5 全波段定量識(shí)別模型的建立與比較102-103
• 4.4.6 特征波長(zhǎng)103-105
• 4.4.6.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法推薦的特征波長(zhǎng)103
• 4.4.6.2 回歸系數(shù)法推薦的特征波長(zhǎng)103-104
• 4.4.6.3 相關(guān)系數(shù)法推薦的特征波長(zhǎng)104-105
• 4.4.7 特征波長(zhǎng)定量識(shí)別模型的建立與比較105-107
• 4.4.7.1 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法的識(shí)別結(jié)果105-106
• 4.4.7.2 回歸系數(shù)法的識(shí)別結(jié)果106-107
• 4.4.7.3 相關(guān)系數(shù)法的識(shí)別結(jié)果107
• 4.5 本章小結(jié)107-109
• 第五章 灰度圖像紋理特征值識(shí)別茄子葉片早疫病的研究109-119
• 提要109
• 5.1 引言109
• 5.2 可見(jiàn)/近紅外波段范圍內(nèi)灰度圖紋理特征值檢測(cè)茄子葉片早疫病109-113
• 5.2.1 特征波長(zhǎng)下灰度圖像109-110
• 5.2.2 基于概率統(tǒng)計(jì)濾波的紋理特征值110-111
• 5.2.2.1 紋理特征圖像110
• 5.2.2.2 樣本的空間分布110-111
• 5.2.2.3 樣本的定量識(shí)別111
• 5.2.3 基于二階概率統(tǒng)計(jì)濾波的紋理特征值111-113
• 5.2.3.1 紋理特征圖像111-112
• 5.2.3.2 樣本的空間分布112
• 5.2.3.3 樣本的定量識(shí)別112-113
• 5.3 近紅外波段范圍內(nèi)灰度圖紋理特征值檢測(cè)茄子葉片早疫病113-117
• 5.3.1 特征波長(zhǎng)下灰度圖像113-114
• 5.3.2 基于概率統(tǒng)計(jì)濾波的紋理特征值114-115
• 5.3.2.1 紋理特征圖像114
• 5.3.2.2 樣本的空間分布114-115
• 5.3.2.3 樣本的定量識(shí)別115
• 5.3.3 基于二階概率統(tǒng)計(jì)濾波的紋理特征值115-117
• 5.3.3.1 紋理特征圖像115-116
• 5.3.3.2 樣本的空間分布116
• 5.3.3.3 樣本的定量識(shí)別116-117
• 5.4 本章小結(jié)117-119
• 第六章 RGB、HSV和HLS圖像紋理特征值識(shí)別茄子葉片早疫病的研究119-135
• 提要119
• 6.1 引言119
• 6.2 RGB、HSV和HLS顏色空間轉(zhuǎn)換119-120
• 6.3 RGB圖像紋理特征值識(shí)別茄子葉片早疫病120-125
• 6.3.1 RGB顏色空間圖像120-121
• 6.3.2 基于概率統(tǒng)計(jì)濾波的紋理特征值121-123
• 6.3.2.1 紋理特征圖像121-122
• 6.3.2.2 樣本的空間分布122
• 6.3.2.3 樣本的定量識(shí)別122-123
• 6.3.3 基于二階概率統(tǒng)計(jì)濾波的紋理特征值123-125
• 6.3.3.1 紋理特征圖像123
• 6.3.3.2 樣本的空間分布123-124
• 6.3.3.3 樣本的定量識(shí)別124-125
• 6.4 HSV圖像紋理特征值識(shí)別茄子葉片早疫病125-129
• 6.4.1 HSV顏色空間圖像125
• 6.4.2 基于概率統(tǒng)計(jì)濾波的紋理特征值125-127
• 6.4.2.1 紋理特征圖像125-126
• 6.4.2.2 樣本的空間分布126-127
• 6.4.2.3 樣本的定量識(shí)別127
• 6.4.3 基于二階概率統(tǒng)計(jì)濾波的紋理特征值127-129
• 6.4.3.1 紋理特征圖像127-128
• 6.4.3.2 樣本的空間分布128
• 6.4.3.3 樣本的定量識(shí)別128-129
• 6.5 HLS圖像紋理特征值識(shí)別茄子葉片早疫病129-134
• 6.5.1 HLS顏色空間圖像129-130
• 6.5.2 基于概率統(tǒng)計(jì)濾波的紋理特征值130-132
• 6.5.2.1 紋理特征圖像130
• 6.5.2.2 樣本的空間分布130-131
• 6.5.2.3 樣本的定量識(shí)別131-132
• 6.5.3 基于二階概率統(tǒng)計(jì)濾波的紋理特征值132-134
• 6.5.3.1 紋理特征圖像132
• 6.5.3.2 樣本的空間分布132-133
• 6.5.3.3 樣本的定量識(shí)別133-134
• 6.6 本章小結(jié)134-135
• 第七章 RGB、HSV和HLS圖像顏色信息識(shí)別茄子葉片早疫病的研究135-140
• 提要135
• 7.1 引言135
• 7.2 RGB顏色空間135-136
• 7.2.1 樣本的空間分布135-136
• 7.2.2 樣本的定量識(shí)別136
• 7.3 HSV顏色空間136-137
• 7.3.1 樣本的空間分布136-137
• 7.3.2 樣本的定量識(shí)別137
• 7.4 HLS顏色空間137-139
• 7.4.1 樣本的空間分布137-138
• 7.4.2 樣本的定量識(shí)別138-139
• 7.5 本章小結(jié)139-140
• 第八章 結(jié)論與展望140-144
• 8.1 主要結(jié)論140-143
• 8.2 主要?jiǎng)?chuàng)新點(diǎn)143
• 8.3 研究展望143-144
• 參考文獻(xiàn)144-149
• 附錄149-155
• 作者簡(jiǎn)介155-158

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張東彥;張競(jìng)成;朱大洲;王紀(jì)華;羅菊花;趙晉陵;黃文江;;小麥葉片脅迫狀態(tài)下的高光譜圖像特征分析研究[J];光譜學(xué)與光譜分析;2011年04期

2 丁永軍;李民贊;鄭立華;趙瑞嬌;李修華;安登奎;;基于近紅外光譜小波變換的溫室番茄葉綠素含量預(yù)測(cè)[J];光譜學(xué)與光譜分析;2011年11期

3 王海建;洪添勝;代芬;歐陽(yáng)玉平;羅瑜清;倪慧娜;;基于高光譜圖像技術(shù)的沙梨無(wú)損檢測(cè)[J];廣東農(nóng)業(yè)科學(xué);2013年09期

4 謝傳奇;王佳悅;馮雷;劉飛;吳迪;何勇;;應(yīng)用高光譜圖像光譜和紋理特征的番茄早疫病早期檢測(cè)研究[J];光譜學(xué)與光譜分析;2013年06期

5 虞佳佳;何勇;;基于高光譜成像技術(shù)的番茄葉片灰霉病早期檢測(cè)研究[J];光譜學(xué)與光譜分析;2013年08期

6 馬m，

本文編號(hào)：607721