基于LMPSO-SVM的高光谱水稻稻瘟病害分级检测

为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练...     

基于线性判别法的生菜农药残留定性检测模型研究

针对农副产品农药残留超标现象,提出一种快速高效无损检测菜叶农药残留的方法。以4组生菜叶片为研究对象,分别喷洒丙酮和3种不同浓度的乐果农药(乐果和丙酮的体积比为1∶100、1∶500、1∶1 000),利用近红外高光谱成像仪采集生菜样本的高光谱图像(871.61~1 766.32 nm)。在生菜高光谱图像中选取感兴趣区域(ROI)并提取该区域的平均光谱,对ROI内的图像进行主成分分析(PCA)处理,提取PC1、PC2图像的纹理特征。采用连续投影算法(SPA)和主成分分析方法 (PCA)选取光谱数据的特征波长,分别利用线性判别法K最近邻法(KNN)、马氏距离(MD)和Fisher判别分析(FLDA)方法建立基于全波段、特征波段下光谱特征和光谱与纹理融合特征的农药残留检测模型。结果表明,基于SPA特征光谱和主成分图像纹理特征融合信息的Fisher模型较好,训练集和测试集分类正确率分别为98.9%和100%,利用近红外高光谱图像技术结合信息融合及Fisher算法鉴别农药残留等级是可行的。     

基于光谱分形维数的水稻白叶枯病害监测指数研究

针对缺乏有效监测水稻叶片感染白叶枯病害光谱指数的问题，以分蘖期的水稻叶片为研究对象，采集了接种白叶枯病菌的水稻叶片和对照处理的水稻叶片各200片，利用高光谱成像装置获取373~1033nm波段的水稻叶片光谱数据，选取450~900nm波段的水稻叶片高光谱数据作为样本。从每个样本中选取一个感兴趣区域（Region of interest, ROI）并计算平均光谱，经过Savtzky-Golay平滑处理得到平均光谱曲线；为了定量描述水稻叶片是否感染病害，提出将光谱分形维数(Fractal dimension, FD)作为定量描述水稻白叶枯病害的监测光谱指数，实现对白叶枯病害的监测。通过分析光谱指数(Spectral index, SI)和FD，建立SI和FD之间的多元线性关系，同时比较了FD与其他常用监测指数对白叶枯病害监测的有效性。结果表明：水稻白叶枯病害在绿峰（510~560nm）和红谷（650~690nm）波谱内的响应较为敏感；针对健康和感病叶片，FD与SI之间存在较好的多元线性关系，说明FD与光谱曲线有较好的对应关系，可以作为定量描述叶片健康状况的光谱指数；与常用监测指数相比，本文病害监测指数与水稻染病具有更高的相关性，其相关系数达到了0.9840，指数分布稳定性更高。本研究结果说明基于光谱反射曲线的圆规分形维数对判断水稻叶片是否感染白叶枯病害是可行的，为水稻白叶枯病害的监测提供了一种新方法。     

基于改进RF特征选择策略的烤烟油分高光谱特征分析

针对烤烟油分特征预测模型的特征优选问题,提出一种改进RF(随机森林)算法特征选择策略,首先通过RF特征选择算法计算出各个特征的RF-Score,将特征按RF-Score的大小排序依次添加到特征子集中,若分类器分类准确率提高则保留该特征,若分类器分类准确率没有提高或降低则去除该特征。结果表明:利用RF特征选择算法对烤烟高光谱特征进行筛选时,将176个高光谱特征中按基尼系数降序排列依次输入SVM分类器中,前64个高光谱波段特征即可使支持向量机分类器性能最佳,特征子集维度为64,其分类准确率为93.33%。利用改进RF特征选择策略对176个烤烟高光谱波段特征进行筛选,只需输入371.08 nm、716.71 nm、378.31 nm、487.77 nm、484.09 nm、535.85 nm六个波段的高光谱特征即可使支持向量机分类器性能最佳,其分类准确率为95%,特征子集维度为6,说明改进的RF特征选择策略可以在保证分类器性能的前提下能较好地进行数据降维,减小特征集的冗余。改进后的RF特征选择算法与全高光谱波段相比,特征数量减少170个,分类准确率提高3.33%;与RF特征选择算法相比,特征数量减少58个,分类准确率提高1.67%。     

基于高光谱病害特征提取的温室黄瓜霜霉病早期检测

针对温室黄瓜早期霜霉病高光谱图像田间采集环境光照的影响及有效病害特征难以提取的问题，提出融合病害差异信息改进的竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)和连续投影算法(Successive projections algorithm, SPA)相结合的特征波段提取方法，并建立了黄瓜霜霉病早期检测模型。首先，采集黄瓜健康叶片和染病12d内每天的高光谱图像，按病程分为7类；提取感兴趣区域，并计算平均光谱作为光谱数据；采用包络线消除法确定霜霉病害差异波段，基于病害差异波段采用CARS对7个不同阶段的光谱数据分别提取特征波段，再利用SPA进行二次降维寻优；最后，将各特征波段组合，得到47个特征波段数据，据此建立最小二乘-支持向量机(Least square support vector machines, LSSVM)模型，用于病害检测。在94个叶片样本组成的测试集上进行了病害检测实验，结果表明，融合病害差异信息的Dis-CARS-SPA-LSSVM对染病2d到发病12d均能取得100%的检测识别率；对染病1d的测试集检测识别率达到95.83%，其中染病样本的召回率达到100%，相较于未融合病害差异信息的CARS-SPA特征提取方法识别率高4.16个百分点。说明所提出的Dis-CARS-SPA-LSSVM模型能够有效实现温室黄瓜霜霉病害的早期检测。     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

高光谱成像技术的玉米叶片氮含量检测模型

应用高光谱成像技术,实现了玉米拔节期叶片氮含量的检测。提取出240个叶片样本的平均光谱反射率数据(400~1 000nm),对原始数据分别进行3种预处理(1stDer、2ndDer、SNV),建立了4种预测模型,包括基于幅值参数(Dλr、Dλy、Dλb)的多种回归模型、全光谱PLS模型、基于连续投影算法(SPA)的PLS模型及基于主成分分析法(PCA)的PLS模型。建模结果显示:基于PCA的PLS模型预测精度最低;全光谱的PLS模型Rc2和RP2分别为0.967、0.821;基于SPA算法的PLS模型R_c~2、R_P~2分别为0.944、0.749,与全光谱的PLS模型预测精度相当,而自变量个数减少了95.07%。基于幅值参数的多元回归模型其预测结果虽与基于全光谱的PLS模型有些许差距,但模型简单,运算量最小,适用于对精度要求不高的场合。     

生菜叶片镉含量高光谱预测模型

为了实现无损检测生菜叶片中重金属镉的含量,以高光谱技术为研究手段,研究一种基于高光谱技术的精确、快速和有效检测生菜中重金属镉含量的方法。首先,使用高光谱图像采集系统获取生菜高光谱图像,并提取光谱数据,对提取出的光谱数据采用连续投影算法（SPA）和基于权重回归系数的特征选择算法进行特征提取,建立预测生菜叶片中镉含量的最小二乘支持向量回归（LSSVR）模型。结果表明:SPA-LSSVR模型性能最佳,其中预测集决定系数为0.927 3,均方根误差为0.093 mg/kg。因此,利用高光谱技术结合SPA-LSSVR模型对生菜叶片中重金属镉含量进行预测是可行的,可为实际应用提供技术支持和参考。      

基于纹理特征与植被指数融合的水稻含水量无人机遥感监测

含水量是表征水稻生理和健康状况的关键参数，精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前，利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数，针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长，并且这些参数随水稻生长呈现出了相似的动态变化趋势；（2）与RGB图像相比，多光谱图像评估水稻含水量具有更高的潜力，其中归一化光谱指数NDSI_771,611实现了更好的预测精度（R²=0.68，RMSEP=0.039，rRMSE =5.24%）；（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R²=0.86，RMSEP=0.026，rRMSE=3.51%），预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉和田间管理决策提供新思路。     

结合Beltrami流和递归滤波的高光谱图像分类方法

过去的高光谱图像空间特征提取中往往仅限于一种特征的提取,未能获得较为全面的空间特征。针对当前的不足,提出一种结合Beltrami流滤波和域转换递归滤波的高光谱图像分类算法(BFRF-SVM)。该方法分别用Beltrami流对PCA降维后的高光谱图像滤波和域转换递归滤波对全光谱波段进行滤波,两种空间信息进行线性融合后交由支持向量机(SVM)完成分类,实验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法、边缘保持滤波和递归滤波以及形态学滤波特征方法,本文所提出的BFRF-SVM方法对高光谱图像的分类精度有较大提高,验证了该方法的有效性。     

沼气发酵液防治水稻白叶枯病和纹枯病的研究

沼气发酵液对于水稻白叶枯病和纹枯病有明显的防治效果。使用沼气发酵液比使用化肥和猪杂肥,水稻白叶枯病的病叶率降低11.29～21.43％、病情指数降低11.86～25.47％,预防效果为48.32～43.42％,治疗作用为17.61～17.92％;水稻纹枯病的病叶率降低9.83～26.16％,病情指数降低了44.94～66.52％;千粒重增加3.08～7.80％,理论产量较单施化肥增加22.22～28.41％。     

基于Random Forest的水稻细菌性条斑病识别方法研究

为了快速、准确、有效地识别发病早期的细菌性条斑病,提出基于随机森林(Random forest,RF)算法的水稻细菌性条斑病识别方法,利用光谱成像技术获取该病害的高光谱数据,通过多元散射校正减少和消除噪声及基线漂移对光谱数据的不利影响。利用随机森林特征重要性指标,选取逻辑回归(LR)、朴素贝叶斯(NB)、决策树(DT)、支持向量分类机(SVC)、k最近邻(KNN)和梯度提升决策树(Gradient boosting decision tree,GBDT)算法进行对比试验。同时筛选出12个位于450~664 nm范围内对识别模型有重要影响的光谱波段,并与全波段进行分类结果比较。试验结果表明:RF算法的分类准确率为95.24%,与试验选取的其他算法相比,效果最优,比NB准确率提高了20.97个百分点;与全波段分类结果相比,利用RF算法基于12个波长的识别,波长数减少了98.05%,识别精确率为94.66%,召回率为99.55%,F1值为97.04%,准确率为94.32%。虽然精确率减少了2.97个百分点、准确率减少了0.85个百分点,但召回率增加了4.4个百分点、F1值增加了0.67个百分点,模型精度满足要求。     

基于分数阶微分和最优光谱指数的大豆叶面积指数估算

高光谱遥感技术可对作物生长状况进行无损、高效地监测，是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象，对原始开花期大豆高光谱反射率数据进行0～2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明：0～2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率，分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性；相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为：TVI(687 nm, 754 nm)、DI(687 n...     

基于无人机高光谱影像的水稻叶片磷素含量估算

为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量（质量分数）（Leaf phosphorus content, LPC）。分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,基于特征波长反射率和光谱指数建立水稻LPC的估算模型,利用最佳模型对高光谱影像进行反演填图,得到LPC空间分布信息。结果表明：全生育期内LPC与462~718 nm范围内光谱反射率显著负相关,负相关最大处相关系数达到-0.902;LPC的特征波长为670、706、722、846 nm,基于特征波长、使用偏最小二乘回归建立的LPC估算模型精度最高,验证R2达到0.925,RMSE为0.027%;在任意波段组合构建的3种类型的光谱指数中,NDSI(R498,R606)、RSI(R498,R606)和DSI(R498,R586)与LPC的相关性最高,相关系数分别为0.913、0.915和0.938;基于3个光谱指数、使用神经网络构建的LPC估算模型精度较高,验证R2为0.885,RMSE为0.029%;对各生育期水稻LPC空间分布的反演结果与实测数据相一致,说明利用无人机高光谱遥感可以实现田间水稻LPC的快速无损监测。     

基于高光谱成像的甘蔗叶片早期轮斑病与锈病识别技术

针对甘蔗叶片早期轮斑病与锈病发病症状相似,难以区分,导致在实际生产中不便对症施药的问题,以甘蔗早期轮斑病和锈病叶片为研究对象,探究利用高光谱成像技术来识别甘蔗叶片早期轮斑病与锈病的可行性。首先,利用高光谱成像系统在406～1 014 nm光谱范围内采集甘蔗健康叶片、早期轮斑病叶片和锈病叶片的高光谱图像,提取图像的感兴趣区域(Region of interest, ROI)并计算其平均光谱作为原始光谱数据,采用一阶导数(First derivative, FD)、Savitzky-Golay卷积平滑(Savitzky-Golay convolutional smoothing, SG)和标准正态变换(Standard normal variate, SNV)分别对原始光谱数据进行预处理。然后,在预处理的基础上采用主成分分析(Principal component analysis, PCA)算法、蚁群优化(Ant colony optimization, ACO)算法进行特征降维,并将降维后的特征作为后期建模的输入变量。最后,结合降维和不降维2种方式使用支持向量机(SVM)和随机森林(R...     

基于高光谱数据的玉米叶面积指数和生物量评估

利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平。本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数（LAI）和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,比较分析两类高光谱数据在玉米表型性状参数上的监测能力。结果表明,野生型玉米材料的冠层光谱反射率在近红外波段随着种植密度的增大而增大;同一种植密度下的野生型玉米材料的光谱反射率在可见光和近红外波段均为最低。在可见光波段550 nm的波峰处,4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高4.52%~19.9%,在近红外波段870 nm的波峰处,4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高23.64%~57.05%。基于21个高光谱植被指数构建的模型对LAI的估算效果最好,测试集决定系数R²为0.70,均方根误差RMSE为0.92,相对均方根误差rRMSE为15.94%。敏感波段反射率（839~893 nm和1336~1348 nm）对玉米单株地上部生物量估算效果最佳,测试集R²为0.71,RMSE为12.31 g,rRMSE为15.89%。综上,田间非成像高光谱和无人机成像高光谱在玉米LAI及生物量估算方面具有较好的一致性,能够快速有效地提取地块尺度玉米农学参数信息,本研究可为高光谱技术在小区尺度的精准农业管理应用提供参考。     

基于高光谱定量反演模型的污水综合水质评价

为改善高光谱遥感对污水水质信息状况定量反演模型的预测评价效果,以陕西某污水处理厂采集的污水样品为研究对象,采用主成分分析法（Principal component analysis,PCA）对污水水质进行综合评价,获取水质评价的综合评价因子,同时利用ASD FieldSpec 3型高光谱仪获取污水的原始光谱,经过数据预处理和不同数学变换后,共获取了4种光谱指标：平滑后光谱反射率（SG）、倒数之对数（LR）、标准正态化（SNV）和去包络线（CR）。分别采用偏最小二乘回归法（Partial least squares regression,PLSR）、逐步回归法(Stepwise regression,SR)、极限学习机法（Extreme learning machine,ELM）构建了基于水质综合评价因子的高光谱水质反演模型,并对反演结果进行精度验证与比较。结果表明,本组水样的平滑后光谱数据和经过标准正态化变换的光谱数据建模具有较好的建模效果,其建模的预测RPD均在2.5以上;在3种模型中,PLSR模型和ELM模型均具备很好的建模预测效果;逐步回归法的建模效果较PLSR模型和ELM模型有所下降,但是其SG-SR、SNV-SR模型的R2c均在0.8以上、R2p均在0.85以上,RPD均在3.0以上,证明其仍拥有很好的反演预测效果,且进行了特征波段的优选,实现了对模型的优化;SNV-SR-ELM（R2c=0.956,R2p=0.954,RMSE=0.500,RPD=4.651）为最佳模型,SNV-SR-ELM模型的建立为高光谱反演水质模型的优化、污水水质的快速监测和综合评价提供了途径。     

基于注意力机制与EfficientNet的轻量化水稻病害识别方法

为实现水稻病害图像的快速、准确识别,提出一种基于注意力机制与EfficientNet的轻量化水稻病害识别方法。该方法首先引入轻量级卷积注意力模块(Convolutional Block Attention Module,CBAM)改进Efficientnet-B0中的主体模块轻量翻转瓶颈卷积核(Mobile Inverted Bottleneck Convolution,MBConv),然后利用Ghost模块优化网络中的卷积层,降低网络的参数量和计算量,最后使用Adam优化算法提高网络的收敛速度。在由572幅水稻白叶枯病、稻粒黑粉病、稻曲病、稻胡麻斑病和健康叶片5类水稻图像构成的测试集上,本文所提方法的识别准确率为95.63%,较EfficientNet-B0提高1.75%;分别比同类经典神经网络VGG16、Inception-V3、ResNet101和DenseNet201提高8.39%、4.72%、3.67%和1.05%。本文所提方法模型参数量为4.4 M,较EfficientNet-B0减少2.8 M;相比于对照网络,其参数量仅是这些网络模型参数量的9.05%、18.37%、9.81%和21.64%。试验结果表明：本文所提方法能够实现对不同水稻病害图像的准确、快速识别,而且识别模型轻量,具有较少的网络参数量。