一种基于高光谱图像的柑橘果实病害识别方法

本发明涉及一种对柑橘果实病害的高光谱图像的识别技术，包括特征波段的选择和识别模型的构造。

背景技术：

1、柑橘果实的检疫性病害对于我国生物传播扩散带来巨大的风险，而截止到2019年，我国进口水果量较十年前增长了5倍，进口量的稳步快速增长，也为海关的检疫工作带来了巨大挑战。在进口柑橘的检疫中，由于柑橘存在多种病害，检疫性病害与非检疫性病害相似性高，对于传统的化学分析技术，需要大量的人力物力并且耗时时间长。相比之下，基于高光谱技术的图像识别技术，可以辅助识别病害。

2、国内外基于高光谱病害识别的研究，侧重于从病害区域提取像元波段数据，然后根据这些数据使用机器学习或深度学习的算法进行识别分类，然而这种方法需要人为寻找病害区域，效率受限于人力资源。此外，如果直接使用高光谱整图进行识别，又存在数据的大量冗余和计算量庞大的问题。目前虽有一些报道利用高光谱技术实现疫病识别，但要么局限于像元波段数据，要么没有考虑高光谱的波段冗余性，尚未有找出柑橘果实病害的敏感波段和基于光谱图像本身的柑橘果实病害识别的应用。

3、因此，针对柑橘果实病害的高光谱图像识别，目前迫切需要一种快速且精准的识别方法。

技术实现思路

1、本发明的目的在于克服现有技术的缺点与不足，提出一种基于高光谱图像的柑橘果实病害识别方法，能够基于选出的敏感波段进行降维后的光谱图像进行疫病识别，解决人工检测主观性强，分子生物学检测操作繁琐与高光谱图像识别存在大量冗余性等问题。完成对柑橘病害的快速检测。

2、为实现上述目的，本发明提供的技术方案为：一种基于高光谱图像的柑橘果实病害识别方法，包括以下步骤：

3、步骤1.在室内暗箱采集感染丁香疫霉、褐腐疫霉、梗生疫霉的柑橘和健康的柑橘果实高光谱图像，记为原始样本图像；

4、步骤2.对获取的原始样本图像进行黑白校正，得到黑白校正后图像，记为x；

5、步骤3.对原始样本图像降维，从224个波段提取44个波长组成新的高光谱图像数据，记为x1；

6、步骤4.使用掩膜对x1进行背景去除，背景区光谱值设置为0，得到x2；

7、步骤5.对x2图像进行裁剪，获得柑橘果实样本的最小外接正方形高光谱图像数据记为x3，每类高光谱图像数据的标签记为y1；

8、步骤6.将所得的数据x3，每种类型样本随机选择6/10的光谱图像作为训练集s1，2/10的光谱图像作为验证集s2，2/10的光谱图像作为测试集s3，对应的标签记为ys1，ys2，ys3；

9、步骤7.将作为训练集的数据s1和对应的标签ys1输入柑橘果实病害的识别模型中，建立柑橘果实病害识别模型并训练；

10、步骤8.将作为验证集的光谱数据s2和对应的标签ys2输入步骤7建立的识别模型中，评估模型的识别性能；

11、步骤9.若识别模型准确率大于90％，则保存识别模型；若识别模型准确率小于90％，则返回步骤7重新训练；

12、步骤10.将测试集s3输入保存的模型，输出相应的病害类别，与真实标签ys3比较，得到模型效果；

13、优选的，所述步骤2中的黑白校正基于以下公式完成；

14、x＝(sample-dark)/(white-dark)

15、其中，x为黑白校正后图像，sample为原始图像，white为标准白板参考，dark为黑板参考。

16、优选的，所述所步骤3中的选择的光谱波长为413,431,437,442,444,460,463,468,473,516,532,534,564,566,569,585,588,591,593,596,601,604,607,639,642,644,652,658,688,729,734,739,742,745,750,753,759,770,792,808,814,819,880,964总共44个波长，单位为nm，其余波长的数据删除，重新组成高光谱图像。

17、优选的，所述步骤3中选择的光谱波长是根据柑橘四种状态的光谱曲线的可分性选择的，如果进行删减，会导致识别的准确率下降。

18、优选的，所述步骤4中高光谱图像数据的腌膜使用百度飞桨的eiseg图像分割工具得到，使用python3.9和torch库去除图像背景，具体的是将高光谱图像与腌膜文件做矩阵运算，去除背景。

19、优选的，所述步骤5中高光谱图像的裁剪使用python3.9完成，具体的步骤为寻找图像中样本的上下左右最极值的像素点，求得图像矩形轮廓，以长度为基准，对宽度两侧均匀添加像素点为0的背景，获得柑橘样本的正方形图像。

20、优选的，所述步骤7输入的数据输入模型前长宽调整为224*224。

21、优选的，所述步骤所述步骤7的柑橘果实病害的识别模型包括光谱处理模块和图像处理模块。

22、优选的，[0025]所述柑橘果实病害的识别模型的两个模块对于最终识别效率都有影响，具体的作用是：图像处理模块是模型的基准模块，负责整体图像的识别；图像处理模块是辅助模块，辅助在基准准确率的基础上提高最终准确率，两者相辅相成。

23、优选的，[0025]所述的光谱处理模块，其特征在于：对于输入的图像，使用全局平均池化，将输入的图像调整为1×1×44，通过全连接层调整为1×1×224，输入seblock模块提取注意力，提取因子为0.25，维度和大小不变，然后输入双向lstm，隐藏层为4，输出1×8的模型参数。

24、优选的，[0025]所述的图像处理模块，其特征在于：第一步，对输入的数据224×224×44经过卷积核为7×7，步长为2的卷积后经过批归一化、relu激活函数输出64×112×112；第二步，输入最大卷积池化，卷积核为3×3，步长为2，输出64×56×56；第三步，输入basicblock模块，步长为1，输出64×56×56；第四步，输入两层的basicblock模块，步长为2，输出128×28×28；第五步，输入两层的basicblock模块，步长为2，输出256×14×14；第六步，输入seblock模块，提取因子为0.25，输出256×14×14；第七步，输入自适应平均池化后进行展平，输出256×1。

25、优选的，光谱处理模块得到的输出1×8的参数与图像处理模块得到的输出256×1参数维度调整后进行维度拼接，得到264×1的参数数据，通过全连接层输出识别分类结果

26、优选的，所述的seblock具体为对输入数据input首先通过全局平均池化得到1×1×c，然后通过全连接层将通道降维为通道数除以提取因子得到1×c/r，激活函数为relu，紧接着使用全连接层恢复原来通道数1×c，激活函数为sigmoid，得到的1×c与输入数据相乘，得到输出数据output。

27、优选的，所述的basicblock模块，其特征在于：输入的数据input经过两层堆叠的卷积块，卷积块具体为第一步进行卷积，卷积核为3×3，步长为3，第二步进行批归一化，第三步使用激活函数relu。

28、实施本发明实例，具有如下的有益效果：

29、本发明提供一种基于高光谱图像的柑橘果实病害识别方法。对于采集的高光谱图像，在224个光谱波长中确定了44个光谱波长，选择的波长是根据光谱可分性选择，对波长数目的增删都会导致准确率的下降。只需要保留选取的具有强可分性的44个波长，然后输入识别模型中，即可得到病害类型的检测结果。因为对数据的预处理大大降低了数据的大小，大大加快识别速率。同时提出的识别模型的轻量化，大大降低了外部设备的硬件需求。最终实现对柑橘果实病害的无损、快速、准确的鉴定。