论文部分内容阅读
数字化农业和精准化作业是现代农业发展的方向和要求。在作物病情虫情分析方面,数字农业要求快速、准确地获取植物受病虫害侵染的信息,从而指导植物生长过程中的精细化管理。数字农业病虫害精细化管理要求实现精确剂量的农药喷洒,而通过智能化的植物病虫害实时监测方法明确定位植物健康部位和受害部位以及受害程度是实现精确剂量农药喷洒的前提,也是数字农业精细化管理实施的关键。油菜是我国种植量第一的油料作物,菌核病和菜青虫是油菜的主要病虫害,研究油菜受此病虫害危害后的关键信息获取技术是实时准确掌握油菜受害情况的关键。本论文以受菌核病和菜青虫危害后的油菜作为主要研究对象,分别针对光谱维数据和空间维数据,通过光谱数据采集、高光谱成像、数据建模和智能计算、数字图像处理等技术,建立了一套油菜病虫害关键信息的识别获取方法,包括对油菜按感染菌核病时间的快速分类模型,油菜叶片菜青虫孔自动识别和重构模型,以及优化的轻度虫害油菜叶片的叶脉识别算法,实现了油菜受病虫害危害的实时监测。主要研究内容和创新性成果如下:(1)提出了一种基于类间不稳定指数和平均影响值变量筛选的高光谱波段优选算法,建立了油菜菌核病按感染时间的快速分类模型,实现了感染时间的快速鉴别。算法的核心思想是利用最能体现各类样本间差异的波段来对数类样本进行判别。将感染菌核病的油菜高光谱数据按感染时间的不同分为6类,对高光谱图像中的光谱维数据,采用基于类间不稳定指数的高光谱波段优选算法,得到45个有效波段,建模预测的相关系数为0.9,均方根误差为3.35675。进一步采用平均影响值变量筛选,得到30个有效波段,对这些波段建模能得到有效的预测结果。(2)构建按时间梯度的神经网络分类模型,分别利用蚁群和粒子群智能算法优化神经网络的拓扑结构、权值和阈值。优化后的神经网络模型对感染菌核病24小时、48小时、72小时、96小时、120小时和144小时的叶片像素进行染病时间的预测,预测结果的相关系数分别为0.5770和0.8527,均方根误差分别为2.33268和1.02670。(3)提出了一种油菜叶片菜青虫孔自动识别和重构的完整算法,实现了叶片边缘虫孔的自动复原,使通过计算边缘受损叶片的受损叶面积获得虫害程度信息成为可能。以高光谱图像中的空间维数据为对象,通过高光谱数据降维和图像分割,获得受害油菜叶片的精确轮廓。将菜青虫危害导致的虫孔分为闭合虫孔和不闭合虫孔两类。针对闭合虫孔,采用孔洞填充函数;针对不闭合虫孔,提出一种新的处理方法,包括虫孔定位和重构两个步骤。建立一种基于边缘曲线参数方程的反函数的一阶导数的定位因子和测试函数,根据脉冲大小识别虫孔位置。(4)提出一种遗传小波神经网络重构算法(G-WNNRA),用于重构被咬噬叶片边缘,建模引入小波变换和遗传算法。建模过程中,训练数据集的输入向量包括未咬噬边缘离散点的极角和极径,预测数据集的输入向量包括咬噬边缘离散点的极角和极径;输出向量为离散点的约束值,叶片边缘像素的约束值为0,边缘以外的像素约束值大于0,边缘以内的像素约束值小于0。与传统的BP神经网络、小波神经网络、遗传神经网络相比,G-WNNRA预测模型的性能最佳,对训练集及预测集样本预测的相关系数分别为0.998和0.953,均方根误差分别为0.00681和0.02714。实验结果表明,该方法能够有效识别和重构油菜叶片上的菜青虫孔。(5)提出一种优化的轻度虫害油菜叶片的叶脉识别算法。受菜青虫轻度危害的叶片除了叶肉和叶脉像素有色差外,受害的部位因为养分水分的流失,会与健康像素间产生色差,边缘提取时会与叶脉边缘一起被误识别出来,虫孔的边缘也会被误识别。这些非叶脉边缘都属于噪音,给叶脉识别带来很大干扰。本文分别采用主成分分析和导数光谱法结合数字图像处理方法提取受菜青虫危害的油菜叶片的叶脉。对高光谱图像中的光谱维数据进行降维,再对空间维数据进行处理,采用导数光谱法和主成分分析法,结合空间滤波和图像形态学等数字图像处理技术,构建一种识别受菜青虫轻度危害的叶片叶脉的方法。实验结果表明,基于主成分分析的叶脉识别算法效果优于基于导数光谱法的叶脉识别算法,前种方法可以识别出完整的主脉和侧脉,可以满足通用的叶脉分析要求。上述研究成果实现了油菜受菌核病和菜青虫危害时的关键信息快速获取,为进一步的防治和管理提供基础,这在科学上和实践中都是很有意义的。