本文關鍵詞：基于高光譜成像技術的茄子葉片色差值檢測和早疫病識別方法研究

  更多相關文章： 精細農業(yè) 茄子 高光譜成像 早疫病 特征波長 模型 灰度圖 RGB/HSV/HLS圖

【摘要】：精細農業(yè)是現(xiàn)代農業(yè)發(fā)展的新方向,隨著科技的進步,現(xiàn)代農業(yè)也越來越追求信息化、自動化和可持續(xù)化,傳統(tǒng)的農業(yè)技術和實驗室分析方法已經不能滿足現(xiàn)代農業(yè)的發(fā)展需求。研究作物病害無損檢測技術并進一步開發(fā)病害實時檢測和監(jiān)測儀器已是目前我國乃至全世界農業(yè)領域亟需解決的問題。本研究以茄子作物為對象,利用可見／近紅外和近紅外高光譜成像技術分析茄子葉片感染早疫病后表面色差值的變化,充分挖掘圖像中的有效信息,如反射率、灰度圖紋理值、RGB/HSV/HLS圖像紋理值和RGB/HSV/HLS圖像顏色值,并結合不同的分類模型來識別健康和染病樣本。為制定茄子實際大田生產作業(yè)處方提供了主要數(shù)據(jù)源和參數(shù),并為茄子葉片病害實時檢測和監(jiān)測系統(tǒng)的開發(fā)提供了理論依據(jù)。本課題的主要研究成果和內容如下：(1)分別應用可見/近紅外高光譜和近紅外高光譜成像技術研究茄子葉片感染早疫病后表面色差值的變化。研究發(fā)現(xiàn),健康樣本L*的平均值大于染病樣本L*的平均值,這是因為L*代表亮度值,當葉片感染早疫病后,病斑區(qū)域會變得暗淡,因此相應的值也會偏低；a*值越小,代表樣本越綠,因此健康樣本的a*值偏低。在可見/近紅外高光譜波段范圍內,L*參數(shù)的最優(yōu)模型是LS-SVM,預測結果是R2p=0.660, RMSEP=1.166;a*參數(shù)最優(yōu)模型也是LS-SVM,預測結果是Rp2=0.869, RMSEP=2.068;b*參數(shù)最優(yōu)模型是CA-BPNN,預測結果是Rp2=0.903, RMSEP=2.172。在近紅外高光譜波段范圍內,L*參數(shù)最優(yōu)模型是CA-BPNN,預測結果是rp2=0.618, RMSEP=2.404;a*參數(shù)的最優(yōu)模型是Normalization-PLS,預測結果分別是Rp2=0.861,RMSEP=2.114;b*參數(shù)的最優(yōu)模型是CARS-LS-SVM,預測結果是Rp2=0.795, RMSEP=3.190。(2)分別提取可見／近紅外高光譜和近紅外高光譜圖像中感興趣區(qū)域的反射率信息,并建立相應的病害識別模型。在可見／近紅外波段范圍內,基于全波段的分類模型的識別率都大于96.18%；基于CARS的分類模型的識別率介于66.24%和100%之間；基于RC的分類模型中,除了RC-SVM的識別率較低(訓練集：56.05%,驗證集：56.41%),其它模型的識別率均大于91.03%；基于CA的分類模型中,除了CA-SVM的識別率較低(訓練集：55.41%,驗證集：55.13%),其它模型的識別率均大于78.98%。在近紅外波段范圍內,全波段模型的分類結果均大于95.54%；基于CARS的分類模型的識別率介于93.59%和100%之間；RC推薦的分類模型中,識別率在88.46%和100%之間；基于CA的分類模型的識別率大于92.31%�？傮w上,所有模型中除了少數(shù)模型(可見/近紅外區(qū)域內的RC-SVM和CA-SVM)的識別率較低之外,其它模型都取得了較高的識別率。(3)探討了可見/近紅外高光譜和近紅外高光譜圖像中灰度圖的紋理特征值檢測早疫病的方法。分別從可見/近紅外和近紅外高光譜圖像選取回歸系數(shù)法推薦的灰度圖像,并基于概率統(tǒng)計濾波和二階概率統(tǒng)計濾波從每幅灰度圖中提取紋理特征值,建立不同的分類模型。在可見/近紅外波段,除了SVM的識別率較低外(驗證集：55.13%),其它模型的識別率介于83.33%和100%之間；在近紅外波段,模型的識別率總體上低于可見/近紅外波段內模型的識別率,除了SVM模型驗證集的識別率是55.13%之外,其它模型的識別率均介于61.54%和100%之間。(4)研究高光譜RGB、HSV和HLS顏色空間圖像中紋理特征值檢測茄子葉片早疫病的方法。將樣本的可見/近紅外高光譜圖像分別轉化為RGB、HSV和HLS圖像,然后基于概率統(tǒng)計濾波和二階概率統(tǒng)計濾波提取不同顏色空間圖像中的紋理特征值建立病害識別模型。RGB顏色空間中,SVM模型的識別率較低(驗證集：55.13%),其它所有模型的識別率均大于92.31%；HSV顏色空間中,SVM和基于概率統(tǒng)計濾波的AdaBoost模型的識別率較低,其它模型的識別率均高于93.59%；HLS顏色空間中,SVM模型驗證集的識別率為55.13%,其它模型的識別率均大于88.46%。(5)提出高光譜RGB、HSV和HLS圖像中顏色信息識別茄子葉片早疫病的技術方法。分別將RGB、HSV和HLS圖像中的顏色信息作為輸入建立不同的識別模型,RGB顏色模型的識別率在92.99%和100%之間；HSV顏色模型的識別率介于85.99%和100%之間；HLS顏色模型的識別率在69.43%和100%之間。上述成果實現(xiàn)了高光譜圖像中反射率值、灰度圖紋理值、RGB/HSV/HLS圖紋理值和RGB/HSV/HLS圖顏色信息識別茄子葉片早疫病的研究,同時基于反射率值研究了茄子葉片感染早疫病后表面色差值(L*、a*和b*)的變化。為茄子早疫病的實時、在線和無損檢測提供了技術支持,并為病害檢測和監(jiān)測儀器的開發(fā)奠定了理論基礎,具有廣闊的應用前景。
【關鍵詞】：精細農業(yè) 茄子 高光譜成像 早疫病 特征波長 模型 灰度圖 RGB/HSV/HLS圖
【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 致謝7-9
• 摘要9-12
• Abstract12-28
• 縮略詞表28-29
• 第一章 緒論29-41
• 提要29
• 1.1 研究背景29-31
• 1.2 光譜和多光譜成像技術在作物病害檢測中的研究進展31-33
• 1.3 高光譜成像技術33-39
• 1.3.1 高光譜成像技術的原理33-34
• 1.3.2 高光譜成像技術在作物病害檢測中的研究進展34-37
• 1.3.3 高光譜成像技術在色差值(L~*、a~*和b~*)檢測中的研究進展37-38
• 1.3.4 高光譜成像技術在作物病害檢測中的問題和難點38-39
• 1.4 研究內容39-40
• 1.5 本章小結40-41
• 第二章 材料與方法41-67
• 提要41
• 2.1 試驗材料41
• 2.2 高光譜圖像采集系統(tǒng)41-46
• 2.2.1 硬件平臺42-45
• 2.2.1.1 光譜儀42-43
• 2.2.1.2 光源43-44
• 2.2.1.3 CCD探測器44
• 2.2.1.4 其它輔助設備44-45
• 2.2.2 軟件平臺45-46
• 2.3 色差儀46-47
• 2.4 分析軟件47-49
• 2.5 光譜數(shù)據(jù)預處理49-51
• 2.5.1 平滑49-50
• 2.5.2 歸一化50
• 2.5.3 求導50
• 2.5.4 變量標準化50
• 2.5.5 多元散射校正50-51
• 2.5.6 去趨勢51
• 2.6 特征波長提取方法51-52
• 2.6.1 競爭性自適應重加權算法51
• 2.6.2 回歸系數(shù)法51-52
• 2.6.3 相關系數(shù)法52
• 2.7 紋理特征值52-55
• 2.7.1 基于概率統(tǒng)計濾波的紋理值53
• 2.7.2 基于二階概率統(tǒng)計濾波的紋理值53-55
• 2.8 回歸和分類方法55-65
• 2.8.1 主成分分析55
• 2.8.2 偏最小二乘55-56
• 2.8.3 最小二乘-支持向量機56-58
• 2.8.4 人工神經網(wǎng)絡58-59
• 2.8.5 決策樹59-60
• 2.8.6 樸素貝葉斯60-61
• 2.8.7 K最近鄰61-62
• 2.8.8 AdaBoost62-63
• 2.8.9 支持向量機63-65
• 2.9 模型評價標準65-66
• 2.9.1 回歸模型評價標準65-66
• 2.9.2 分類模型評價標準66
• 2.10 本章小結66-67
• 第三章 基于光譜反射率信息的茄子葉片色差值研究67-93
• 提要67
• 3.1 引言67
• 3.2 試驗樣本67-68
• 3.3 基于可見/近紅外高光譜成像的早疫病脅迫下茄子葉片表面色差值研究68-80
• 3.3.1 可見/近紅外高光譜圖像采集與校正68-69
• 3.3.2 光譜反射率提取及曲線分析69-70
• 3.3.3 全波段的預測結果70-71
• 3.3.4 特征波長71-75
• 3.3.4.1 競爭性自適應重加權算法推薦的特征波長71-73
• 3.3.4.2 回歸系數(shù)法推薦的特征波長73
• 3.3.4.3 相關系數(shù)法推薦的特征波長73-75
• 3.3.5 特征波長的預測結果75-80
• 3.3.5.1 競爭性自適應重加權算法的預測結果75-77
• 3.3.5.2 回歸系數(shù)法的預測結果77-78
• 3.3.5.3 相關系數(shù)法的預測結果78-80
• 3.4 基于近紅外高光譜成像的早疫病脅迫下茄子葉片表面色差值研究80-92
• 3.4.1 近紅外高光譜圖像采集與校正80-81
• 3.4.2 光譜反射率提取及曲線分析81-82
• 3.4.3 全波段的預測結果82-83
• 3.4.4 特征波長83-88
• 3.4.4.1 競爭性自適應重加權算法推薦的特征波長83-85
• 3.4.4.2 回歸系數(shù)法推薦的特征波長85-86
• 3.4.4.3 相關系數(shù)法推薦的特征波長86-88
• 3.4.5 特征波長的預測結果88-92
• 3.4.5.1 競爭性自適應重加權算法的預測結果88-89
• 3.4.5.2 回歸系數(shù)法的預測結果89-90
• 3.4.5.3 相關系數(shù)法的預測結果90-92
• 3.5 本章小結92-93
• 第四章 光譜反射率信息識別茄子葉片早疫病的研究93-109
• 提要93
• 4.1 引言93
• 4.2 試驗樣本93
• 4.3 可見/近紅外高光譜成像技術識別茄子葉片早疫病93-100
• 4.3.1 可見/近紅外高光譜圖像采集與校正93-94
• 4.3.2 光譜反射率提取94
• 4.3.3 光譜反射率曲線分析94
• 4.3.4 樣本的空間分布94-95
• 4.3.5 全波段定量識別模型的建立與比較95-96
• 4.3.6 特征波長96-98
• 4.3.6.1 競爭性自適應重加權算法推薦的特征波長96
• 4.3.6.2 回歸系數(shù)法推薦的特征波長96-97
• 4.3.6.3 相關系數(shù)法推薦的特征波長97-98
• 4.3.7 特征波長定量識別模型的建立與比較98-100
• 4.3.7.1 競爭性自適應重加權算法的識別結果98-99
• 4.3.7.2 回歸系數(shù)法的識別結果99-100
• 4.3.7.3 相關系數(shù)法的識別結果100
• 4.4 近紅外高光譜成像技術識別茄子葉片早疫病100-107
• 4.4.1 近紅外高光譜圖像采集與校正100-101
• 4.4.2 光譜反射率提取101
• 4.4.3 光譜反射率曲線分析101-102
• 4.4.4 樣本的空間分布102
• 4.4.5 全波段定量識別模型的建立與比較102-103
• 4.4.6 特征波長103-105
• 4.4.6.1 競爭性自適應重加權算法推薦的特征波長103
• 4.4.6.2 回歸系數(shù)法推薦的特征波長103-104
• 4.4.6.3 相關系數(shù)法推薦的特征波長104-105
• 4.4.7 特征波長定量識別模型的建立與比較105-107
• 4.4.7.1 競爭性自適應重加權算法的識別結果105-106
• 4.4.7.2 回歸系數(shù)法的識別結果106-107
• 4.4.7.3 相關系數(shù)法的識別結果107
• 4.5 本章小結107-109
• 第五章 灰度圖像紋理特征值識別茄子葉片早疫病的研究109-119
• 提要109
• 5.1 引言109
• 5.2 可見/近紅外波段范圍內灰度圖紋理特征值檢測茄子葉片早疫病109-113
• 5.2.1 特征波長下灰度圖像109-110
• 5.2.2 基于概率統(tǒng)計濾波的紋理特征值110-111
• 5.2.2.1 紋理特征圖像110
• 5.2.2.2 樣本的空間分布110-111
• 5.2.2.3 樣本的定量識別111
• 5.2.3 基于二階概率統(tǒng)計濾波的紋理特征值111-113
• 5.2.3.1 紋理特征圖像111-112
• 5.2.3.2 樣本的空間分布112
• 5.2.3.3 樣本的定量識別112-113
• 5.3 近紅外波段范圍內灰度圖紋理特征值檢測茄子葉片早疫病113-117
• 5.3.1 特征波長下灰度圖像113-114
• 5.3.2 基于概率統(tǒng)計濾波的紋理特征值114-115
• 5.3.2.1 紋理特征圖像114
• 5.3.2.2 樣本的空間分布114-115
• 5.3.2.3 樣本的定量識別115
• 5.3.3 基于二階概率統(tǒng)計濾波的紋理特征值115-117
• 5.3.3.1 紋理特征圖像115-116
• 5.3.3.2 樣本的空間分布116
• 5.3.3.3 樣本的定量識別116-117
• 5.4 本章小結117-119
• 第六章 RGB、HSV和HLS圖像紋理特征值識別茄子葉片早疫病的研究119-135
• 提要119
• 6.1 引言119
• 6.2 RGB、HSV和HLS顏色空間轉換119-120
• 6.3 RGB圖像紋理特征值識別茄子葉片早疫病120-125
• 6.3.1 RGB顏色空間圖像120-121
• 6.3.2 基于概率統(tǒng)計濾波的紋理特征值121-123
• 6.3.2.1 紋理特征圖像121-122
• 6.3.2.2 樣本的空間分布122
• 6.3.2.3 樣本的定量識別122-123
• 6.3.3 基于二階概率統(tǒng)計濾波的紋理特征值123-125
• 6.3.3.1 紋理特征圖像123
• 6.3.3.2 樣本的空間分布123-124
• 6.3.3.3 樣本的定量識別124-125
• 6.4 HSV圖像紋理特征值識別茄子葉片早疫病125-129
• 6.4.1 HSV顏色空間圖像125
• 6.4.2 基于概率統(tǒng)計濾波的紋理特征值125-127
• 6.4.2.1 紋理特征圖像125-126
• 6.4.2.2 樣本的空間分布126-127
• 6.4.2.3 樣本的定量識別127
• 6.4.3 基于二階概率統(tǒng)計濾波的紋理特征值127-129
• 6.4.3.1 紋理特征圖像127-128
• 6.4.3.2 樣本的空間分布128
• 6.4.3.3 樣本的定量識別128-129
• 6.5 HLS圖像紋理特征值識別茄子葉片早疫病129-134
• 6.5.1 HLS顏色空間圖像129-130
• 6.5.2 基于概率統(tǒng)計濾波的紋理特征值130-132
• 6.5.2.1 紋理特征圖像130
• 6.5.2.2 樣本的空間分布130-131
• 6.5.2.3 樣本的定量識別131-132
• 6.5.3 基于二階概率統(tǒng)計濾波的紋理特征值132-134
• 6.5.3.1 紋理特征圖像132
• 6.5.3.2 樣本的空間分布132-133
• 6.5.3.3 樣本的定量識別133-134
• 6.6 本章小結134-135
• 第七章 RGB、HSV和HLS圖像顏色信息識別茄子葉片早疫病的研究135-140
• 提要135
• 7.1 引言135
• 7.2 RGB顏色空間135-136
• 7.2.1 樣本的空間分布135-136
• 7.2.2 樣本的定量識別136
• 7.3 HSV顏色空間136-137
• 7.3.1 樣本的空間分布136-137
• 7.3.2 樣本的定量識別137
• 7.4 HLS顏色空間137-139
• 7.4.1 樣本的空間分布137-138
• 7.4.2 樣本的定量識別138-139
• 7.5 本章小結139-140
• 第八章 結論與展望140-144
• 8.1 主要結論140-143
• 8.2 主要創(chuàng)新點143
• 8.3 研究展望143-144
• 參考文獻144-149
• 附錄149-155
• 作者簡介155-158

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張東彥;張競成;朱大洲;王紀華;羅菊花;趙晉陵;黃文江;;小麥葉片脅迫狀態(tài)下的高光譜圖像特征分析研究[J];光譜學與光譜分析;2011年04期

2 丁永軍;李民贊;鄭立華;趙瑞嬌;李修華;安登奎;;基于近紅外光譜小波變換的溫室番茄葉綠素含量預測[J];光譜學與光譜分析;2011年11期

3 王海建;洪添勝;代芬;歐陽玉平;羅瑜清;倪慧娜;;基于高光譜圖像技術的沙梨無損檢測[J];廣東農業(yè)科學;2013年09期

4 謝傳奇;王佳悅;馮雷;劉飛;吳迪;何勇;;應用高光譜圖像光譜和紋理特征的番茄早疫病早期檢測研究[J];光譜學與光譜分析;2013年06期

5 虞佳佳;何勇;;基于高光譜成像技術的番茄葉片灰霉病早期檢測研究[J];光譜學與光譜分析;2013年08期

6 馬m，

本文編號：607721