学位论文 > 优秀研究生学位论文题录展示

基于光谱和多源波谱成像技术的植物灰霉病快速识别的方法研究

作　者: 陈双双
导　师: 冯雷
学　校: 浙江大学
专　业: 农业电气化与自动化
关键词: 高光谱成像技术茄科蔬菜灰霉病连续投影算法最小二乘支持向量机
分类号: S432.4
类　型: 硕士论文
年　份: 2012年
下　载: 85次
引　用: 0次
阅　读: 论文下载

内容摘要

植物病害不仅导致农作物减产和品质下降,甚至绝产,而且还会导致杀菌剂等农药不必要地增加,从而增加了农业生产成本并且造成严重的环境问题,植物病害是制约高产、优质、高效益农业持续发展的重要因素之一,因此对植物病害监测显得尤为重要,它为及时掌握病害的发生情况、制定防治策略和指导防治提供了依据。本文以茄子和番茄等茄科蔬菜为研究对象,应用高光谱成像检测技术将茄科蔬菜叶片的外观信息和内部化学信息数字化,结合图像处理技术、数据挖掘技术和植物病理学知识等建立相关的数学模型。主要研究结论如下：(1)应用高光谱成像技术对茄子叶片的灰霉病进行早期检测研究。介绍了茄子叶片样本制备过程以及高光谱图像信息采集方法,研究利用主成分分析(PCA)对高光谱图像进行降维,选取3个特征波长分别为554.05nm、684.49nm和763.63nm,并分别提取3个特征波长下的8个基于灰度共生矩阵的纹理特征参数,再应用连续投影算法(SPA)优选13个特征变量从而分别建立偏最小二乘法(PLS)、反向传播人工神经网络(BPANN)和最小二乘支持向量机(LS-SVM)模型。结果表明,LS-SVM模型的预测效果最佳,无论阈值设定为±0.5、±0.2或±0.1,预测的准确率都达到97.5%。(2)应用高光谱成像技术对番茄叶片的灰霉病进行早期检测研究。研究了原始光谱(Raw)和5种光谱预处理方法,并应用连续投影算法(SPA)分别提取番茄叶片高光谱图像中的光谱特征和图像特征,进而分别建立基于光谱信息、图像信息以及基于光谱信息和图像信息的PLS、BPANN和LS-SVM模型。结果表明,当阈值设定为±0.5时,PLS、BPANN和LS-SVM三种建模方法对番茄叶片灰霉病的早期预测都取得了满意结果,但随着精度要求的提高即阈值绝对值逐渐减小,只有基于光谱信息和图像信息的三种建模方法对番茄叶片灰霉病的早期预测都取得了较为理想的效果,这充分反映了高光谱图像能够全面地检测番茄叶片的内外部信息。无论阈值设定为±0.5、±0.2或±0.1,LS-SVM模型的预测效果都是最佳的,预测的准确率都达到100%。(3)应用高光谱成像技术实现茄子叶片化学防御酶指标的测定。为了充分利用高光谱的信息建立更加可靠准确的模型,系统应用SPA分别提取了茄子叶片高光谱图像中的光谱特征和图像特征,从而建立PLS、BPANN和LS-SVM模型。结果表明,BPANN能够很好地预测茄子叶片中的超氧化物歧化酶(SOD)活性,预测相关系数Rp=0.8468; LS-SVM能够很好地预测过氧化物酶(POD)活性,预测相关系数Rp=0.8479。(4)应用高光谱成像技术实现茄子叶片不同病害之间的鉴别。本文应用SPA分别提取了茄子叶片高光谱图像中的光谱特征和图像特征,建立PLS. BPANN和LS-SVM模型实现健康和感染灰霉病、菌核病以及绵疫病的茄子叶片的鉴别。结果表明,BPANN模型的预测效果最佳,当阈值为±0.5时,预测准确率为95%,当阈值为±0.2时,预测准确率为85%,当阈值为±0.1时,预测准确率为75%。

全文目录

摘要  5-6
Abstract  6-10
第一章绪论  10-17
  1.1 引言  10-11
  1.2 光谱和多光谱成像技术在植物病害快速检测中的应用研究  11-12
  1.3 高光谱成像技术在植物病害快速检测中的应用研究  12-15
    1.3.1 高光谱成像技术原理简介  13-14
    1.3.2 高光谱成像技术在植物病害快速检测中的研究进展  14
    1.3.3 高光谱成像技术在植物病害快速检测研究中的主要问题  14-15
  1.4 研究目的和内容  15-17
    1.4.1 研究目的  15
    1.4.2 研究内容  15-17
第二章试验设备与研究方法  17-30
  2.1 试验设备  17-21
    2.1.1 高光谱成像仪  17-20
    2.1.2 紫外/可见分光光度计  20-21
  2.2 植物相关化学防御酶指标的测定  21-22
    2.2.1 超氧化物歧化酶(SOD)活性的测定  21-22
    2.2.2 过氧化物酶(POD)活性的测定  22
  2.3 光谱预处理方法  22-23
    2.3.1 平滑算法  22
    2.3.2 多元散射校正  22-23
    2.3.3 变量标准化算法  23
    2.3.4 导数算法  23
  2.4 特征变量选择方法研究  23-25
    2.4.1 主成分分析算法  24
    2.4.2 连续投影算法  24-25
  2.5 多元校正计量学方法  25-28
    2.5.1 偏最小二乘法(PLS)  25
    2.5.2 人工神经网络(ANN)  25-27
    2.5.3 最小二乘支持向量机(LS-SVM)  27-28
  2.6 模型评价标准  28
    2.6.1 定性模型评价标准  28
    2.6.2 定量模型评价标准  28
  2.7 本章小结  28-30
第三章茄科蔬菜叶片灰霉病的早期检测研究  30-46
  3.1 引言  30
  3.2 基于高光谱成像技术的茄子叶片灰霉病早期检测研究  30-37
    3.2.1 茄子叶片样本制备及高光谱图像信息采集  30-31
    3.2.2 特征波段提取  31-33
    3.2.3 特征提取  33-35
    3.2.4 模型建立与结果分析  35-37
  3.3 基于高光谱成像技术的番茄叶片灰霉病早期检测研究  37-45
    3.3.1 番茄叶片样本制备及高光谱图像信息采集  37
    3.3.2 基于光谱信息的模型建立与结果分析  37-41
    3.3.3 基于图像信息的模型建立与结果分析  41-43
    3.3.4 基于光谱信息和图像信息的模型建立与结果分析  43-45
  3.4 本章小结  45-46
第四章基于高光谱成像技术的茄子叶片化学防御酶指标测定  46-58
  4.1 引言  46-47
  4.2 茄子叶片超氧化物歧化酶(SOD)活性的测定  47-52
    4.2.1 样本制备及高光谱图像采集  47
    4.2.2 茄子叶片样本SOD活性值的测定及其统计分析  47-48
    4.2.3 茄子叶片的光谱特性及PLS模型比较  48-50
    4.2.4 特征提取  50-51
    4.2.5 模型建立与结果分析  51-52
  4.3 茄子叶片过氧化物酶(POD)活性的测定  52-57
    4.3.1 样本制备及高光谱图像采集  52-53
    4.3.2 茄子叶片样本POD活性值的测定及其统计分析  53
    4.3.3 茄子叶片的光谱特性及PLS模型比较  53-54
    4.3.4 特征提取  54-55
    4.3.5 模型建立与结果分析  55-57
  4.4 本章小结  57-58
第五章基于高光谱成像技术的茄子叶片不同病害的鉴别研究  58-64
  5.1 引言  58
  5.2 样本制备及高光谱图像信息采集  58-59
    5.2.1 茄子叶片样本制备  58
    5.2.2 茄子叶片样本高光谱图像信息采集  58-59
  5.3 茄子叶片的光谱特性及PLS模型比较  59-60
  5.4 特征提取  60-62
    5.4.1 光谱特征提取  60-61
    5.4.2 纹理特征提取  61-62
  5.5 模型建立与结果分析  62-63
  5.6 本章小结  63-64
第六章结论与展望  64-67
  6.1 结论  64-65
  6.2 展望  65-67
参考文献  67-73
致谢  73-74
作者简介  74-75

基于光谱和多源波谱成像技术的植物灰霉病快速识别的方法研究

内容摘要

全文目录

相似论文