一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统与流程

本发明涉及高光谱遥感研究领域，特别涉及一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统。

背景技术：

柑橘是我国重要的水果作物之一，也是世界生产量最大的水果之一，在农业经济中占着极其重要的成分。柑橘黄龙病(citrusgreendiseaseorhuanglongbing)是20世纪早期在中国南方地方发现的柑橘作物疾病，后来在国内甚至是世界范围内的柑橘种植地逐渐被发现。感染黄龙病的柑橘病株在症状上表现出叶片黄化、斑驳，植株长势衰弱，果实为“红鼻子果”或者是青果不转色等，现如今，暂没有有效药物可以根治黄龙病，目前对感染黄龙病植株的处理方式是整株挖除，并做灭杀木虱的农学处理。黄龙病的蔓延速度快，破坏力大，感染黄龙病的柑橘果树若无及时处理，轻则影响植株的长势和产量，重则在果园间快速蔓延，造成果园果树大面积枯死，严重影响了柑橘产业的发展和损害了果农的经济收入，因此，柑橘黄龙病被认为是柑橘产业的毁灭性病害。

柑橘黄龙病的症状比较复杂，有许许多多的研究人员正开展着对柑橘黄龙病的研究工作，但最有效的治疗手段是及早的发现感染了黄龙病的植株并整棵树连根挖除，可大大的减少柑橘果树感染黄龙病后带来的经济损失。如何检测柑橘植株感染黄龙病是许多研究工作者的研究内容。

目前，检测柑橘黄龙病的方法包括田间诊断和实验室生化分析两大类，田间诊断是诊断黄龙病最快速的方法，简单易行且无需设备辅助，但该法所需知识和经验储备较高，主观性较强，准确率不高。实验室生化分析包括病原显微镜观察法、生化指标检测法、核酸探针检测法、pcr扩增检测法、lamp快速检测法以及血清检测法等，这些检测方法检测过程较为复杂，对检测人员专业知识储备要求较高，检测周期长等，不利于很好的推广到农业实际生产中。病原显微镜观察法依靠电子显微镜和超薄切片技术对病原进行观测进而做出诊断。生化指标检测法是利用荧光指示物或异性蛋白等进行检测。分子学检测法主要为核酸探针检测、pcr扩增检测以及lamp快速检测等，受过程复杂、耗时长、dna用量大等因素的限制，该技术的应用一直受到约束。这几种方法是可以很精确的检测出柑橘黄龙病，但费用昂贵、仪器操作复杂、专业人员也必须在较长时间和特殊环境下检测，并不能很好的推广和应用到生产中。血清检测法利用能与黄龙病病原结合的血清进行电镜下观测诊断，但此法制备技术复杂以及检测范围窄等缺点没有被解决。近些年来，不少研究工作者开展对柑橘黄龙病的高光谱检测工作，取得不错的进展，说明高光谱对柑橘黄龙病的检测存在较高的可行性。

因此，对于大面积的柑橘果园，为减少人力物力和检测的工作量，急需开展可快速检测、准确定位、高效无损、费用低廉、简易省力且结果可靠的黄龙病检测方法。

技术实现要素：

鉴于上述问题，本发明提出了一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统，该检测方法对于大面积的柑橘果园黄龙病的检测，可减少人力物力和检测的工作量；可快速检测、准确定位、高效无损；且检测过程费用低廉、简易省力；结果准确可靠。

为了解决上述技术问题，第一方面，本发明实施例提供一种基于低空高光谱遥感的柑橘黄龙病检测方法，包括：

获取待检测柑橘分布区域的低空高光谱遥感图像；所述遥感图像包括柑橘植株的分布信息和柑橘植株的地理信息；

对所述高光谱遥感图像进行预处理；

将经预处理后的所述低空高光谱遥感图像，输入到柑橘黄龙病bp神经网络模型；

输出柑橘分布区域患黄龙病的分布结果。

在一个实施例中，所述柑橘黄龙病bp神经网络模型的生成步骤，包括：

采集大量柑橘植株冠层的高光谱遥感图像，对所述高光谱遥感图像进行预处理；

提取高光谱遥感图像中柑橘果树健康植株与感染黄龙病植株冠层的光谱信息，对所述光谱信息进行分析处理，获得光谱数据；

将所述光谱数据根据预设算法，提取特征波段；所述特征波段包括：最大信息量、最大投影或最大距离特征波段；将所述特征波段代入预设的植被指数模型，得出植被指数；

将所述植被指数作为训练样本，通过调试模型的参数，生成柑橘黄龙病bp神经网络模型；所述训练样本为确定的患病叶片和健康叶片数据。

在一个实施例中，对所述高光谱遥感图像进行预处理，包括：

对所述高光谱遥感图像进行辐射校正、几何校正和全景图拼接。

在一个实施例中，提取高光谱遥感图像中柑橘果树健康植株与感染黄龙病植株冠层的光谱信息，对所述光谱信息进行分析处理，获得光谱数据，包括：

绘制感兴趣区域，计算每个感兴趣区域的光谱信息；

将各个所述感兴趣区的光谱信息进行随机组合，求平均，获得多个光谱样本；

将所述光谱样本采用马氏距离法剔除异常样本，并采用savitzky-golay算法进行平滑去噪，获得光谱数据。

在一个实施例中，将所述光谱数据根据预设算法，提取特征波段，包括：

将所述光谱数据根据spa选择算法，消除原始光谱矩阵中的冗余信息，筛选出特征波段；spa步骤如下：

(1)确定样本集样品数和波长数k，组成光谱矩阵xm×k；

(2)初始化：n＝1，在首次迭代中，在光谱矩阵中任选一列向量xj，记为xk(0)，即(k(0)＝j)；

(3)集合s定义为：分别计算xj对s中向量的投影向量pxj，

(4)记录最大的投影序号，将最大的投影作为下轮迭代的投影向量；

(5)使用rmsep来判断模型的优劣，选出最小的rmsep，所对应的和n^*作为筛选出的波段组合。

在一个实施例中，将所述特征波段代入预设的植被指数模型，得出植被指数，包括：

将所述特征波段代入ndvi,ndgi,tvi,rvi,nli和dvi植被指数模型，计算所有感染黄龙病植株和健康植株光谱样本各自的平均光谱；

使用所述平均光谱计算植被指数的值，并替换同个波长范围内的不同波段计算植被指数；

比较同个植被指数模型在健康植株和感染黄龙病植株冠层的同个波段运算结果的差异，选择差异最大的波段作为植被指数的优选波段，得到优选的植被指数。

第二方面，本发明还提供一种基于低空高光谱遥感的柑橘黄龙病检测装置，包括：

获取模块，用于获取待检测柑橘分布区域的低空高光谱遥感图像；所述遥感图像包括柑橘植株的分布信息和柑橘植株的地理信息；

处理模块，用于对所述高光谱遥感图像进行预处理；

输入模块，用于将经预处理后的所述低空高光谱遥感图像，输入到柑橘黄龙病bp神经网络模型；

输出模块，用于输出柑橘分布区域患黄龙病的分布结果。

在一个实施例中，所述输入模块中的柑橘黄龙病bp神经网络模型，包括：

采集处理子模块，用于采集大量柑橘植株冠层的高光谱遥感图像，对所述高光谱遥感图像进行预处理；

提取处理子模块，用于提取高光谱遥感图像中柑橘果树健康植株与感染黄龙病植株冠层的光谱信息，对所述光谱信息进行分析处理，获得光谱数据；

提取代入子模块，用于将所述光谱数据根据预设算法，提取特征波段；所述特征波段包括：最大信息量、最大投影或最大距离特征波段；将所述特征波段代入预设的植被指数模型，得出植被指数；

训练生成子模块，用于将所述植被指数作为训练样本，通过调试模型的参数，生成柑橘黄龙病bp神经网络模型；所述训练样本为确定的患病叶片和健康叶片数据。

第三方面，本发明提供一种基于低空高光谱遥感的柑橘黄龙病检测系统，包括：无人机飞行平台、地面站和云平台；

所述无人机飞行平台搭载高光谱相机，采集待检测柑橘分布区域的低空高光谱遥感图像；

所述地面站，用于控制所述无人机飞行平台按照预设飞行路线进行航行；

所述云平台与所述无人机飞行平台通信连接，所述云平台包括：

获取模块，用于获取待检测柑橘分布区域的低空高光谱遥感图像；所述遥感图像包括柑橘植株的分布信息和柑橘植株的地理信息；

处理模块，用于对所述高光谱遥感图像进行预处理；

输入模块，用于将经预处理后的所述低空高光谱遥感图像，输入到柑橘黄龙病bp神经网络模型；

输出模块，用于输出柑橘分布区域患黄龙病的分布结果。

本发明的优点在于，本发明提出了一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统，该检测方法对于大面积的柑橘果园黄龙病的检测，可减少人力物力和检测的工作量；可快速检测、准确定位、高效无损；且检测过程费用低廉、简易省力；结果准确可靠。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于低空高光谱遥感的柑橘黄龙病检测方法的流程图；

图2为本发明实施例提供的无人机搭载高光谱相机采集高光谱遥感图像的示意图；

图3为本发明实施例提供的柑橘黄龙病bp神经网络模型的生成步骤流程图；

图4abc为本发明中低空高光谱遥感图像示意图；

图5为本发明实施例提供的步骤s32的流程图；

图6为本发明实施例提供的柑橘植株冠层感兴趣的提取和光谱曲线情况示意图；

图7为本发明实施例提供的spa算法优选的光谱波段示意图；

图8为本发明实施例提供的rmse随波段数的变化示意图；

图9为本发明实施例提供的高光谱图像健康植株和感染黄龙病植株冠层的平均光谱曲线图；

图10为本发明实施例提供的诊断结果示意图；

图11为本发明实施例提供的基于低空高光谱遥感的柑橘黄龙病检测装置的框图；

图12为本发明实施例提供的柑橘黄龙病bp神经网络模型的框图；

图13为本发明实施例提供的基于低空高光谱遥感的柑橘黄龙病检测系统的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种基于低空高光谱遥感的柑橘黄龙病检测方法，参照图1所示，包括：

s1、获取待检测柑橘分布区域的低空高光谱遥感图像；所述遥感图像包括柑橘植株的分布信息和柑橘植株的地理信息；

s2、对所述高光谱遥感图像进行预处理；

s3、将经预处理后的所述低空高光谱遥感图像，输入到柑橘黄龙病bp神经网络模型；

s4、输出柑橘分布区域患黄龙病的分布结果。

上述步骤s1中，比如可以使用无人机或是其他低空飞行器搭载高光谱相机，参照图2所示，采集检测柑橘分布区域的低空高光谱遥感图像，该遥感图像包括柑橘植株的分布信息和柑橘植株的地理信息。

比如选择广东惠州、清远等地区砂糖桔(sugarorange)为研究中对象，选择种植砂糖桔的果园，果园中包括新树和老树，也包括感染黄龙病严重的病树和染病程度较轻的柑橘植株，通过数据采集，获取各个果园不同生长时期的柑橘植株的低空高光谱，采用图2的方式采集高光谱图像，以无人机遥感采集高光谱图像的方式便捷高效，且具有果园中每个柑橘果树的具体位置。

上述步骤s2～s4对上述高光谱遥感图像进行预处理，预处理后输入到柑橘黄龙病bp神经网络模型，可输出柑橘分布区域患黄龙病的分布结果。

本实施例中，通过无人机或是其他低空飞行器低空高光谱遥感，可获取高空间分辨率和高光谱分辨率的图像，并可以通过图像获取每棵树的经纬度和相对位置，可快速高效确定果园中哪棵柑橘果树感染了黄龙病；通过无人机低空高光谱遥感检测柑橘黄龙病，可进一步确定染病植株受到病害的程度和病害和冠层的具体分布。诊断结果可以得到整个柑橘果园感染黄龙病的情况，并得到黄龙病在患病植株冠层的分布情况，并根据病害的覆盖比例，判定患病植株的病害程度。遥感图像中带有整个果园柑橘植株的分布情况和地理信息，既可以知道患病植株的地理信息位置也可以知道其周围植株的种植情况。该检测方法对于大面积的柑橘果园黄龙病的检测，可减少人力物力和检测的工作量；可快速检测、准确定位、高效无损；且检测过程费用低廉、简易省力；结果准确可靠。

在一个实施例中，上述步骤s3中，柑橘黄龙病bp神经网络模型的生成步骤，参照图3所示，包括：

s31、采集大量柑橘植株冠层的高光谱遥感图像，对所述高光谱遥感图像进行预处理；

s32、提取高光谱遥感图像中柑橘果树健康植株与感染黄龙病植株冠层的光谱信息，对所述光谱信息进行分析处理，获得光谱数据；

s33、将所述光谱数据根据预设算法，提取特征波段；所述特征波段包括：最大信息量、最大投影或最大距离特征波段；将所述特征波段代入预设的植被指数模型，得出植被指数；

s34、将所述植被指数作为训练样本，通过调试模型的参数，生成柑橘黄龙病bp神经网络模型；所述训练样本为确定的患病叶片和健康叶片数据。

其中步骤s31中，采集大量柑橘植株冠层的高光谱遥感图像，同样也可以通过无人机或是其他低空设备采集的高光谱遥感图像；对上述高光谱遥感图像进行预处理过程和上述步骤s2是相同的。预处理的过程包括：对高光谱遥感图像进行辐射校正、几何校正和全景图拼接等，得到可以检测区域的全景高光谱图像，如图4a所示。

将预处理后的高光谱遥感图像，提取柑橘果树健康植株与感染黄龙病植株冠层的光谱信息，并对该光谱信息进行分析处理，获得光谱数据；

再将光谱数据根据预设算法，提取特征波段；该特征波段包括：最大信息量、最大投影或最大距离等特征波段；将该特征波段代入预设的植被指数模型，得出植被指数；最后将植被指数作为训练样本，通过调试模型的参数，生成柑橘黄龙病bp神经网络模型；其中训练样本为确定的患病叶片和健康叶片数据。

在训练阶段，通过采集大量柑橘植株冠层的低空高光谱图像，建立高光谱图像数据库；高光谱图像提取冠层光谱信息并做预处理，提取特征光谱和优选植被指数，将上述优选的植被指数作为特征值，通过bp神经网络进行训练，得到较优的低空高光谱遥感对柑橘黄龙病的判别模型，即柑橘黄龙病bp神经网络模型；在判别阶段，提取待识别的高光谱遥感图像输入到判别模型中，运行模型得到判别结果，即可得到模型的诊断结果。

本实施例中，以植被指数作为特征值，训练数据的单个样本中应包含所提到植被指数等特征值；

1、数据集处理，将获取的数据集按3:1:1的比例随机分为训练集、验证集和测试集。

2、训练集用来训练模型，验证集用来验证模型选择的超参数的效果；测试集用来验证模型的效果。

在诊断阶段：

提取柑橘植株的冠层，只把冠层的光谱放到模型中诊断，比如可以将诊断结果中判别为感染黄龙病的冠层区域显示为红色，将诊断结果中判别为健康的冠层区域，显示为绿色。

在一个实施例中，步骤s32，参照图5所示，包括：

s321、绘制感兴趣区域，计算每个感兴趣区域的光谱信息；

s322、将各个所述感兴趣区的光谱信息进行随机组合，求平均，获得多个光谱样本；

s323、将所述光谱样本采用马氏距离法剔除异常样本，并采用savitzky-golay算法进行平滑去噪，获得光谱数据。

对高光谱图像进行辐射校正和几何校正后，通过对植株冠层绘制感兴趣区，提取柑橘植株冠层的光谱信息，对上述提取的冠层光谱信息采用马氏距离法剔除异常样本，采用savitzky-golay算法平滑光谱曲线和去除噪声等处理。

上述所提取的光谱样本受到外界环境和设备内部的影响，存在个别波段数据异常、噪声等影响，对上述个别波段数据异常的光谱，统一在整体上去除样本中息异常的波段；通过马氏距离剔除样本间差异较大的光谱，得到去除异常的光谱样本；将上述去除异常的光谱样本进行平滑和去噪，得到预处理过的光谱样本。

进一步的，除了把述柑橘植株冠层绘制的感兴趣区光谱信息作为训练样本，还可以进一步把同一植株的感兴趣区的样本进行随机组合，组合成一个新的样本。假设在一棵植株上绘制n个感兴趣区，那就有个样本可进行训练，进一步提高样本的数据量。

参照图4b和4c表示全景高光谱图像中的个别植株及植株冠层长势，感染黄龙病的柑橘植株不是在整棵植株都会被蔓延，染病程度较轻的植株可能只有部分冠层枝叶表现出症状，因此，通过绘制感兴趣区域提取冠层光谱信息，绘制冠层感兴趣区时不直接整棵树的冠层提取，可如图6所示对每棵树绘制18个感兴趣区，计算每个感兴趣区的光谱信息，得到18个感兴趣区的光谱信息，再把各个感兴趣区进行随机组合求平均，可以得到310762个光谱样本。

另外，训练所用的柑橘果树冠层光谱必须进行地面验证，确保训练样本没有出现错误，感染黄龙病的柑橘植株的冠层上部分为健康叶片，为避免提取光谱数据出现错误，使用马氏距离法剔除异常数据。

在一个实施例中，spa是一种使矢量空间共线性最小化的前向变量选择算法，可提取全波段的几个特征波段，消除原始光谱矩阵中的冗余信息，筛选出特征波段。

spa步骤如下：

(1)确定样本集样品数和波长数k，组成光谱矩阵xm×k；

(2)初始化：n＝1，在首次迭代中，在光谱矩阵中任选一列向量xj，记为xk(0)，即(k(0)＝j)；

(3)集合s定义为：分别计算xj对s中向量的投影向量pxj，

(4)记录最大的投影序号，将最大的投影作为下轮迭代的投影向量；

(5)使用rmsep来判断模型的优劣，选出最小的rmsep，所对应的和n^*作为筛选出的波段组合。

其中，植被指数包括ndvi、ndgi、tvi、rvi、nli、dvi等，

ndvi：归一化植被指数：遥感影像中，近红外波段的反射值与红光波段的反射值之差比上两者之和，或两个波段反射率的计算。

ndgi：归一化差异绿度指数,可用来对不同活力植被形式进行检验。

tvi：确定转换型植被指数。

rvi：比值植被指数又称为绿度，为二通道反射率之比能较好地反映植被覆盖度和生长状况的差异。

nli：非线性植被指数。

dvi：差值环境植被指数，dvi＝nir-r，或两个波段反射率的计算。

其具体的计算方式如下：

进一步的，若经过spa筛选的波段在nir、red、green、blue波长范围内有多个波段可供选择，把同个波长范围内的不同波段代入到植被指数模型中运算，比较同个植被指数模型在健康植株和感染黄龙病植株冠层的同个波段运算结果的差异，优选差异最大的波段作为植被指数的优选波段，得到优选的植被指数。

通过最优bp神经网络模型可输出柑橘果园遥感图像的诊断结果，若存在感染黄龙病的植株，并可进一步得到上述感染黄龙病植株的患病程度和地理位置。

本实施例中，处理后的光谱数据使用spa算法选择优选波段；

将上述光谱样本做好类别标签，用spa算法进行波段优选，如图7所示，将含有151波段的光谱样本导入到spa算法中优选波段，根据优选的波段数的不一样，rmse的变化如图8所示，当优选波段数为54个时，rmse达到最小值。

确定要改进的植被指数公式，把优选波段的光谱值代入公式计算；

比如：选取ndvi,ndgi,tvi,rvi,nli,dvi等植被指数模型，上述植被指数模型的其中red，green，nir分别指一个波长范围内的某一个波段的光谱反射率，各自的波长范围为：green：576～492nm，red：622～760nm，nir：761～1000nm。把优选的波段分别到植被指数模型中运算，图9为所有感染黄龙病植株和健康植株光谱样本各自的平均光谱，使用上述平均光谱计算植被指数的值，并替换同个波长范围内的不同优选波段计算植被指数，将相同波段计算的患病样本和健康样本的植被指数进行对比，优选植被指数值差值最大的波段作为该植被指数的计算波段，并应用到所有的光谱样本中。

将上述优选的植被指数作为bp神经网络模型训练的特征值，通过调试模型的参数，得到最优的bp神经网络模型，实现对柑橘黄龙病的检测。

导入辐射校正、几何校正和拼接好的全景高光谱图像到最优bp神经网络模型中，通过模型进行诊断，得到如图10的诊断结果。诊断结果可以得到黄龙病在患病植株冠层的分布情况和各患病植株的地理信息，既可以知道感染黄龙病植株的患病程度其周围植株的种植情况。

本实施例中，通过spa优选的特征波段和比较健康植株和感染黄龙病植株冠层植被指数的差异，优选植被指数作为bp神经网络的特征值进行训练，得到的判别模型可快速、准确、高效和无损地诊断柑橘植株的情况，降低了对大面积柑橘果园的监测成本，减少了大量的人力物力。

基于同一发明构思，本发明实施例还提供了基于低空高光谱遥感的柑橘黄龙病检测装置，由于该装置所解决问题的原理与前述基于低空高光谱遥感的柑橘黄龙病检测方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。

第二方面，本发明还提供一种基于低空高光谱遥感的柑橘黄龙病检测装置，参照图11包括：

获取模块100，用于获取待检测柑橘分布区域的低空高光谱遥感图像；所述遥感图像包括柑橘植株的分布信息和柑橘植株的地理信息；

处理模块101，用于对所述高光谱遥感图像进行预处理；

输入模块102，用于将经预处理后的所述低空高光谱遥感图像，输入到柑橘黄龙病bp神经网络模型；

输出模块103，用于输出柑橘分布区域患黄龙病的分布结果。

在一个实施例中，所述输入模块102中的柑橘黄龙病bp神经网络模型，参照图12，包括：

采集处理子模块1021，用于采集大量柑橘植株冠层的高光谱遥感图像，对所述高光谱遥感图像进行预处理；

提取处理子模块1022，用于提取高光谱遥感图像中柑橘果树健康植株与感染黄龙病植株冠层的光谱信息，对所述光谱信息进行分析处理，获得光谱数据；

提取代入子模块1023，用于将所述光谱数据根据预设算法，提取特征波段；所述特征波段包括：最大信息量、最大投影或最大距离特征波段；将所述特征波段代入预设的植被指数模型，得出植被指数；

训练生成子模块1024，用于将所述植被指数作为训练样本，通过调试模型的参数，生成柑橘黄龙病bp神经网络模型；所述训练样本为确定的患病叶片和健康叶片数据。

第三方面，本发明提供一种基于低空高光谱遥感的柑橘黄龙病检测系统，参照图12所述，包括：无人机飞行平台1、地面站2和云平台3；

所述无人机飞行平台搭载高光谱相机，采集待检测柑橘分布区域的低空高光谱遥感图像；

所述地面站，用于控制所述无人机飞行平台按照预设飞行路线进行航行；

所述云平台与所述无人机飞行平台通信连接，所述云平台包括：

获取模块，用于获取待检测柑橘分布区域的低空高光谱遥感图像；所述遥感图像包括柑橘植株的分布信息和柑橘植株的地理信息；

处理模块，用于对所述高光谱遥感图像进行预处理；

输入模块，用于将经预处理后的所述低空高光谱遥感图像，输入到柑橘黄龙病bp神经网络模型；

输出模块，用于输出柑橘分布区域患黄龙病的分布结果。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。