本文關(guān)鍵詞：基于圖像和光譜解析的小麥病害識(shí)別研究

  更多相關(guān)文章： 圖譜協(xié)同 支持向量機(jī) CART決策樹(shù)模型 白粉病 條銹病

【摘要】：農(nóng)作物病害一直是農(nóng)業(yè)生產(chǎn)的天敵,制約著糧食的增產(chǎn)。如何科學(xué)診斷農(nóng)作物病害嚴(yán)重度、準(zhǔn)確區(qū)分不同病害,是遙感技術(shù)農(nóng)業(yè)應(yīng)用的重要方向之一。成像高光譜遙感具有“圖譜合一”的數(shù)據(jù)優(yōu)勢(shì),在作物病害遙感診斷機(jī)理及促進(jìn)農(nóng)業(yè)遙感技術(shù)發(fā)展方面具有重要作用。本論文以小麥白粉病和條銹病為研究對(duì)象,在葉片和冠層尺度上識(shí)別病害以及建立相應(yīng)的區(qū)分模型,目的是為早期病害識(shí)別提供參考,為便攜式病害診斷儀器開(kāi)發(fā)提供技術(shù)支持。已取得的主要研究結(jié)果如下：1)利用3 nm的成像高光譜數(shù)據(jù),研究小麥病害葉片的圖譜特征。以條銹病為例,得出概率分析中3×3窗口下的數(shù)據(jù)范圍紋理濾波和二階概率分析中3×3窗口下的相異性紋理濾波結(jié)果最好,細(xì)節(jié)特征最為明顯,能夠最好地反映染病區(qū)域的結(jié)構(gòu)特征,便于后續(xù)對(duì)條銹病和白粉病的圖像進(jìn)行特征解析。選取健康葉片像元、輕度條銹病斑像元、重度條銹病病斑像元,輕度白粉病斑像元、重度白粉病斑像元各110個(gè)構(gòu)建特征空間：求取10個(gè)近紅外波段(706.2～712.1 nm)的光譜反射率的平均值,作為Y軸；求取10個(gè)紅光波段(675.1～681.1 nm)的光譜反射率的平均值,作為X軸。用以對(duì)健康像元和輕度病害像元、健康像元和重度病害像元進(jìn)行區(qū)分,研究結(jié)果顯示,較好地實(shí)現(xiàn)了病害嚴(yán)重度區(qū)分,但健康像元和輕度像元有一定的重合。2)在葉片尺度上,利用主成分分析法對(duì)高光譜影像數(shù)據(jù)進(jìn)行降維,通過(guò)密度分割法對(duì)病害面積進(jìn)行分割；分析侵染白粉病和條銹病的葉片病斑區(qū)域的光譜特征差異,選擇第二主成分圖像篩選兩種病害的敏感波段,得到識(shí)別白粉病的敏感波段為519 nm,643 nm,696 nm,764 nm,795 nm和813 nm,條銹病的敏感波段為494 nm,630 nm,637 nm,698 nm,755 nm和805 nm。最后以12個(gè)敏感波段對(duì)訓(xùn)練集的100個(gè)白粉病像元和100個(gè)條銹病像元樣本建立支持向量機(jī)(SVM)判別模型,用預(yù)測(cè)集的50個(gè)樣本進(jìn)行判別驗(yàn)證,兩種病害的區(qū)分精度達(dá)到92%。在葉片尺度較好實(shí)現(xiàn)了兩種病害的區(qū)分,為病害識(shí)別儀器的開(kāi)發(fā)提供了重要的數(shù)據(jù)支持。3)在冠層尺度上,利用高光譜成像光譜儀SOC710-VP檢測(cè)田間不同背景地物對(duì)小麥白粉病診斷的影響。通過(guò)對(duì)比健康葉片、陰影葉片、染病葉片、麥穗的光譜響應(yīng)曲線(xiàn),篩選得出23個(gè)病害敏感波段來(lái)區(qū)分不同背景地物�；诿舾胁ǘ斡�(jì)算得出5個(gè)植被指數(shù)(VIs)和3個(gè)紅邊參數(shù)；提取出40種判別特征確定不同背景地物和病害嚴(yán)重度。基于提取的判別特征,利用CART決策樹(shù)模型建立白粉病不同嚴(yán)重度識(shí)別模型,識(shí)別精度通過(guò)交叉驗(yàn)證進(jìn)行評(píng)估。研究發(fā)現(xiàn)陰影部分的識(shí)別精度為100%,健康、病害葉片的判別精度為98.4%,麥穗僅有80.8%的判別精度。關(guān)注了健康、輕度和中度染病葉片的光譜識(shí)別,研究發(fā)現(xiàn)健康葉片有99.2%的判別精度；中度染病有88.8%的判別精度；輕度染病僅有87.9%的判別精度。因此,近地遙感監(jiān)測(cè)白粉病時(shí),麥穗是對(duì)病害識(shí)別影響較大的一個(gè)背景因素,同時(shí),輕度染病遙感評(píng)估需要進(jìn)一步研究。
【關(guān)鍵詞】：圖譜協(xié)同 支持向量機(jī) CART決策樹(shù)模型 白粉病 條銹病
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要3-5
• Abstract5-9
• 第一章 緒論9-15
• 1.1 研究背景及意義9-10
• 1.2 小麥病害遙感監(jiān)測(cè)研究進(jìn)展10-12
• 1.2.1 國(guó)內(nèi)外研究現(xiàn)狀10-11
• 1.2.2 目前研究存在的不足11-12
• 1.3 研究?jī)?nèi)容與技術(shù)路線(xiàn)12-13
• 1.4 論文的組織結(jié)構(gòu)13-15
• 第二章 試驗(yàn)方案與數(shù)據(jù)獲取15-20
• 2.1 研究區(qū)域概況15-16
• 2.2 數(shù)據(jù)獲取16-19
• 2.2.1 葉片尺度成像光譜數(shù)據(jù)16-17
• 2.2.2 冠層尺度成像光譜數(shù)據(jù)17-19
• 2.3 病害嚴(yán)重度調(diào)查19
• 2.4 本章小結(jié)19-20
• 第三章 小麥白粉病和條銹病圖譜特征解析20-35
• 3.1 病害葉片圖像的紋理特征分析20-26
• 3.1.1 基于概率統(tǒng)計(jì)的濾波分析20-23
• 3.1.2 基于二階概率統(tǒng)計(jì)的濾波分析23-26
• 3.2 正常葉片和病害葉片圖像基本統(tǒng)計(jì)信息對(duì)比26-29
• 3.3 病害葉片圖像的光譜特征分析29-33
• 3.4 本章小結(jié)33-35
• 第四章 葉片尺度下小麥白粉病與條銹病的判別研究35-44
• 4.1 引言35-36
• 4.2 數(shù)據(jù)分析及處理36-40
• 4.2.1 高光譜圖像的主成分分析37-39
• 4.2.2 圖像分割39
• 4.2.3 光譜標(biāo)準(zhǔn)化處理39-40
• 4.3 結(jié)果與討論40-43
• 4.3.1 圖像分割結(jié)果40
• 4.3.2 病斑光譜特征分析40-41
• 4.3.3 特征波段的提取41-42
• 4.3.4 PCA-SVM判別模型的建立42-43
• 4.4 本章小結(jié)43-44
• 第五章 冠層尺度下多因子影響的小麥白粉病診斷44-56
• 5.1 引言44-45
• 5.2 數(shù)據(jù)采集與處理45-48
• 5.3 實(shí)驗(yàn)結(jié)果48-53
• 5.3.1 不同背景地物的光譜響應(yīng)48-50
• 5.3.2 病害識(shí)別特征50-51
• 5.3.3 病害識(shí)別模型構(gòu)建51-53
• 5.4 分析與討論53-55
• 5.4.1 多個(gè)背景地物對(duì)小麥白粉病害診斷影響53-54
• 5.4.2 敏感波段選擇與病害識(shí)別特征分析54
• 5.4.3 不同病害嚴(yán)重度識(shí)別對(duì)噴藥防治的影響54-55
• 5.5 本章小結(jié)55-56
• 第六章 總結(jié)與展望56-58
• 6.1 總結(jié)56
• 6.2 展望56-58
• 參考文獻(xiàn)58-65
• 致謝65-66
• 攻讀碩士學(xué)位期間研究成果66-67
• 附錄167-70
• 附錄270-71

，

本文編號(hào)：1085466