论文部分内容阅读
小麦是世界上最重要的粮食作物之一,在我国有着广泛的种植面积。赤霉病是小麦的一种主要病害,它具有较强的传染性,不仅会导致小麦减产甚至绝收,严重影响小麦种子质量,还会大量分泌多种毒素严重危害人畜健康。因此,小麦赤霉病籽粒的识别研究具有至关重要的意义。本文以小麦赤霉病籽粒高光谱信息提取技术及识别模型的研究为切入点,以图像处理技术、特征提取技术以及分类算法为手段,确证了利用高光谱成像技术实现小麦赤霉病快速识别的可行性;同时,针对特征信息提取方法及识别模型的优化进行了相关研究,建立了多循环信息提取方法及组合式识别模型,提高了特征信息提取精度及识别精度,降低了误判率及漏检率,构建对赤霉病小麦籽粒的高效、准确、可视化的识别模型。本文的主要研究内容与研究成果如下:(1)小麦赤霉病籽粒高光谱图像预处理技术研究利用高光谱成像系统采集中科院第二粮仓计划示范农场提供的健康小麦和赤霉病小麦样本在可见光到近红外(470~1100nm)波段的高光谱图像。在空间图像方面,先利用灰度方差法作为清晰度评价指标选择进行图像处理的最优波段,利用最大类间方差法结合灰度线性拉伸和开操作完成麦粒掩膜提取,并利用主成分分析增强掩膜提取精度。在光谱预处理方面,利用Savitzky-Golay(SG)卷积平滑算法、多元散射校正和变量标准化对小麦光谱数据进行处理,最终采用SG卷积平滑算法进行光谱预处理。在高光谱特征提取方面,利用主成分分析(principal components analysis,PCA)和连续投影法(successive projections algorithm,SPA)进行高光谱数据降维,PCA变换后6个主成分包含原有99%以上的信息,SPA算法提取出8个特征波长,分别为:479.9、498.2、543.8、630.5、726.2、828.9、904.1、920.1nm。通过有效的数据预处理和特征提取为建立高效快速的小麦赤霉病识别模型提供了保障。(2)小麦赤霉病特征信息提取技术及优化在提取小麦样本光谱的过程中提出了一种基于k均值聚类法(k-means)结合kappa系数进行多次循环的方法来提取最优训练样本。最终以每类500条样本光谱作为训练集,每类10000条样本光谱作为测试集,并结合总分类精度和kappa系数对模型进行评价。在PCA和SPA两个特征空间内结合光谱角匹配、k均值聚类法、最近邻域法、线性判别分析和支持向量机(Support Vector Machine,SVM)五种分类算法构建多种小麦赤霉病识别模型。结果表明SVM算法在SPA特征空间中构建的分类模型的分类性能最优,训练集分类精度为91.1%,测试集分类精度达到88.84%,kappa系数为0.7767。(3)小麦赤霉病高光谱特征组合式识别模型建立及验证在SVM模型对小麦赤霉病识别研究的基础上,提出了两种进一步提高赤霉病小麦识别精度的方法分别为:基于多元散射校正的二次SVM识别方法和综合PCA和SPA两种特征空间的组合式SVM识别方法。前一种方法利用SVM模型和SVM散射校正模型二次分类的方法将测试集在SPA特征空间中的分类精度提升至88.98%。后一种方法综合样本在PCA和SPA特征空间中的信息,在不同的反射率区间内选择更合适的特征信息构建的分类模型,将测试集的分类精度提高至90.18%。采集以50%赤霉病染病率混合的小麦籽粒高光谱图像,作为未来标签未知的测试样本,并结合已知小麦高光谱图像利用SG-SVM(PCA+SPA)模型进行小麦赤霉病原位可视化识别研究。上述研究成果表明利用高光谱成像技术结合数据处理算法可以实现小麦赤霉病籽粒的原位快速可视化识别,有助于提高小麦赤霉病的检测效率、检测数量,降低漏检率,为小麦仓储运输加工提供保障,切实可行的确保小麦安全。进而,实现小麦赤霉病的快速无损检测,为我国粮食安全的检测技术手段提供了有力的技术支持。