您好，欢迎访问江苏省农业科学院 机构知识库！
江苏省农业科学院机构知识库

全部

  • 全部
  • 标题
  • 学者
  • 机构
  • 关键词

基于可见/近红外高光谱成像技术的梨树叶部病害识别研究

文献类型： 中文期刊

作者： 潘健 1 ; 祁雁楠 2 ; 陈鲁威 2 ; 夏烨 2 ; 吕晓兰 1 ;

作者机构： 1.南京林业大学机械电子工程学院

2.江苏省农业科学院农业设施与装备研究所

关键词： 梨树病害;高光谱成像;特征波长;判别模型;机器学习

期刊名称： 中国农机化学报

ISSN： 2095-5553

年卷期： 2024 年 008 期

页码： 162-169

收录情况： 北大核心

摘要： 梨树生长期内伴随着病害发生，喷施农药是病害防治的主要措施，而病害识别则是保证精准施药的基本要求。为实现梨树叶部病害的高效识别，提出基于可见/近红外高光谱成像技术结合机器学习对梨树病叶进行分类检测的方法。利用近地面成像高光谱仪在自然光条件下采集健康叶、褐斑病、黑斑病及日灼病四类样本的高光谱图像，提取401～935 nm波段间感兴趣区域的平均光谱数据，对比分析Savitzky-Golay卷积平滑（SG）、标准正态变换（SNV）、SG结合一阶微分和SG结合二阶微分4种预处理算法全波段模型效果，对最佳预处理方法后的数据采用主成分分析法（PCA）和连续投影算法（SPA）进行特征波长提取，建立优化的支持向量机（SVM）和误差反馈神经网络（BPNN）判别模型，并对模型分类性能进行比较，最终优选出适合梨树病害的最佳分类判别模型。研究结果表明，全光谱数据在SNV预处理后识别效果最好，通过PCA和SPA算法分别提取出12、14个特征波长，波长数目减少90%以上，且SPA算法相较于PCA算法在SVM和BPNN模型中表现均更优。经对比发现，梨树病害的最佳判别分类模型为SNV-SPA-SVM，结合混淆矩阵得出该模型测试集总体准确率达93.57%，对各类样本的分类准确率均达到90%,Kappa系数为0.916 5。利用可见/近红外高光谱技术能够有效分类识别梨树叶部病害，为实现田间梨树叶片病害的自动诊断提供新方法。

  • 相关文献

[1]一起假冒农药导致梨果重大经济损失的农业司法鉴定案例分析. 顾双平,蔡立旺,李洪山,姚立生. 2012

[2]近红外高光谱成像结合特征波长筛选识别小麦赤霉病瘪粒. 沈广辉,曹瑶瑶,刘馨,徐剑宏,史建荣,LEE Yin-won. 2021

[3]基于高光谱成像技术的不同类型小麦穗发芽籽粒识别. 孙传亮,马攀,刘泽厚,郑建敏,梁万杰,曹静,王琴,李俊,杨武云,万洪深,张文宇. 2023

[4]基于近红外高光谱成像技术识别紫斑和霉变大豆的方法. 李凯楠,沈广辉,叶文武,郑小波,王源超. 2022

[5]农业领域本体构建方法研究 -以番茄病虫害为例. 任妮,孙艺伟,鲍彤,郭婷. 2021

[6]无人机遥感监测果树氮素含量研究进展. 陈鲁威,曾锦,袁全春,潘健,姚凤腾,吕晓兰. 2024

作者其他论文 更多>>
置顶
购物车
反馈

© 京ICP备09089781号-29 主办单位：江苏省农业科学院

学术资源： 中国农业科学院 农业专业知识服务系统 农科联盟资源共建共享平台 中国农业科技文献与信息服务平台 中国农业期刊集成服务平台