论文部分内容阅读
本文以小麦赤霉病作为研究对象,利用实地测量的成像高光谱数据和非成像高光谱数据对小麦籽粒、麦穗以及冠层三个尺度的病害展开研究,将特征变量作为分类算法的输入构建监测模型,为农业生产中小麦赤霉病病害的识别分类以及防治提供科学的指导。主要研究工作如下:(1)在籽粒尺度上,采用成像高光谱仪获取健康和染病的小麦籽粒高光谱数据作为研究对象,利用筛选敏感特征波段构建小麦籽粒赤霉病识别模型。首先,利用正交信号校正对原始数据进行预处理;其次,利用遗传算法结合偏最小二乘法筛选出8个敏感特征波段;最后,利用特征波段和全波段光谱数据作为模型的输入,分别建立基于支持向量机和随机森林的小麦籽粒赤霉病识别模型。其中,基于GA-PLS建立的模型在识别准确和模型运行时间上均优于基于全波段建立的识别模型,SVM模型的识别准确率略高于RF模型,但模型运行时间较长,RF模型的识别准确率略低于SVM模型,但模型运行时间较短,基于GA-PLS建立的SVM模型的样本预测准确率达到100%,结果最优。(2)在麦穗尺度上,采用成像高光谱仪采集不同病情严重度的小麦麦穗高光谱图像数据,利用光谱特征和图像特征融合构建小麦赤霉病病情严重度分类模型。首先,基于图像特征分割出麦穗区域和病斑区域并定量计算出病情严重度;其次,采用连续投影算法(SPA)筛选出12个敏感特征波段作光谱特征变量;针对每个敏感特征波段图像采用灰度共生矩阵(GLCM)提取对比度、能量、熵以及相关性4个纹理特征,基于RGB颜色模型计算出每个样本图像R、G和B三个分量共计9个颜色矩特征;在此基础上,利用相关性分析法对提取的纹理特征和颜色特征进行筛选,选取相关性较高的纹理特征和颜色特征作为最终模型的输入变量;最后,利用粒子群优化支持向量机算法(PSOSVM)分别构建了基于不同特征变量融合的小麦赤霉病病情严重度分类模型。其中,基于光谱和颜色特征融合的PSOSVM模型的分类精度最优,精度为92%。利用高光谱图像,采用图像和光谱特征信息融合的方法可以准确有效的实现小麦赤霉病病情严重度的分类。(3)在冠层尺度上,采用非成像地物光谱仪采集健康和染病的小麦冠层高光谱数据为研究对象,利用随机蛙跳(RF)、竞争性自适应加权重采样法(CARS)和变量组合集群分析法(VCPA)3种不同变量筛选方法,以粒子群算法优化支持向量机为基础,构建并比较了不同的小麦冠层赤霉病病情监测模型。经RF算法、CARS算法和VCPA算法分别筛选10、9、8个敏感特征波段,其中,基于VCPA算法筛选敏感波段所建立的监测模型精度最优,精度为92%,优于基于RF(79%)和基于CARS(88%)的监测效果。