【摘要】：大豆作為一種有著悠久種植歷史的農(nóng)作物,不僅含有豐富的營(yíng)養(yǎng)物質(zhì),還具有抵抗膽固醇的功效。目前,由于輪作周期不斷減少,病蟲(chóng)害預(yù)防不及時(shí)致使大豆產(chǎn)量降低。其中大豆花葉病(SMV)在我國(guó)乃至全球大豆種植區(qū)均有出現(xiàn),嚴(yán)重影響大豆產(chǎn)量。因此,大豆花葉病的病情診斷監(jiān)測(cè)顯得尤為重要。當(dāng)前大豆病害檢測(cè)的研究主要集中在大豆發(fā)病中后期,為了實(shí)現(xiàn)對(duì)大豆花葉病的及時(shí)預(yù)防,本文基于高光譜成像技術(shù),對(duì)大豆花葉病早期檢測(cè)以及嚴(yán)重程度分級(jí)方法進(jìn)行研究。主要研究?jī)?nèi)容如下所述:(1)為減輕花葉病對(duì)大豆產(chǎn)量的影響,實(shí)現(xiàn)對(duì)大豆花葉病害早期診斷預(yù)警,提出了一種基于SPA2-ELM的大豆花葉病早期檢測(cè)方法。對(duì)接種SC3,SC7大豆花葉病毒七天后的大豆葉片以及正常葉片進(jìn)行高光譜圖像采集,分別采用SG平滑處理和分段多元散射校正對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。采用連續(xù)投影算法(SPA)選取9個(gè)特征波長(zhǎng)SPA1(405、461、522、552、626.6、705、743.4、855、947nm)。為了進(jìn)一步地減少計(jì)算量,再次對(duì)其進(jìn)行SPA處理得到4個(gè)最佳特征波長(zhǎng)SPA2(461、552、705、855nm),分別采用人工神經(jīng)網(wǎng)絡(luò)(ANN)、最小二乘支持向量機(jī)(LSSVM)、極限學(xué)習(xí)機(jī)(ELM)模型建立基于全光譜數(shù)據(jù)和特征波長(zhǎng)提取的大豆花葉病早期診斷模型。實(shí)驗(yàn)表明,采用SG平滑處理后的模型效果優(yōu)于采用分段多元散射校正預(yù)處理的模型,采用SPA2-ELM模型在去除數(shù)據(jù)冗余的前提下保持了良好的精度。模型訓(xùn)練集精度達(dá)到89.59%,測(cè)試集精度達(dá)到87.5%。(2)為進(jìn)一步提高大豆花葉病早期診斷模型的精度,提出了一種基于CNN模型的大豆花葉病早期檢測(cè)方法。其中模型的卷積層為兩層,卷積層中加入ReLu非線性激活函數(shù),池化層中使用Max pooling池化函數(shù)。對(duì)比采用極限學(xué)習(xí)機(jī)、最小二乘支持向量機(jī)模型,無(wú)論是不同種類(lèi)大豆樣本集的識(shí)別率,還是總體數(shù)據(jù)集的識(shí)別率,CNN模型的識(shí)別率都比LSSVM和ELM的高,其模型訓(xùn)練集識(shí)別率為94.79%,測(cè)試集識(shí)別率達(dá)到92.08%。(3)為了更好的實(shí)現(xiàn)對(duì)大豆花葉病的生長(zhǎng)監(jiān)測(cè),提出了一種基于CNN-SVM模型大豆花葉病分級(jí)檢測(cè)方法。將正常生長(zhǎng)以及不同患病程度的大豆葉片分為0級(jí)、1級(jí)、2級(jí),將卷積神經(jīng)網(wǎng)絡(luò)模型的全連接層接入支持向量機(jī),從而解決小樣本帶來(lái)的誤差,對(duì)比單獨(dú)采用卷積神經(jīng)網(wǎng)絡(luò)模型,檢測(cè)結(jié)果更為準(zhǔn)確。其中訓(xùn)練集準(zhǔn)確率達(dá)到96.67%,測(cè)試集準(zhǔn)確率達(dá)到94.17%。證明了用卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相結(jié)合對(duì)大豆花葉病分級(jí)檢測(cè)的可行性,并為基于高光譜圖像的大豆花葉病害檢測(cè)提供了一種新的方向。
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.41;TP18;S435.651
【圖文】：

江理工大學(xué)碩士學(xué)位論文 基于高光譜成像技術(shù)的大豆花葉病早期檢測(cè)與分級(jí)方法研究第 2 章 基本理論介紹.1 高光譜成像技術(shù).1.1 高光譜成像技術(shù)應(yīng)用高光譜成像技術(shù)與傳統(tǒng)多光譜技術(shù)相比，高光譜成像技術(shù)不僅豐富了研究對(duì)象的光譜息，也為光譜數(shù)據(jù)進(jìn)行更為快速、有效的分析提供了可能。高光譜成像技術(shù)作為一種綜性技術(shù)，是一種能夠?qū)⒊上窦夹g(shù)和光譜技術(shù)相結(jié)合的多維信息獲取技術(shù)[48]。采集的大豆本高光譜圖像如圖 2.1 所示，包括空間維度的大豆葉片圖像，光譜維度下各個(gè)波段的大光譜信息。其中實(shí)現(xiàn)高光譜成像技術(shù)應(yīng)用的具體操作流程，如圖 2.2 所示。

高光譜圖像如圖 2.1 所示，包括空間維度的大豆葉片圖像，光譜維度下各個(gè)波段的大譜信息。其中實(shí)現(xiàn)高光譜成像技術(shù)應(yīng)用的具體操作流程，如圖 2.2 所示。圖 2.1 大豆高光譜圖像示意圖

江理工大學(xué)碩士學(xué)位論文 基于高光譜成像技術(shù)的大豆花葉病早期檢測(cè)與分級(jí)方法研究.2 高光譜圖像采集系統(tǒng)實(shí)驗(yàn)采用的高光譜圖像采集系統(tǒng)型號(hào)為 Image-λ-V10E-PS，如圖 2.3。該系統(tǒng)主要組成分為：成像光譜儀、CCD 相機(jī)、四個(gè) 150w 的鹵素?zé)�、電控平移臺(tái)、平移控制器以及一計(jì)算機(jī)組成。其中光譜儀采集的光譜范圍為 383.70-1032.70nm，分辨率為 2.73nm，光譜樣間隔 0.63nm，光譜波段個(gè)數(shù)為 256。按組將大豆樣本置于平移臺(tái)，整個(gè)實(shí)驗(yàn)采集過(guò)程暗箱中完成，避免環(huán)境中雜散光帶來(lái)的影響。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭西陵;陳安軍;劉斌;彭佑明;;大豆花葉病的防治措施[J];農(nóng)家顧問(wèn);2013年05期

2 張素梅;陳香艷;劉玉芹;劉凌霄;;臨沂大豆花葉病的發(fā)生與防治對(duì)策[J];農(nóng)業(yè)科技通訊;2012年07期

3 ;怎樣防治大豆花葉病[J];現(xiàn)代農(nóng)業(yè);2005年05期

4 廖林,吳宗璞,高鳳蘭,王金陵;抗大豆花葉病親本種質(zhì)的鑒定方法研究[J];大豆通報(bào);1998年06期

5 董平,尹玉琦,李國(guó)英;新疆大豆花葉病的發(fā)生及防治[J];植物保護(hù);1985年04期

6 姜永業(yè);李連貴;孫伯錚;;遼寧省大豆花葉病的發(fā)生為害及毒原鑒定研究[J];遼寧農(nóng)業(yè)科學(xué);1987年03期

7 張明厚;魏培文;郭景泉;郝思紅;文錦芝;;大豆花葉病的流行因素及綜合防治[J];植物保護(hù)學(xué)報(bào);1988年04期

8 侯慶樹(shù),周益軍,韓紅,凌以祿,祝其昌,沈克琴;抗大豆花葉病品種類(lèi)型的鑒定及其利用[J];江蘇農(nóng)業(yè)科學(xué);1989年02期

9 陳作義;阮義理;金登迪;;浙江大豆花葉病害快速電鏡診斷[J];上海農(nóng)業(yè)科技;1984年06期

10 鄭麗敏;楊慧鳳;李曉亮;;河南大豆花葉病的發(fā)生及防治[J];農(nóng)業(yè)科技通訊;2011年08期

相關(guān)重要報(bào)紙文章 前3條

1 唐鑫;大豆花葉病的防治[N];農(nóng)資導(dǎo)報(bào);2017年

2 陳梓;如何防治大豆花葉病[N];河北科技報(bào);2013年

3 李小翠;怎樣防治大豆花葉病[N];山西科技報(bào);2005年

相關(guān)博士學(xué)位論文 前2條

1 周廣燦;我國(guó)致大豆花葉病的兩種Potyvirus病毒的演化與致病性研究[D];南京大學(xué);2015年

2 李得孝;大豆花葉�。⊿MV）抗性基因鑒定、分子驗(yàn)證、基因聚合與表達(dá)研究[D];西北農(nóng)林科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前1條

1 吳子?jì)?基于高光譜成像技術(shù)的大豆花葉病早期檢測(cè)與分級(jí)方法研究[D];浙江理工大學(xué);2019年

本文編號(hào)：2789274