基于图像熵信息的玉米种子纯度高光谱图像识别

种子纯度是种子质量的一个重要标志,为寻求快速有效的种子纯度识别方法,该文利用高光谱图像技术研究了玉米种子的分类识别问题。首先对17类玉米品种共1632粒种子的高光谱图像提取400～1000nm波长范围内233个波段的熵信息作为分类特征;然后利用偏最小二乘(PLS)投影算法对玉米高光谱图像进行最优波段选择,共获得65个最优波段特征;最后结合偏最小二乘判别分析法(PLSDA)实现了玉米种子的准确识别分类。分类结果表明,在最优波段数仅为全波段27.90%的情况下,其训练精度可以达到99.19%、测试精度为98.90%,可实现多类别样本条件下的玉米种子纯度识别。     

基于近红外高光谱成像技术鉴别杂交稻品系

种子的筛选和鉴别是农业育种过程中的关键环节。该文基于近红外高光谱成像技术(874~1 734 nm)结合化学计量学方法以及图像处理技术实现杂交稻种的品系鉴别及可视化预测。采集了3类不同品系共2 700粒杂交水稻的高光谱图像,用SPXY算法,按照2∶1的比例划分建模集和预测集。基于水稻样本的光谱特征,采用主成分分析(PCA)方法初步探究3类样本的可分性。采用连续投影算法(SPA),提取出7个特征波长:985.08、1 106、1 203.55、1 399.04、1 463.19、1 601.81、1 645.82 nm。基于特征波长和全波段光谱,建立了偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。试验结果表明,所建模型判别效果较好,识别正确率均达到了90%以上,其中,SVM模型的判别效果优于PLS-DA模型,基于全谱的判别分析模型结果优于基于特征波长的判别模型。结合SPA-SVM校正模型和图像处理技术,生成样本预测伪彩图,可以直观的鉴别不同品系的水稻种子。结果表明,近红外高光谱成像技术可以实现杂交稻的品系识别及可视化预测,为农业育种过程中种子的快速筛选及鉴定提供了新思路。     

高光谱图像技术在掺假大米检测中的应用

为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。     

基于深度卷积神经网络的水稻穗瘟病检测方法

穗瘟是一种严重影响水稻产量及品质的多发病害,有效地检测穗瘟是水稻病害防治的重要任务。该文提出基于深度卷积神经网络GoogLeNet模型的水稻穗瘟病检测方法,该方法利用Inception基本模块重复堆叠构建主体网络。Inception模块利用多尺度卷积核提取不同尺度穗瘟病斑分布式特征并进行级联融合。GoogLeNet利用其结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,实现穗瘟病害预测建模。为验证该研究所提方法的有效性,以1 467株田间采集的穗株为试验对象,采用便携式户外高光谱成像仪Gaia Field-F-V10在自然光照条件下拍摄穗株高光谱图像,并由植保专家根据穗瘟病害描述确定其穗瘟标签。所有高光谱图像-标签数据对构成GoogLeNet模型训练和验证的原始数据集。该文采用随机梯度下降算法(SGD,stochastic gradient descent)优化GoogLeNet模型,提出随机扔弃1个波段图像和随机平移平均谱图像亮度的2种数据增强策略,增加训练数据规模,防止模型过拟合并改善其泛化性能。经测试,验证集上穗瘟病害预测最高准确率为92.0%。试验结果表明,利用GoogLeNet建立的深度卷积模型,可以很好地实现水稻穗瘟病害的精准检测,克服室外自然光条件下利用光谱图像进行病害预测面临的困难,将该类研究往实际生产应用推进一大步。     

利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类

高精度监测土地利用对实现可持续发展有重要意义。然而,由于遥感传感器成像的限制和地物的复杂性,单一的高光谱和多光谱图像已经不能满足高精度土地利用分类的要求,充分利用高光谱和多光谱遥感图像的互补信息能克服仅采用单一遥感图像分类的不足。该研究设计双分支卷积神经网络协同高光谱和多光谱遥感图像进行土地利用分类。针对高光谱图像设计3维-1维卷积神经网络(3D-1D Convolutional Neural Networks,3D-1D CNN)分支自动提取高光谱图像的空间-光谱特征;针对多光谱图像,设计3维卷积神经网络(3D Convolutional Neural Networks,3D CNN)分支提取多光谱图像的空间-光谱特征;设计融合层将从高光谱和多光谱图像提取的特征进行融合,最后通过全连接层输出土地利用类别。研究表明,与决策树(Decision Tree,DT)、支持向量机(Support Vector Machine,SVM)以及1D、2D和3D CNN方法相比,该文提出的基于双分支卷积神经网络的方法在两个数据集上Kappa系数平均分别提升了15.9、8.1、5.4、5.4和2.7个百分点。     

基于机器学习算法的湖滨绿洲土壤电导率高光谱估算模型

  目的  为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。  方法  利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样（CARS）、连续投影算法（SPA）、遗传算法（GA）筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络（BPNN）、支持向量机（SVM）、极限学习机（ELM）三种机器学习算法模型,引入偏最小二乘模型（PLSR）进行对照,比较其模型精度。  结果  研究区土壤电导率值变化范围0.02～17.22 mS cm?1,平均值为2.61 mS cm?1,变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS > SPA > GA;三种机器学习算法模型均优于PLSR模型,决定系数（R2）平均增加20.57%,相对分析误差（RPD）平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79 和1.68 mS cm?1,RPD分别为2.04和2.00。土层深度20 ~ 30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm?1,RPD分别为2.41和2.50。  结论  基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。     

基于高光谱图像纹理特征的牛肉嫩度分布评价

传统牛肉品质的检测方法耗时长,效率低,破坏样品,已不能满足现代化生产的需要。为了实现对牛肉嫩度品质的快速无损检测和评价,该文利用高光谱成像系统,以西门塔尔牛多个胴体的背最长肌部位为研究对象,采集56个有效样本的高光谱立体图像,研究无损评价牛肉样品的嫩度分布。通过提取样本的反射光谱信息,并利用逐步回归算法结合遗传算法(GA,genetic algorithm)筛选出牛肉剪切力值(WBSF,warner-bratzler shear force)的特征波段。利用主成分分析(PCA,principle component analysis)提取样品的3个主成分。基于选出的特征波段图像和提取的主成分,通过计算图像灰度共生矩阵求取每幅图像8个主要纹理特征参数,分别建立了基于支持向量机(SVM,support vector machine)和线性判别(LDA,linear discriminant analysis)法的嫩度等级判别模型。经分析比较,基于主成分纹理特征优于基于特征波段图像建立的预测模型,并且,线性判别模型识别准确率相比支持向量机模型较高。基于主成分纹理特征建立的线性判别模型预测集判别精度为94.44%。研究结果证明,基于高光谱图像纹理特征分析,可以建立牛肉的嫩度判别模型,对牛肉嫩度快速无损检测技术研究提供理论参考。     

基于高光谱成像技术的灵武长枣缺陷识别

为研究快速识别灵武长枣表面裂痕、虫眼、碰伤等常见缺陷的有效方法,利用特征波长主成分分析法结合波段比算法进行长枣裂痕、虫眼、碰伤识别。首先,采用近红外(Near Infrared Reflection,NIR)波段范围的高光谱成像系统获取300个长枣反射图像,提取并分析各类型长枣光谱曲线,选择918~1 678 nm波段范围进行主成分分析,通过权重系数提取特征波长;然后,对特征波长下图像进行主成分分析,选择最优的主成分图像进行识别;最后,对未识别的长枣图像采用波段比算法进一步进行识别。NIR波段的正常枣、虫眼枣、裂痕枣、碰伤枣的识别率分别100%、90%、86%、100%。结果表明:NIR高光谱成像仪对长枣外部缺陷识别是可行的,为多光谱成像技术应用于在线检测长枣品质提供了理论依据。     

基于多路卷积神经网络的大田小麦赤霉病图像识别

为了准确地识别小麦病害,及时采取防治措施,减少农药施用的成本,同时减少农业生态环境的污染,该研究以灌浆期感染赤霉病的小麦麦穗图像为研究对象,根据病变区域与健康区域的颜色分布特点,设计了一种多路卷积神经网络用于小麦赤霉病图像的识别。首先利用深度语义分割网络U-Net对大田环境下的小麦图像进行分割,去除小麦叶片及其他无关背景的影响,从而分割出麦穗图像。然后设计结构较为简单的多路卷积神经网络分别提取麦穗图像R、G、B 3个通道的特征,通过特征融合获得具有高辨识性的麦穗图像语义特征。最后,为了增大赤霉病和健康麦穗图像特征之间的可区分性,同时减小赤霉病麦穗图像类内特征的差异,采用联合损失函数进一步改善网络的性能。该研究对采集的大田环境下的510幅灌浆期小麦群体图像进行分割,选取2 745幅完整单株麦穗图像利用所设计的多路卷积神经网络进行赤霉病识别试验,结果表明该研究所提算法对单株麦穗赤霉病识别精度达到100%,能够为小麦病害的智能识别提供帮助。     

基于GF-6时序数据的农作物识别深度学习算法评估

农作物类型制图是农情遥感的重要内容。本研究利用GF-6时序数据，在黑龙江省对基于卷积、递归和注意力3种机制的6个深度学习模型在农作物类型制图中的性能进行了定性和定量的评估。结果表明：所有模型对大豆、玉米和水稻3类主要农作物的F1值不低于89%、84%和97%，总体分类精度达到了93%～95%。将模型异地迁移后，各模型的总体分类精度下降7.2%～41.0%，基于卷积或递归的深度学习模型仍保持了较强的农作物识别能力，优于基于注意力的深度学习模型和随机森林模型。在时间消耗上，各深度学习模型相比于随机森林模型，训练与推理时间不超过6.2倍。GF-6时序数据结合深度学习模型在分类精度和运行效率上满足高精度大范围农作物制图的需要，且迁移性优于传统模型。研究结果可为深度学习在黑龙江农作物遥感分类任务中的应用提供参考。     

基于流形光谱降维和深度学习的高光谱影像分类

高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。     

基于光声光谱和TCA迁移学习的稻种活力检测

种子活力是决定水稻产量的最重要因素之一，但目前水稻种子活力的近红外和高光谱等无损检测方法易受种子表皮颜色影响，且所建模型难以适应新品种。该研究提出基于光声光谱技术的稻种活力无损检测方法并结合迁移学习进行新品种稻种活力检测。首先，对Y两优、龙粳、南粳、宁粳、武运粳、新两优等具有区域代表性的典型6种水稻品种，进行高温高湿人工老化处理，得到0~7 d老化时间的水稻种子；再通过调制频率获得8种不同深度的光声光谱信息，用主成分分析、竞争性自适应重加权算法对光谱降维得到特征光谱后，对Y两优、龙粳、南粳、宁粳、武运粳分别建立偏最小二乘回归（Partial Least Squares Regression，PLSR）、反向传播神经网络（Back Propagation Neural Network，BP）、广义回归神经网络（Generalized Regression Neural Network，GRNN）、支持向量回归模型（Support Vector Regression，SVR）、深度卷积神经网络（Convolutional Netural Network，CNN）的稻种活力预测模型，并选择最优调制频率；最后，通过迁移学习将建立的模型迁移到新两优稻种进行活力预测。结果表明，光声光谱最佳扫描频率为300 Hz，CNN预测模型精度较高，相关系数和均方根误差分别优于0.990 9、低于0.967 5；且经过迁移学习，仅需通过对源域数据的训练，即可直接对新品种稻种的活力进行精确预测；通过TCA迁移学习后，新两优稻种活力预测的相关系数从0.718 5提高到0.990 3。研究表明，采用光声光谱深度扫描技术对不同种类稻种的活力进行高精度检测是可行的，且经过迁移学习，仅需80粒新品种稻种信息即可实现稻种活力的精确预测。     

利用空间-光谱双分支特征和动态选择的高光谱影像农作物分类

高光谱遥感可以捕获地表近乎连续的光谱曲线,以较高的光谱诊断能力对地表农作物进行精细分类与识别。传统基于深度学习的高光谱分类算法中空间、光谱特征捕捉利用困难、冗余特征筛选能力不足、模型约束过于单一等问题,导致农作物类型复杂且样本分布不均区域分类模型性能下降。该研究提出一种基于空间-光谱双分支动态特征选择的高光谱分类算法,在结合通道注意力机制和空间注意力机制进行空间-光谱特征提取的基础上,通过门控卷积层对提取到的特征进行相关性的计算和处理,实现空间维度和通道维度上的特征动态选择,并分别从空间、光谱和联合特征3个角度对分类结果约束,结合分类损失函数实现高光谱影像的分类任务。结果表明,在JAAS(Jiangsu academy of agricultural sciences,江苏省农业科学院)高光谱农作物分类数据集上,该研究算法总体精度、Kappa系数分别为99.35%和99.20%,相较于专为高光谱分类设计的算法CDCNN(contextual deep convolution network,上下文深层卷积网络)、 WCRN(wide contextual residual networ...     

基于可形变VGG-16模型的田间作物害虫检测方法

由于田间害虫种类多,大小、形态、姿态、颜色和位置变化多样,且田间害虫的周围环境比较复杂,使传统田间害虫检测方法的性能不高,而现有基于卷积神经网络的作物害虫检测方法采用固定的几何结构模块,不能有效应用于田间多变的害虫检测。该研究在VGG-16模型的基础上构建了一种可形变VGG-16模型（Deformable VGG-16,DVGG-16）,并应用于田间作物害虫检测。在DVGG-16模型中,引入可形变卷积后能够适应不同形状、状态和尺寸等几何形变的害虫图像,提高了对形变图像的特征表达能力,然后利用1个全局平均池化层替代VGG-16模型中的3个全连接层,以加快模型的训练。通过DVGG-16模型与VGG-16模型对比试验发现,DVGG-16模型提升了对田间害虫图像的形状、大小等几何形变的适应能力,在不改变图像空间分辨率的情况下,实现了对不规则田间害虫图像的特征提取,在实际田间害虫图像数据库上的检测准确率为91.14%。试验结果表明,DVGG-16模型提升了VGG-16模型对害虫多样性图像的特征表达能力,具有一定的图像形变适应能力,能够较准确地检测到田间形状变化多样的害虫,可为田间复杂环境下作物害虫检测系统提供技术支持。     

利用SAR影像与多光谱数据反演广域土壤湿度

针对基于主动微波遥感途径开展广域土壤湿度反演的过程中,对植被和土壤粗糙度影响难以进行有效估算的问题,该研究联合多极化雷达和原始多光谱数据源,提出一种改进的卷积神经网络(Improved Convolutional Neural Network,ICNN)方法。该方法采用不同尺寸的卷积核对原始变量进行一维卷积运算,自适应提取能反映测区土壤湿度时空差异的高级特征维;同时,去除了传统卷积神经网络结构中的池化层,保证提取的特征信息完整。试验结果表明,在边长超过100 km的四川盆地研究区域内,模型预测值与样本数据相关系数达到0.934,预测值偏差服从均值趋近于0的正态分布,均方根误差为1.45%,误差分布范围小于6.3%,结果具有较高的可靠性。该方法可为精准农业、旱涝灾害等领域的广域监测研究提供一定的支撑。     

基于改进MobileNet-V2的田间农作物叶片病害识别

农作物病害是造成粮食产量下降的重要因素,利用智能化手段准确地识别农作物病害有利于病害的及时防治,该研究基于改进的MobileNet-V2识别复杂背景下的农作物病害,对未来覆盖各种作物的智能化病害识别工作具有重要意义。首先创建含有11类病害叶片及4类健康叶片的农作物数据集,采用数据增强操作构造不同的识别场景。其次在原始模型MobileNet-V2的基础上,嵌入轻量型的坐标注意力机制,建立通道注意力与位置信息的依赖关系。然后对网络中不同尺寸的特征图采取上采样融合操作,构建兼具网络高、低层信息的新特征图。此外,采用分组卷积并删除模型中不必要的分类层,减少模型参数量。试验结果表明：改进模型的参数量为2.30 MB,改进模型的识别准确率在背景复杂的农作物叶片病害数据集中达到了92.20%,较改进前提高了2.91个百分点。相比EfficientNet-b0、ResNet-50、ShuffleNet-V2等经典卷积神经网络架构,改进模型不仅达到了更高的识别准确率,还具有更平稳的收敛过程以及更少的参数。该研究改进的模型较好地平衡了模型的复杂度和识别准确率,为深度学习模型移植至田间移动病害检测设备提供了思路。     

基于CNN-BiLSTM的棉花产量预测方法

针对传统的作物产量估算方法在模型泛化方面的不足及缺少时序特征和空间特征的问题,该研究以机采棉为研究对象,结合无人机遥感平台与深度学习技术对棉花进行多期遥感观测与估产。以棉花苗期、蕾期和花期的影像为时间序列数据集,构建基于卷积神经网络（Convolutional Neural Network,CNN）和双向长短期记忆（Bidirectional Long Short-Term Memory,BiLSTM）的混合模型（CNN-BiLSTM）进行棉花产量预估,提高时间维度和空间维度方面的特征提取能力,并分别验证CNN和BiLSTM的性能以及不同网络深度对估产的影响。研究结果表明,CNN和BiLSTM深度分别为14和1的CNN14-BiLSTM模型准确率最高,对比单一结构的BiLSTM该模型决定系数从0.851提升至0.885,其均方根误差和平均绝对百分比误差也均明显下降,在2.3 m×2.3 m的样方内,结果分别为147.167 g和6.711%。该研究实现了基于时间序列的棉花产量估算,可为类似的作物产量估算提供参考。