基于PCA和PNN算法检测水稻病虫害等级的方法与流程

本发明涉及神经网络技术和高光谱检测病虫害领域，具体地说，是涉及高光谱检测病虫害中基于pca和pnn算法检测水稻病虫害等级的方法，用以实现病虫害等级判断。

背景技术：

农作物病虫害一直是制约农业生产的重要因素，对作物的产量和品质造成较大的影响。据联合国粮农组织(fao)估计，世界粮食产量常年因病虫害损失10％，因病害损失14％左右。水稻作为我国主要粮食作物，病虫害的防止具有重要的意思。主成分分析(principalcomponentsanalysis,pca)是在均方根误差最小的情况下建立统计特征基础上的最佳正交线性变换，目的是将多个指标简化为少数几个综合性指标的一种统计方法。高光谱数据波段可以达到几百个乃至上千个，信息增加的同时，由于邻近波段存在很高的相关性，导致高光谱数据大量的冗余。从而，使用pca进行数据降维和数据压缩，以便后续处理。概率神经网络(probabilisticneuralnetwork,pnn)于1989年由specht博士首先提出，是一种径向基函数神经元和竞争神经元共同组合的新型神经网络。它具有模式简单、训练快捷等特点，应用非常广泛，特别适合解决分类问题。概率神经网络一般有以下四层：输入层、模式层、求和层和输出层。输入层负责将特征向量传入网络，输入层个数是样本特征的个数。模式层通过连接权值与输入层连接。计算输入特征向量与训练集中各个模式的匹配程度，也就是相似度，将其距离送入高斯函数得到模式层的输出。模式层的神经元的个数是输入样本矢量的个数，也就是有多少个样本，该层就有多少个神经元。求和层，就是负责将各个类的模式层单元连接起来，这一层的神经元个数是样本的类别数目。输出层的话，就负责输出求和层中得分最高的那一类。

技术实现要素：

本发明所要解决的技术问题是基于高光谱数据进行病虫害严重程度的预测，提供一种基于pca和pnn算法检测水稻病虫害等级的方法，以便在实际植保作业中进行农药的精准喷洒。

为解决上述技术问题，本发明提供了一种基于pca和pnn算法检测水稻病虫害等级的方法，其特征在于，包括步骤：

通过无人机搭载的高光谱仪在采样点采集水稻的原始高光谱数据；

去除原始高光谱数据中的异常点，得到1024个波段的地物信息；

通过主成分分析pca法对相邻波段内的原始高光谱数据进行波段数据降维和数据压缩，得到降维后的光谱值，其中每一条光谱值对应一张图像；

利用概率神经网络pnn法根据训练集对采样点进行病虫害等级判断，包括：将所述降维后的每一条光谱值所对应的每一张图像作为训练集，所述训练集为真值库，根据所述图像判断病虫害等级作为每一条训练光谱的真值，进行神经网络模型训练，得到神经网络喷洒模型；

对所述降维后的光谱值进行特征学习，利用所述神经网络喷洒模型对采样点进行喷洒等级判断；

根据喷洒等级进行农药定量喷洒，定量喷洒按照以下方法计算：

q＝max×y，

其中，当1≤x≤4时，y＝0.25×(x-1)；当x＝5时，y＝1；

q为喷洒量，x为喷洒等级，y为喷洒比率。

优选地，所述主成分分析pca法包括步骤：

对所有原始高光谱数据即样本数据进行中心化，去均值；

求解样本的协方差矩阵；

对协方差进行特征值分解，包括利用特征值分解或奇异值分解，求解特征值以及特征向量；

取出最大的n个特征值对应的n个特征向量，将特征向量标准化后，组成投影矩阵；

利用投影矩阵，得出降维的数据。

优选地，所述病虫害等级一共5级，1级为健康，2-5级病虫害严重程度逐渐增加。

优选地，所述无人机在起飞和降落时获取的光谱数据为异常点。

优选地，所述根据所述图像判断病虫害等级作为每一条训练光谱的真值，进行神经网络模型训练，得到神经网络喷洒模型，进一步为，无人机通过高光谱仪对样本农田内的农作物的生长情况进行监测，获得的高光谱数据作为样本高光谱数据，通过高清图像进行识别，识别到作物的生长信息后，根据病虫害实验得出的大数据以及农学专家鉴定，基于每张高清图像所反应的作物的生长信息，得出每张高清图像所对应的喷洒等级，其中，喷洒等级包括农药喷洒等级以及肥料喷洒等级，在得到高清图像与喷洒等级的对应关系后，以与高清图像所对应的样本高光谱数据作为训练集中的输入向量，以喷洒等级作为训练集中的输出向量，对神经网络模型进行样本训练，构建出神经网络喷洒模型。

优选地，所述喷洒等级分为5个等级，1至5级越高所需的药量或肥料越高。

目前，水稻病虫害施药还停留在根据经验施药，一般都会造成农药的过度使用，危害了环境和人体健康。本发明通过pca和pnn算法训练预测出病虫害严重程度按需施药，力争将施药量控制到最佳。

与现有技术相比，本发明所述的基于pca和pnn算法检测水稻病虫害等级的方法，达到了如下效果：

本发明通过已知数据集的训练，可以实现病虫害等级的自动预测，通过pca将波段降维可以提高pnn训练速度。本发明的自动识别病虫害等级可以大大降低人工成本和时间成本，为农药的精准喷洒提供依据，对于环保和人体健康具有重要意义。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例1中基于pca和pnn算法检测水稻病虫害等级的方法的流程图；

图2为本发明实施例3中基于pca和pnn算法检测水稻病虫害等级的方法的pca投影矩阵图；

图3为本发明实施例3中基于pca和pnn算法检测水稻病虫害等级的方法的二维pca投影原理图；

图4为本发明实施例3中基于pca和pnn算法检测水稻病虫害等级的方法的pnn原理图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。应注意到，所描述的实施例实际上仅仅是本发明一部分实施例，而不是全部的实施例，且实际上仅是说明性的，决不作为对本发明及其应用或使用的任何限制。本申请的保护范围当视所附权利要求所界定者为准。

以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。

实施例1：

参见图1所示为本申请所述基于pca和pnn算法检测水稻病虫害等级的方法的具体实施例，该方法包括：

步骤101、通过无人机搭载的高光谱仪在采样点采集水稻的原始高光谱数据。

步骤102、去除原始高光谱数据中的异常点，得到1024个波段的地物信息。

步骤103、通过主成分分析pca法对相邻波段内的原始高光谱数据进行波段数据降维和数据压缩，得到降维后的光谱值，其中每一条光谱值对应一张图像。

步骤104、利用概率神经网络pnn法根据训练集对采样点进行病虫害等级判断，包括：将所述降维后的每一条光谱值所对应的每一张图像作为训练集，所述训练集为真值库，根据所述图像判断病虫害等级作为每一条训练光谱的真值，进行神经网络模型训练，得到神经网络喷洒模型。

步骤105、对所述降维后的光谱值进行特征学习，利用所述神经网络喷洒模型对采样点进行喷洒等级判断。

步骤106、根据喷洒等级进行农药定量喷洒，定量喷洒按照以下方法计算：

q＝max×y，

其中，当1≤x≤4时，y＝0.25×(x-1)；当x＝5时，y＝1；

q为喷洒量，x为喷洒等级，y为喷洒比率。

实施例2：

本实施例提供了基于pca和pnn算法检测水稻病虫害等级的方法，该方法包括：

步骤201、通过无人机搭载的高光谱仪在采样点采集水稻的原始高光谱数据。

步骤202、去除原始高光谱数据中的异常点，得到1024个波段的地物信息。

步骤203、通过主成分分析pca法对相邻波段内的原始高光谱数据进行波段数据降维和数据压缩，得到降维后的光谱值，其中每一条光谱值对应一张图像。

步骤204、利用概率神经网络pnn法根据训练集对采样点进行病虫害等级判断，包括：将所述降维后的每一条光谱值所对应的每一张图像作为训练集，所述训练集为真值库，根据所述图像判断病虫害等级作为每一条训练光谱的真值，进行神经网络模型训练，得到神经网络喷洒模型。

步骤205、对所述降维后的光谱值进行特征学习，利用所述神经网络喷洒模型对采样点进行喷洒等级判断。

步骤206、根据喷洒等级进行农药定量喷洒，定量喷洒按照以下方法计算：

q＝max×y，

其中，当1≤x≤4时，y＝0.25×(x-1)；当x＝5时，y＝1；

q为喷洒量，x为喷洒等级，y为喷洒比率。

上述步骤203中，所述主成分分析pca法包括步骤：

对所有原始高光谱数据即样本数据进行中心化，去均值；

求解样本的协方差矩阵；

对协方差进行特征值分解，包括利用特征值分解或奇异值分解，求解特征值以及特征向量；

取出最大的n个特征值对应的n个特征向量，将特征向量标准化后，组成投影矩阵；

利用投影矩阵，得出降维的数据。

上述步骤204中，所述病虫害等级一共5级，1级为健康，2-5级病虫害严重程度逐渐增加。

上述步骤202中，所述无人机在起飞和降落时获取的光谱数据为异常点。

上述步骤204中，所述根据所述图像判断病虫害等级作为每一条训练光谱的真值，进行神经网络模型训练，得到神经网络喷洒模型；具体步骤为，无人机通过高光谱仪对样本农田内的农作物的生长情况进行监测，获得的高光谱数据作为样本高光谱数据，通过高清图像进行识别，识别到作物的生长信息后，根据病虫害实验得出的大数据以及农学专家鉴定，基于每张高清图像所反应的作物的生长信息，得出每张高清图像所对应的喷洒等级，其中，喷洒等级包括农药喷洒等级以及肥料喷洒等级，在得到高清图像与喷洒等级的对应关系后，以与高清图像所对应的样本高光谱数据作为训练集中的输入向量，以喷洒等级作为训练集中的输出向量，对神经网络模型进行样本训练，构建出神经网络喷洒模型。

上述步骤206中，所述喷洒等级分为5个等级，1至5级越高所需的药量或肥料越高。

实施例3：

本发明的另一个实施例提供了基于pca和pnn算法检测水稻病虫害等级的方法，该方法包括：

步骤301、通过无人机搭载的高光谱仪在采样点采集水稻的原始高光谱数据。

步骤302、去除原始高光谱数据中的异常点，得到1024个波段的地物信息。

步骤303、通过主成分分析pca法对相邻波段内的原始高光谱数据进行波段数据降维和数据压缩，得到降维后的光谱值，其中每一条光谱值对应一张图像，具体pca算法步骤为：

(1)对所有原始高光谱数据即样本数据进行中心化，去均值，并根据需要进行归一化处理；

(2)求解样本的协方差矩阵；

(3)对协方差进行特征值分解，包括利用特征值分解或奇异值分解，求解特征值以及特征向量；

(4)取出最大的n个特征值对应的n个特征向量，将特征向量标准化后，组成投影矩阵，参见图2；

(5)利用投影矩阵，得出降维的数据，

其中，对于2d到1d的降维过程，即是找到一个向量u1，u1表示一个方向，然后将所有原样本映射到这个方向上，一个向量表示一个样本空间，得到新维度空间中的一个新样本空间中的降维数据；

对于3d到2d的降维过程，即找到两个向量u1和u2，(u1，u2)，这两个向量定义了一个新的特征空间，然后将原样本空间的样本映射到这个新的样本空间中得到降维后数据，参见图3；

对于nd到kd的降维过程，即找到k个向量，u1,u2,…,uk，这k个向量定义了一个新的向量空间，然后将原样本空间的样本映射到这个新的样本空间中得到降维后数据。

步骤304、参见图4，利用概率神经网络pnn法根据训练集对采样点进行病虫害等级判断，包括：将所述降维后的每一条光谱值所对应的每一张图像作为训练集，所述训练集为真值库，是训练模型的前提，根据所述图像判断病虫害等级作为每一条训练光谱的真值，进行神经网络模型训练，得到神经网络喷洒模型。

步骤305、对所述降维后的光谱值进行特征学习，以样本高光谱数据为输入，利用所述神经网络模型计算出喷洒等级，喷洒等级分为5个等级，1至5级越高所需的药量或肥料越高。具体计算公式：

其中，lg表示g类的数量；n表示特征的个数(此实施例中为n＝5)；σ为平滑参数，范围为0-1；xij表示g类的第i个神经元的第j个数据；xj表示第j个特征维度；yg表示类别。

步骤306、根据喷洒等级进行农药定量喷洒，定量喷洒按照以下方法计算：

q＝max×y，

其中，当1≤x≤4时，y＝0.25×(x-1)；当x＝5时，y＝1；

q为喷洒量，x为喷洒等级，y为喷洒比率。

其中，所述病虫害等级一共5级，1级为健康，2-5级病虫害严重程度逐渐增加。

与现有技术相比，本发明所述的基于pca和pnn算法检测水稻病虫害等级的方法，达到了如下效果：

本发明通过已知数据集的训练，可以实现病虫害等级的自动预测，通过pca将波段降维可以提高pnn训练速度。本发明的自动识别病虫害等级可以大大降低人工成本和时间成本，为农药的精准喷洒提供依据，对于环保和人体健康具有重要意义。

虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。本发明的范围由所附权利要求来限定。