小麥是世界上最重要的糧食作物之一,在我國有著廣泛的種植面積。赤霉病是小麥的一種主要病害,它具有較強的傳染性,不僅會導致小麥減產(chǎn)甚至絕收,嚴重影響小麥種子質量,還會大量分泌多種毒素嚴重危害人畜健康。因此,小麥赤霉病籽粒的識別研究具有至關重要的意義。本文以小麥赤霉病籽粒高光譜信息提取技術及識別模型的研究為切入點,以圖像處理技術、特征提取技術以及分類算法為手段,確證了利用高光譜成像技術實現(xiàn)小麥赤霉病快速識別的可行性;同時,針對特征信息提取方法及識別模型的優(yōu)化進行了相關研究,建立了多循環(huán)信息提取方法及組合式識別模型,提高了特征信息提取精度及識別精度,降低了誤判率及漏檢率,構建對赤霉病小麥籽粒的高效、準確、可視化的識別模型。本文的主要研究內容與研究成果如下:(1)小麥赤霉病籽粒高光譜圖像預處理技術研究利用高光譜成像系統(tǒng)采集中科院第二糧倉計劃示范農(nóng)場提供的健康小麥和赤霉病小麥樣本在可見光到近紅外(470~1100nm)波段的高光譜圖像。在空間圖像方面,先利用灰度方差法作為清晰度評價指標選擇進行圖像處理的最優(yōu)波段,利用最大類間方差法結合灰度線性拉伸和開操作完成麥粒掩膜提取,并利用主成分分析增強掩膜提取精度。在光譜預處理方面,利用Savitzky-Golay(SG)卷積平滑算法、多元散射校正和變量標準化對小麥光譜數(shù)據(jù)進行處理,最終采用SG卷積平滑算法進行光譜預處理。在高光譜特征提取方面,利用主成分分析(principal components analysis,PCA)和連續(xù)投影法(successive projections algorithm,SPA)進行高光譜數(shù)據(jù)降維,PCA變換后6個主成分包含原有99%以上的信息,SPA算法提取出8個特征波長,分別為:479.9、498.2、543.8、630.5、726.2、828.9、904.1、920.1nm。通過有效的數(shù)據(jù)預處理和特征提取為建立高效快速的小麥赤霉病識別模型提供了保障。(2)小麥赤霉病特征信息提取技術及優(yōu)化在提取小麥樣本光譜的過程中提出了一種基于k均值聚類法(k-means)結合kappa系數(shù)進行多次循環(huán)的方法來提取最優(yōu)訓練樣本。最終以每類500條樣本光譜作為訓練集,每類10000條樣本光譜作為測試集,并結合總分類精度和kappa系數(shù)對模型進行評價。在PCA和SPA兩個特征空間內結合光譜角匹配、k均值聚類法、最近鄰域法、線性判別分析和支持向量機(Support Vector Machine,SVM)五種分類算法構建多種小麥赤霉病識別模型。結果表明SVM算法在SPA特征空間中構建的分類模型的分類性能最優(yōu),訓練集分類精度為91.1%,測試集分類精度達到88.84%,kappa系數(shù)為0.7767。(3)小麥赤霉病高光譜特征組合式識別模型建立及驗證在SVM模型對小麥赤霉病識別研究的基礎上,提出了兩種進一步提高赤霉病小麥識別精度的方法分別為:基于多元散射校正的二次SVM識別方法和綜合PCA和SPA兩種特征空間的組合式SVM識別方法。前一種方法利用SVM模型和SVM散射校正模型二次分類的方法將測試集在SPA特征空間中的分類精度提升至88.98%。后一種方法綜合樣本在PCA和SPA特征空間中的信息,在不同的反射率區(qū)間內選擇更合適的特征信息構建的分類模型,將測試集的分類精度提高至90.18%。采集以50%赤霉病染病率混合的小麥籽粒高光譜圖像,作為未來標簽未知的測試樣本,并結合已知小麥高光譜圖像利用SG-SVM(PCA+SPA)模型進行小麥赤霉病原位可視化識別研究。上述研究成果表明利用高光譜成像技術結合數(shù)據(jù)處理算法可以實現(xiàn)小麥赤霉病籽粒的原位快速可視化識別,有助于提高小麥赤霉病的檢測效率、檢測數(shù)量,降低漏檢率,為小麥倉儲運輸加工提供保障,切實可行的確保小麥安全。進而,實現(xiàn)小麥赤霉病的快速無損檢測,為我國糧食安全的檢測技術手段提供了有力的技術支持。
【學位單位】：中國科學院大學(中國科學院長春光學精密機械與物理研究所)
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;S435.121.45
【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀與發(fā)展
        1.2.1 小麥赤霉病檢測的研究進展
        1.2.2 高光譜成像技術的研究進展
        1.2.3 高光譜成像在小麥檢測上的研究現(xiàn)狀
    1.3 本文主要研究內容
第二章 支持向量機的理論基礎
    2.1 機器學習與統(tǒng)計學習理論基礎
        2.1.1 機器學習問題表述
        2.1.2 學習過程的一致性與經(jīng)驗風險最小化準則
        2.1.3 VC維
        2.1.4 結構風險最小化準則
    2.2 支持向量機理論
        2.2.1 最優(yōu)分類超平面
        2.2.2 核函數(shù)與Mercer條件
        2.2.3 支持向量機的特點
    2.3 本章小結
第三章 小麥赤霉病籽粒高光譜圖像預處理技術研究
    3.1 高光譜成像系統(tǒng)
        3.1.1 便攜式高光譜成像儀
        3.1.2 其他設備
        3.1.3 高光譜圖像采集
    3.2 數(shù)據(jù)處理與分析
        3.2.1 光譜反射率標準化
        3.2.2 空間圖像分割
        3.2.3 光譜反射率分析
    3.3 光譜預處理算法
        3.3.1 平滑處理
        3.3.2 多元散射校正
        3.3.3 變量標準化校正算法
    3.4 特征波段選擇方法
        3.4.1 主成分分析法
        3.4.2 連續(xù)投影法
    3.5 本章小結
第四章 小麥赤霉病高光譜特征組合式識別模型建立及驗證
    4.1 高光譜分類技術概述
        4.1.1 高光譜分類方法
        4.1.2 分類精度評價指標
    4.2 小麥赤霉病特征信息多循環(huán)提取技術及特征識別模型驗證與研究
        4.2.1 基于k-means分類的多循環(huán)光譜提取技術
        4.2.2 基于PCA特征空間的赤霉病小麥識別
        4.2.3 基于SPA特征空間的赤霉病小麥識別
    4.3 小麥赤霉病高光譜特征組合式識別模型建立及驗證
        4.3.1 基于MSC的二次SVM識別方法
        4.3.2 綜合兩種特征空間的組合式SVM識別方法
        4.3.3 識別結果可視化
    4.4 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
作者簡歷及攻讀學位期間發(fā)表的學術論文與研究成果

【相似文獻】

相關期刊論文 前10條

1 王超杰;;小麥赤霉病防治試驗及防治措施[J];河南農(nóng)業(yè);2016年30期

2 顧國偉;凌小明;馮新軍;袁忠勤;;6種藥劑防治小麥赤霉病田間藥效試驗[J];寧波農(nóng)業(yè)科技;2016年02期

3 張廣照;郭貴東;楊瑞清;檀銀忠;陳義兵;;不同施藥時期防治小麥赤霉病效果比較[J];湖北植保;2018年06期

4 何維娜;;小麥赤霉病化防治措施研討[J];現(xiàn)代農(nóng)業(yè);2018年12期

5 姜明波;翟順國;王守強;程澤強;韓國瓊;劉先明;;信陽地區(qū)小麥赤霉病發(fā)生與春季降水的相關性分析[J];河南農(nóng)業(yè)科學;2018年11期

6 郎立云;;小麥赤霉病的發(fā)生情況和防治對策[J];基層農(nóng)技推廣;2019年01期

7 李俊杰;李楠;;不同藥劑防治小麥赤霉病害試驗[J];農(nóng)業(yè)科技通訊;2019年02期

8 曹輝;左紅娟;王峰;;鄭州市小麥赤霉病田間防治試驗[J];農(nóng)業(yè)科技通訊;2019年02期

9 林開創(chuàng);;2018年孟州市小麥赤霉病的發(fā)生原因及防控對策[J];河南農(nóng)業(yè);2019年01期

10 郭建國;;漫談小麥赤霉病[J];農(nóng)藥市場信息;2019年06期

相關博士學位論文 前10條

1 韓青梅;三唑類殺菌劑Folicur與Caramba對小麥赤霉病和條銹病防治效果及機理的研究[D];西北農(nóng)林科技大學;2003年

2 余桂紅;小麥赤霉病抗性遺傳分析及分子標記的開發(fā)[D];上海交通大學;2008年

3 趙蘭飛;小麥赤霉�、蛐涂剐詸C理研究及相關基因的功能鑒定[D];山東農(nóng)業(yè)大學;2016年

4 侯文倩;小麥赤霉病抗病相關基因的分離鑒定及BSMV-VIGS功能驗證[D];山東農(nóng)業(yè)大學;2014年

5 張承啟;新型殺菌劑氰烯菌酯對禾谷鐮刀菌的作用機制研究[D];浙江大學;2016年

6 陳雨;新型殺菌劑氰烯菌酯對禾谷鐮孢菌（Fusarium graminearum）的作用方式及抗藥性遺傳研究[D];南京農(nóng)業(yè)大學;2009年

7 鄧陽;Paenibacillus polymyxa JSa-9抗菌物質的結構鑒定及小麥生防應用研究[D];南京農(nóng)業(yè)大學;2012年

8 張艷軍;殺菌劑對禾谷鐮孢菌DON毒素產(chǎn)生和小麥衰老生理的影響[D];南京農(nóng)業(yè)大學;2009年

9 高旭利;禾谷鐮刀菌蛋白激酶Prp4調控mRNA剪切機制研究[D];西北農(nóng)林科技大學;2016年

10 樊平聲;禾谷鐮刀菌多菌靈抗藥性群體演變及DON毒素產(chǎn)生規(guī)律研究[D];南京農(nóng)業(yè)大學;2008年

相關碩士學位論文 前10條

1 劉爽;小麥赤霉病高光譜信息多循環(huán)提取及組合式識別研究[D];中國科學院大學(中國科學院長春光學精密機械與物理研究所);2019年

2 阮超;冬小麥赤霉病和白粉病多尺度遙感監(jiān)測[D];安徽大學;2019年

3 丁文娟;基于不同尺度的冬小麥赤霉病高光譜遙感監(jiān)測[D];安徽大學;2019年

4 楊楠;生防菌株PC60對小麥赤霉病的生物防治機理研究[D];浙江大學;2017年

5 李長成;小麥赤霉病籽�？剐栽u價體系的建立[D];揚州大學;2018年

6 張臻;兩株生防菌對小麥赤霉病和莖基腐病防治效果的評價[D];華中農(nóng)業(yè)大學;2018年

7 溫淑嫻;基于高光譜成像的小麥赤霉病害分級診斷研究[D];安徽農(nóng)業(yè)大學;2017年

8 施潔瓊;基于氣象相似年的小麥赤霉病監(jiān)測預警系統(tǒng)[D];安徽農(nóng)業(yè)大學;2017年

9 吳彥衡;基于支持向量機的小麥赤霉病預測研究及應用[D];安徽農(nóng)業(yè)大學;2018年

10 趙超越;基于多模型的安徽小麥赤霉病預測研究[D];安徽農(nóng)業(yè)大學;2018年

本文編號：2844107