一种基于高光谱成像技术的柠檬黄脉病快速检测方法

1.本发明属于植物病害检测技术领域，尤其涉及一种基于高光谱成像技术的柠檬黄脉病快速检测方法。


背景技术：

2.柠檬黄脉病是我国各柠檬产区当前面临的最致命的病害，具有寄主广、传播快、难防控、危害重等特点。对出圃苗木进行检测以及对田间植株进行实时监控，是防控柠檬黄脉病传播的重要手段。
3.田间症状观察法和以pcr技术为基础的分子检测方法是当前普遍使用的柠檬黄脉病检测方法。田间症状观察法对观察人员的经验具有依赖性，主观性强，判断的准确性因人、因时而异。以pcr技术为基础的分子检测方法要求的设施条件较高，操作繁琐，耗时长，检测成本高，也存在一定的漏检率等缺点，很难满足育苗企业对大量苗木实时监测和基层柠檬黄脉病普查的需求。因此，建立快速高效、低成本的柠檬黄脉病检测技术，特别是构建针对田间大样本的柠檬黄脉病快速检测技术，对于保障柠檬产业健康发展具有重要意义。
4.高光谱成像技术具有快速、易操作、成本低的优点且获得的数据信息丰富，在植物病害快速检测中具有巨大应用潜力。因此，亟需一种基于高光谱成像技术的柠檬黄脉病快速检测方法。


技术实现要素：

5.为解决上述技术问题，本发明提出了一种基于高光谱成像技术的柠檬黄脉病快速检测方法，克服了现有技术中的缺点与不足，具有高效、实时、低成本、客观的优点。
6.为实现上述目的，本发明提供了一种基于高光谱成像技术的柠檬黄脉病快速检测方法，包括：
7.获取叶片高光谱图像，提取叶片光谱数据；
8.对所述叶片光谱数据进行预处理，并划分样本集；
9.提取所述样本集的特征波长；
10.构建柠檬黄脉病诊断模型，基于所述特征波长与所述柠檬黄脉病诊断模型，完成柠檬黄脉病快速检测。
11.可选地，所述叶片高光谱图像包括：健康、缺氮、药害损伤三种未染柠檬黄脉病的柠檬叶片图像与仅具黄脉病、缺氮且具黄脉病、药害损伤且具黄脉病的三种感染柠檬黄脉病的柠檬叶片图像。
12.可选地，提取叶片光谱数据包括：
13.对所述叶片高光谱图像进行校正；
14.将校正后的所述叶片高光谱图像进行二值化处理，获得目标区域；
15.对所述目标区域进行掩膜处理，获得去除背景后的全叶片高光谱图像，对所述全叶片高光谱图像计算均值，获得所述叶片光谱数据。
16.可选地，对所述叶片高光谱图像进行校正的方式为：通过白色校正图像与暗校正图像，对所述叶片高光谱图像进行校正；
17.对所述叶片高光谱图像进行校正的表达式为：
[0018][0019]
其中，r
λ
为校正后的高光谱图像，i
λ
为原始高图像、d
λ
为采集的暗校正图像，w
λ
为采集的白色校正图像。
[0020]
可选地，所述白色校正图像与暗校正图像均基于健康柠檬叶片和黄脉病柠檬叶片获得。
[0021]
可选地，对所述叶片光谱数据进行预处理的方式为：采用savitzky-golay平滑滤波结合一阶求导的预处理方式。
[0022]
可选地，采用kennard-stone算法将预处理后的所述叶片光谱数据按照2：1比例随机划分样本集；所述样本集包括：训练集与验证集。
[0023]
可选地，采用竞争性自适应重加权算法联合连续投影算法提取所述样本集的特征波长。
[0024]
可选地，基于最小二乘支持向量机算法构建所述柠檬黄脉病诊断模型；
[0025]
所述最小二乘支持向量机算法的表达式为：
[0026][0027]
其中，αi为拉格朗日乘子，xi为输入值，k(x,xi)为核函数，b为偏差量；
[0028]
所述核函数的表达式为：
[0029][0030]
其中，σ2为核函数中的核参数。
[0031]
与现有技术相比，本发明具有如下优点和技术效果：
[0032]
本发明通过获取叶片高光谱图像，提取叶片光谱数据；对所述叶片光谱数据进行预处理，并划分样本集；提取所述样本集的特征信息；构建柠檬黄脉病诊断模型，实现对柠檬黄脉病的快速检测。本发明区别于现有田间症状观察法和分子检测方法，具有快速、易操作、成本低的优点且获得的数据信息丰富，不仅能够用于柠檬黄脉病的快速检测中，在其它植物病害快速检测中也具有巨大应用潜力。
附图说明
[0033]
构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0034]
图1为本发明实施例的一种基于高光谱成像技术的柠檬黄脉病快速检测方法流程示意图；
[0035]
图2为本发明实施例的6种柠檬叶片原始光谱反射曲线示意图；
[0036]
图3为本发明实施例的6种柠檬叶片预处理后光谱曲线示意图；
[0037]
图4为本发明实施例的竞争性自适应重加权算法计算过程示意图；
[0038]
图5为本发明实施例的竞争性自适应重加权算法筛选的特征波长结果示意图；
[0039]
图6为本发明实施例的竞争性自适应重加权算法联合连续投影算法筛选的特征波长结果示意图。
具体实施方式
[0040]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0041]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0042]
实施例
[0043]
如图1所示，本实施例提供了一种基于高光谱成像技术的柠檬黄脉病快速检测方法，包括：
[0044]
获取叶片高光谱图像，提取叶片光谱数据；其中，叶片高光谱图像包括：健康、缺氮、药害损伤三种未染柠檬黄脉病的柠檬叶片图像与仅染黄脉病、缺氮且染黄脉病、药害损伤且染黄脉病的三种柠檬黄脉病柠檬叶片图像。
[0045]
在本实施例中，利用室内高光谱图像采集系统对叶片进行数据采集，其中，叶片包括83片健康、91片缺氮、84片药害损伤三种未染柠檬黄脉病的柠檬叶片与90片仅具黄脉病、89片缺氮且具黄脉病、81片药害损伤且具黄脉病染的三种柠檬黄脉病柠檬叶片，共计518片。
[0046]
室内高光谱图像采集系统包括：暗箱(120*50*140cm)、电动位移平台、150w线性光源、高光谱仪(型号：imspectorv10e,specim公司，芬兰)、emccd相机(型号：igvb1410m,imperx公司,美国)、散热风扇、数据采集电脑。
[0047]
采集参数：设置电动位移平台速度1.87mm/s，物镜距离45cm，光源入射角45
°
，相机曝光时间78ms，光谱分辨率为2.8nm。
[0048]
采集方法：光源预热半小时后，将叶片平铺于黑色卡纸上进行叶片高光谱图像的采集。同时，在与样品采集相同的系统条件下，采集标准白色校正板(反射率99％)得到白色校正图像，闭合镜头盖进行图像采集得到暗校正图像，白色校正图像和暗校正图像用于叶片高光谱图像的校正。
[0049]
根据如下公式对叶片高光谱图像进行校正；
[0050][0051]
其中，r
λ
为校正后的高光谱图像，i
λ
为原始高图像、d
λ
为采集的暗校正图像，w
λ
为采集的白色校正图像。
[0052]
感兴趣区域(即目标区域)分割和叶片光谱提取
[0053]
利用envi 5.3(boulder公司，美国)对850nm波长处的校正后高光谱图像进行二值化处理，设置2.3为分割阈值，获得全叶片为感兴趣区域，并进行掩膜处理进而得到去除背景后的全叶片高光谱图像，对全叶片光谱计算均值，得到叶片光谱数据。获得的6类叶片原
始平均光谱(400-1000nm)如图2所示。
[0054]
对叶片光谱数据进行预处理，并划分样本集；
[0055]
在本实施中，光谱数据预处理：利用高光谱图像采集系统获得叶片光谱数据在采集的波长首尾部分具有较大噪声，因此，选择400-1000nm波长范围光谱数据作为可用数据。为了降低数据中的仪器和环境噪声，减弱和消除样本不均匀、基线漂移、高频噪声、杂散光等对光谱信号的影响，采用savitzky-golay平滑滤波结合一阶求导对提取的叶片光谱数据进行预处理，savitzky-golay平滑选择窗口为17个，多项式次方为7。6类叶片原始光谱数据经预处理后平均光谱曲线如图3所示。
[0056]
按2：1将所有预处理后的叶片光谱数据采用kennard-stone算法划分为训练集和验证集。样本划分过程如下：首先按公式计算两个样本间欧氏距离，将距离最远的两个样本挑选进入训练集，通过计算剩下的每一个样品到训练集内每一个已知样品的欧式距离，找到拥有最大最小距离的待选样本放入训练集，以此类推，直到达到所要求的样本数目。
[0057]
欧式距离的表达式为：
[0058][0059]
其中，x
p
和xq为两个不同的样本。
[0060]
提取样本集的特征信息；
[0061]
在本实施例中，采用竞争性自适应重加权算法联合连续投影算法提取经过光谱预处理后的光谱数据特征波长。
[0062]
首先采用竞争性自适应重加权算法提取特征波长，其计算过程如下：
[0063]
(1)选择2/3的样本作为特征波长筛选的样本集，构建pls模型。pls模型公式如下：
[0064]
y＝xb+e
[0065]
式中b表示n维的回归系数向量；e表示样本预测残差；y表示为m
×
1样本目标属性矩阵；x为m
×
n样本光谱矩阵。式中，回归系数向量b＝[b1,b2,
…
,bn]
t
,bn为第n个波长的绝对值|bn|(1≤n≤p)表示第n个变量对y值的贡献，该值越大表示所对应变量在y值的预测中越重要。
[0066]
(2)应用指数衰减函数去除|bn|较小的波长点，变量的保留率为ri＝ae-ki
(i＝1,2,
…
,p),式中i表示第i次蒙特卡罗采样；p表示蒙特卡罗采样总次数；a和k表示常数分别在第1次和第p次蒙特卡罗采样，由r1＝1和且rn＝2/p计算得到，a和k的计算公式如下:
[0067][0068][0069]
本发明中m＝360，n＝761。设定蒙特卡罗采样总次数p＝50次，通过计算常数a和k分别为1.1和0.1。
[0070]
(3)基于自适应重加权采样技术进一步对变量进行筛选。采用评价权重wi进行特征波长筛选。公式如下：
[0071][0072]
(4)循环上述(1)至(3)步骤直到蒙特卡罗采样次数达到预先设定的n值。
[0073]
(5)通过计算并比较每次产生的新的变量子集的交互验证均方根误差值，选择交互验证均方根误差值最小时对应的变量子集作为竞争性自适应重加权算法的最优变量子集。
[0074]
最终采用竞争性自适应重加权算法提取筛选出46个特征波长。竞争性自适应重加权算法计算过程及结果如图4、图5及图6所示。
[0075]
其后，采用连续投影算法对采用竞争性自适应重加权算法提取获得的特征波长进行二次提取，计算过程如下：
[0076]
(1)设置样本集。以竞争性自适应重加权算法提取获得的46个特征波长为变量构建样本集的光谱反射率矩阵x
m*k
，n(n《m-1)为需要的特征波长数。
[0077]
(2)在光谱矩阵中任选一列向量xj，记为xk(0)，xj∈x
.j
,j＝1,2,
…
m；
[0078]
(3)确定未选波长变量,将还未被选入的各波长矢量xj的位置集合记为s，
[0079]
(4)计算未选波长xj(j∈s)与初始化波长xk(0)的投影映射p
xj
。
[0080][0081]
(5)确定最大投影：
[0082]
(6)令xj＝p
xj
,j∈s；
[0083]
(7)对于每一个初始k(0),循环一次后利用多元线性回归进行交互验证分析，最小均方根误差对应的k(p)即为最终的选择结果。
[0084]
如图6所示，最终筛选出539.9、598.4、667.0、671.7、678.1、687.6、867.6、925.9、994.9nm共计9个特征波长。
[0085]
构建柠檬黄脉病诊断模型，基于特征波长与柠檬黄脉病诊断模型，完成柠檬黄脉病快速检测。
[0086]
在本实施例中，采用最小二乘支持向量机(ls-svm)算法构建柠檬黄脉病诊断模型。ls-svm算法计算过程如下：
[0087][0088]
其中，αi为拉格朗日乘子，xi为输入值，k(x,xi)为核函数，b为偏差量；
[0089]
本实施例中采用处理非线性关系的数据具有较好的拟合结果径向基核函数(rbf)为ls-svm算法的核函数，rbf核函数公式如下：
[0090][0091]
其中，σ2表示径向基核函数中的核参数；采用交叉验证和网格搜索法对核参数σ2进行选择，最终最佳值为0.04。
[0092]
本发明所提出的柠檬黄脉病快速检测方法，在本实施例中的诊断效果如下表1(建模集样本染病识别结果及染病识别正确)和表2(预测集样本染病识别结果及染病识别正确率)所示：
[0093]
表1
[0094][0095]
注：t1:健康；t2:仅染黄脉病；t3:缺氮且未染病；t4:缺氮且具黄脉病；t5:药害损伤且未染病；t6:药害损伤且具黄脉病。
[0096]
表2
[0097][0098][0099]
注：t1:健康；t2:仅染黄脉病；t3:缺氮且未染病；t4:缺氮且具黄脉病；t5:药害损伤且未染病；t6:药害损伤且染黄脉病。
[0100]
以上，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。