發(fā)布時間：2022-01-19 18:55

　　病害作為影響農(nóng)作物生長的主要因素之一,平均每年造成農(nóng)作物產(chǎn)量損失高達12%以上。病害不僅直接導致農(nóng)作物產(chǎn)量減少,而且也嚴重降低了農(nóng)產(chǎn)品的品質(zhì),甚至引發(fā)食品安全事故。光譜成像作為一種融合圖像處理和光譜學的信息獲取技術,能同時獲取目標的圖像信息和光譜信息,從而更直觀表達目標的特征。光譜成像技術可以獲得圖像上每個點的光譜數(shù)據(jù),從而實現(xiàn)對作物病害的顏色、形狀和紋理特征及光譜特征的分析,具有快速、直觀和無損等特點,近些年在作物病害檢測領域的應用取得了較大研究進展。綜述了近六年來國內(nèi)外關于光譜成像技術在作物病害檢測領域應用的相關文獻,分析了光譜成像技術的優(yōu)勢和局限性,重點闡述了光譜成像作物病害檢測中關鍵的第三個技術:（1）光譜圖像分割技術,重點分析了四種常見分割算法的優(yōu)點和適用范圍;（2）光譜特征和空間特征提取技術,重點對比了空間特征、光譜特征和二者加權組合對病害信息表達的準確性;（3）檢測模型,重點介紹了光譜植被指數(shù)和機器學習模型在作物病害檢測中的穩(wěn)定性和前景。最后,根據(jù)上述分析展望了光譜成像技術在作物病害檢測領域中應用的研究趨勢,為相關研究提供全面且系統(tǒng)的參考。 

【文章來源】：光譜學與光譜分析. 2020,40(02)北大核心EISCICSCD

【文章頁數(shù)】：6 頁

【文章目錄】：
引 言
1 作物病害光譜成像檢測技術概述
    1.1 技術特點
        (1) 無損性。
        (2) 直觀性。
        (3) 實時性。
        (4) 準確性。
    1.2 技術局限性
        (1) 復雜背景。
        (2) 光照條件。
        (3) 拍攝角度。
2 作物病害光譜成像檢測關鍵技術
    2.1 光譜圖像分割
    2.2 特征信息提取
    2.3 作物病害識別
3 作物病害光譜成像檢測技術研究發(fā)展趨勢


【參考文獻】：
期刊論文
[1]基于高光譜技術的病害早期脅迫下黃瓜葉片中過氧化物酶活性的研究[J]. 程帆,趙艷茹,余克強,樓兵干,何勇.  光譜學與光譜分析. 2017(06)
[2]基于高光譜的碭山酥梨炭疽病害等級分類研究[J]. 溫淑嫻,李紹穩(wěn),金秀,趙劉,江寒.  計算機科學. 2017(S1)
[3]農(nóng)業(yè)主要病害檢測與預警技術研究進展分析[J]. 王翔宇,溫皓杰,李鑫星,傅澤田,呂雄杰,張領先.  農(nóng)業(yè)機械學報. 2016(09)
[4]溫室幼苗圖像的多算法融合區(qū)域生長分割算法研究[J]. 盧夏衍,李昕,冉鵬,柴宇燊,周強.  中國農(nóng)機化學報. 2016(06)
[5]基于高光譜成像的水稻穗瘟病害程度分級方法[J]. 黃雙萍,齊龍,馬旭,薛昆南,汪文娟.  農(nóng)業(yè)工程學報. 2015(01)
[6]基于分塊閾值和邊緣檢測的葉片分割算法[J]. 趙斌,周厚奎,馮海林.  農(nóng)機化研究. 2014(06)
[7]改進Hough變換的農(nóng)作物病斑目標檢測方法[J]. 吳露露,馬旭,齊龍,譚永炘,鄺健霞,梁仲維.  農(nóng)業(yè)工程學報. 2014(10)
[8]基于高光譜成像技術的水稻葉瘟病病害程度分級方法[J]. 鄭志雄,齊龍,馬旭,朱小源,汪文娟.  農(nóng)業(yè)工程學報. 2013(19)
[9]基于自適應雙閾值的蔬菜病害知識視頻分割方法[J]. 傅澤田,蘇葉,張領先,李鑫星.  農(nóng)業(yè)工程學報. 2013(09)
[10]基于病斑形狀和神經(jīng)網(wǎng)絡的黃瓜病害識別[J]. 賈建楠,吉海彥.  農(nóng)業(yè)工程學報. 2013(S1)



本文編號：3597383