论文部分内容阅读
油菜是我国四大油料作物之一,油菜的生长状况决定了油菜籽的产量和质量。油菜菌核病作为油菜生产中重要的病害之一,病株一般减产70%以上,严重影响了油菜的产量和品质。目前,油菜菌核病的诊断多依靠人眼进行判别,其缺点是预测不及时、主观性强、效率低,因此,急需一种能够快速、准确进行油菜菌核病检测的方法和技术。本文应用光谱和多光谱图像技术油菜菌核病进行快速识别和早期诊断。主要研究内容及创新点如下:1.结合油菜菌核病的发病机理,利用可见/近红外光谱技术对油菜菌核病进行了早期诊断。采用ASD便携式光谱仪采集油菜叶片样本的光谱,建立油菜菌核病识别的偏最小二乘模型(PLS)、BP神经网络模型(BPNN)、最小二乘支持向量机识别模型(LS-SVM),并比较这些模型的识别效果。其中依据二阶微分处理并且经过偏最小二乘分析提取特征值而建立的BP神经网络和最小二乘支持向量机识别模型效果最好,识别率都达到了100%。为了提高模型的计算速度,根据建立的PLS识别模型提取关于油菜菌核病信息的8个特征波长。根据这些特征波长建立识别模型,预测识别正确率在判别阈值为0.5和0.4的情况下分别达到87.5%和65%。说明这些特征波长在一定程度上代表了所有波长的信息,是大量光谱数据中最重要的波长部分,提取特征波长对于模型的简化以及后续的仪器开发打下了良好的基础。2.应用了红、绿、近红外三通道的多光谱图像进行了油菜菌核病的识别方法的研究。对采集到的红、绿、近红外组成的多光谱图像进行了去除背景噪声处理,并提取了RGB、HSI颜色空间的12个颜色特征和红、绿、近红外三个通道图像的15个纹理特征,主要运用偏最小二乘回归分析、BP神经网络以及最小二乘支持向量机建立了油菜菌核病的识别模型。比较了所建立的模型的识别效果。发现MSC预处理下建立的分别基于颜色特征和纹理特征的BP神经网络识别模型效果最优,在判别阈值为0.1的情况下的识别率达到100%。为了对BPNN模型的适用性进行评价,本文又选择了不同批次50个健康样本和50个染病样本输入到此模型,在0.1的判别误差允许范围下预测正确率分别达到99%、98%。可见这两个模型模型具有一定的通用性。因此运用多光谱图像技术可以快速、准确地对油菜菌核病进行识别,为实现实时、可靠的植物病害监测与防治提供了一条新方法。