本文主要研究内容
作者刘爽（2019）在《小麦赤霉病高光谱信息多循环提取及组合式识别研究》一文中研究指出：小麦是世界上最重要的粮食作物之一,在我国有着广泛的种植面积。赤霉病是小麦的一种主要病害,它具有较强的传染性,不仅会导致小麦减产甚至绝收,严重影响小麦种子质量,还会大量分泌多种毒素严重危害人畜健康。因此,小麦赤霉病籽粒的识别研究具有至关重要的意义。本文以小麦赤霉病籽粒高光谱信息提取技术及识别模型的研究为切入点,以图像处理技术、特征提取技术以及分类算法为手段,确证了利用高光谱成像技术实现小麦赤霉病快速识别的可行性;同时,针对特征信息提取方法及识别模型的优化进行了相关研究,建立了多循环信息提取方法及组合式识别模型,提高了特征信息提取精度及识别精度,降低了误判率及漏检率,构建对赤霉病小麦籽粒的高效、准确、可视化的识别模型。本文的主要研究内容与研究成果如下:(1)小麦赤霉病籽粒高光谱图像预处理技术研究利用高光谱成像系统采集中科院第二粮仓计划示范农场提供的健康小麦和赤霉病小麦样本在可见光到近红外(470~1100nm)波段的高光谱图像。在空间图像方面,先利用灰度方差法作为清晰度评价指标选择进行图像处理的最优波段,利用最大类间方差法结合灰度线性拉伸和开操作完成麦粒掩膜提取,并利用主成分分析增强掩膜提取精度。在光谱预处理方面,利用Savitzky-Golay(SG)卷积平滑算法、多元散射校正和变量标准化对小麦光谱数据进行处理,最终采用SG卷积平滑算法进行光谱预处理。在高光谱特征提取方面,利用主成分分析(principal components analysis,PCA)和连续投影法(successive projections algorithm,SPA)进行高光谱数据降维,PCA变换后6个主成分包含原有99%以上的信息,SPA算法提取出8个特征波长,分别为:479.9、498.2、543.8、630.5、726.2、828.9、904.1、920.1nm。通过有效的数据预处理和特征提取为建立高效快速的小麦赤霉病识别模型提供了保障。(2)小麦赤霉病特征信息提取技术及优化在提取小麦样本光谱的过程中提出了一种基于k均值聚类法(k-means)结合kappa系数进行多次循环的方法来提取最优训练样本。最终以每类500条样本光谱作为训练集,每类10000条样本光谱作为测试集,并结合总分类精度和kappa系数对模型进行评价。在PCA和SPA两个特征空间内结合光谱角匹配、k均值聚类法、最近邻域法、线性判别分析和支持向量机(Support Vector Machine,SVM)五种分类算法构建多种小麦赤霉病识别模型。结果表明SVM算法在SPA特征空间中构建的分类模型的分类性能最优,训练集分类精度为91.1%,测试集分类精度达到88.84%,kappa系数为0.7767。(3)小麦赤霉病高光谱特征组合式识别模型建立及验证在SVM模型对小麦赤霉病识别研究的基础上,提出了两种进一步提高赤霉病小麦识别精度的方法分别为:基于多元散射校正的二次SVM识别方法和综合PCA和SPA两种特征空间的组合式SVM识别方法。前一种方法利用SVM模型和SVM散射校正模型二次分类的方法将测试集在SPA特征空间中的分类精度提升至88.98%。后一种方法综合样本在PCA和SPA特征空间中的信息,在不同的反射率区间内选择更合适的特征信息构建的分类模型,将测试集的分类精度提高至90.18%。采集以50%赤霉病染病率混合的小麦籽粒高光谱图像,作为未来标签未知的测试样本,并结合已知小麦高光谱图像利用SG-SVM(PCA+SPA)模型进行小麦赤霉病原位可视化识别研究。上述研究成果表明利用高光谱成像技术结合数据处理算法可以实现小麦赤霉病籽粒的原位快速可视化识别,有助于提高小麦赤霉病的检测效率、检测数量,降低漏检率,为小麦仓储运输加工提供保障,切实可行的确保小麦安全。进而,实现小麦赤霉病的快速无损检测,为我国粮食安全的检测技术手段提供了有力的技术支持。
Abstract
xiao mai shi shi jie shang zui chong yao de liang shi zuo wu zhi yi ,zai wo guo you zhao an fan de chong zhi mian ji 。chi mei bing shi xiao mai de yi chong zhu yao bing hai ,ta ju you jiao jiang de chuan ran xing ,bu jin hui dao zhi xiao mai jian chan shen zhi jue shou ,yan chong ying xiang xiao mai chong zi zhi liang ,hai hui da liang fen bi duo chong du su yan chong wei hai ren chu jian kang 。yin ci ,xiao mai chi mei bing zi li de shi bie yan jiu ju you zhi guan chong yao de yi yi 。ben wen yi xiao mai chi mei bing zi li gao guang pu xin xi di qu ji shu ji shi bie mo xing de yan jiu wei qie ru dian ,yi tu xiang chu li ji shu 、te zheng di qu ji shu yi ji fen lei suan fa wei shou duan ,que zheng le li yong gao guang pu cheng xiang ji shu shi xian xiao mai chi mei bing kuai su shi bie de ke hang xing ;tong shi ,zhen dui te zheng xin xi di qu fang fa ji shi bie mo xing de you hua jin hang le xiang guan yan jiu ,jian li le duo xun huan xin xi di qu fang fa ji zu ge shi shi bie mo xing ,di gao le te zheng xin xi di qu jing du ji shi bie jing du ,jiang di le wu pan lv ji lou jian lv ,gou jian dui chi mei bing xiao mai zi li de gao xiao 、zhun que 、ke shi hua de shi bie mo xing 。ben wen de zhu yao yan jiu nei rong yu yan jiu cheng guo ru xia :(1)xiao mai chi mei bing zi li gao guang pu tu xiang yu chu li ji shu yan jiu li yong gao guang pu cheng xiang ji tong cai ji zhong ke yuan di er liang cang ji hua shi fan nong chang di gong de jian kang xiao mai he chi mei bing xiao mai yang ben zai ke jian guang dao jin gong wai (470~1100nm)bo duan de gao guang pu tu xiang 。zai kong jian tu xiang fang mian ,xian li yong hui du fang cha fa zuo wei qing xi du ping jia zhi biao shua ze jin hang tu xiang chu li de zui you bo duan ,li yong zui da lei jian fang cha fa jie ge hui du xian xing la shen he kai cao zuo wan cheng mai li yan mo di qu ,bing li yong zhu cheng fen fen xi zeng jiang yan mo di qu jing du 。zai guang pu yu chu li fang mian ,li yong Savitzky-Golay(SG)juan ji ping hua suan fa 、duo yuan san she jiao zheng he bian liang biao zhun hua dui xiao mai guang pu shu ju jin hang chu li ,zui zhong cai yong SGjuan ji ping hua suan fa jin hang guang pu yu chu li 。zai gao guang pu te zheng di qu fang mian ,li yong zhu cheng fen fen xi (principal components analysis,PCA)he lian xu tou ying fa (successive projections algorithm,SPA)jin hang gao guang pu shu ju jiang wei ,PCAbian huan hou 6ge zhu cheng fen bao han yuan you 99%yi shang de xin xi ,SPAsuan fa di qu chu 8ge te zheng bo chang ,fen bie wei :479.9、498.2、543.8、630.5、726.2、828.9、904.1、920.1nm。tong guo you xiao de shu ju yu chu li he te zheng di qu wei jian li gao xiao kuai su de xiao mai chi mei bing shi bie mo xing di gong le bao zhang 。(2)xiao mai chi mei bing te zheng xin xi di qu ji shu ji you hua zai di qu xiao mai yang ben guang pu de guo cheng zhong di chu le yi chong ji yu kjun zhi ju lei fa (k-means)jie ge kappaji shu jin hang duo ci xun huan de fang fa lai di qu zui you xun lian yang ben 。zui zhong yi mei lei 500tiao yang ben guang pu zuo wei xun lian ji ,mei lei 10000tiao yang ben guang pu zuo wei ce shi ji ,bing jie ge zong fen lei jing du he kappaji shu dui mo xing jin hang ping jia 。zai PCAhe SPAliang ge te zheng kong jian nei jie ge guang pu jiao pi pei 、kjun zhi ju lei fa 、zui jin lin yu fa 、xian xing pan bie fen xi he zhi chi xiang liang ji (Support Vector Machine,SVM)wu chong fen lei suan fa gou jian duo chong xiao mai chi mei bing shi bie mo xing 。jie guo biao ming SVMsuan fa zai SPAte zheng kong jian zhong gou jian de fen lei mo xing de fen lei xing neng zui you ,xun lian ji fen lei jing du wei 91.1%,ce shi ji fen lei jing du da dao 88.84%,kappaji shu wei 0.7767。(3)xiao mai chi mei bing gao guang pu te zheng zu ge shi shi bie mo xing jian li ji yan zheng zai SVMmo xing dui xiao mai chi mei bing shi bie yan jiu de ji chu shang ,di chu le liang chong jin yi bu di gao chi mei bing xiao mai shi bie jing du de fang fa fen bie wei :ji yu duo yuan san she jiao zheng de er ci SVMshi bie fang fa he zeng ge PCAhe SPAliang chong te zheng kong jian de zu ge shi SVMshi bie fang fa 。qian yi chong fang fa li yong SVMmo xing he SVMsan she jiao zheng mo xing er ci fen lei de fang fa jiang ce shi ji zai SPAte zheng kong jian zhong de fen lei jing du di sheng zhi 88.98%。hou yi chong fang fa zeng ge yang ben zai PCAhe SPAte zheng kong jian zhong de xin xi ,zai bu tong de fan she lv ou jian nei shua ze geng ge kuo de te zheng xin xi gou jian de fen lei mo xing ,jiang ce shi ji de fen lei jing du di gao zhi 90.18%。cai ji yi 50%chi mei bing ran bing lv hun ge de xiao mai zi li gao guang pu tu xiang ,zuo wei wei lai biao qian wei zhi de ce shi yang ben ,bing jie ge yi zhi xiao mai gao guang pu tu xiang li yong SG-SVM(PCA+SPA)mo xing jin hang xiao mai chi mei bing yuan wei ke shi hua shi bie yan jiu 。shang shu yan jiu cheng guo biao ming li yong gao guang pu cheng xiang ji shu jie ge shu ju chu li suan fa ke yi shi xian xiao mai chi mei bing zi li de yuan wei kuai su ke shi hua shi bie ,you zhu yu di gao xiao mai chi mei bing de jian ce xiao lv 、jian ce shu liang ,jiang di lou jian lv ,wei xiao mai cang chu yun shu jia gong di gong bao zhang ,qie shi ke hang de que bao xiao mai an quan 。jin er ,shi xian xiao mai chi mei bing de kuai su mo sun jian ce ,wei wo guo liang shi an quan de jian ce ji shu shou duan di gong le you li de ji shu zhi chi 。
论文参考文献
论文详细介绍
论文作者分别是来自中国科学院大学(中国科学院长春光学精密机械与物理研究所)的刘爽，发表于刊物中国科学院大学(中国科学院长春光学精密机械与物理研究所)2019-07-18论文，是一篇关于高光谱成像技术论文,小麦论文,赤霉病论文,识别论文,光谱特征论文,中国科学院大学(中国科学院长春光学精密机械与物理研究所)2019-07-18论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自中国科学院大学(中国科学院长春光学精密机械与物理研究所)2019-07-18论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：高光谱成像技术论文; 小麦论文; 赤霉病论文; 识别论文; 光谱特征论文; 中国科学院大学(中国科学院长春光学精密机械与物理研究所)2019-07-18论文;