论文部分内容阅读
为实现茶叶病害的快速高效识别以及为无人机病害监测预警提供有价值的理论支撑和参考依据,本文以炭疽病、赤叶斑病、茶白星病等常见的茶叶病害作为研究对象,提出了基于高光谱成像技术和机器学习融合的茶叶病害识别方法。本课题研究的主要内容和结论如下。(1)研究了茶叶病害的高光谱数据采集和光谱特征选取方法。对采集得到的茶叶病害样本和健康叶片样本,通过高光谱成像系统设置适合的采集参数后,获取其在358-1021 nm之间共616个波段下的高光谱图像。对得到的高光谱图像进行黑白校正和平滑处理以消除采集过程中的噪声干扰。选取样本沿主叶脉方向近叶尖部位200像素见方的区域为感兴趣区域,提取每个波段下感兴趣区域内所有像素点的光谱反射率平均值作为该波段下的光谱反射率值。根据样本在全波段下的光谱反射率曲线可以得到各类样本光谱反射率的整体变化状况和差异,结合光谱反射率分离度计算得到使各类样本间分离程度最大的560、640、780 nm三个波段作为敏感波段,提取敏感波段的相对光谱反射率作为样本光谱特征。(2)研究了茶叶病害高光谱数据图像特征选取方法。针对高光谱图像数据相邻波段下图像的强相关性,通过主成分分析后每类样本的第一主成分寻找其特征波长,分别为762、700、721和719 nm。为减少计算复杂度,利用4个特征波长进行第二次主成分分析并确定其第二主成分为特征图像。根据Otsu分割算法准确分离出叶片病斑区域并最终得到只包含病斑区域图像。基于图像单通道的颜色矩和灰度共生矩阵,提取了图像单通道的一、二、三阶矩作为样本的颜色特征,同时提取了灰度共生矩阵0°、45°、90°和135°方向的能量、对比度、相关度、平稳度、熵等20个特征作为样本的纹理特征。(3)通过特征组合和特征降维得到不同的特征向量组合,用于后续显著性检验和算法验证。对提取得到的样本光谱特征、颜色特征和纹理特征,将颜色特征+纹理特征作为特征向量组合1,颜色特征+纹理特征+光谱特征作为特征向量组合2,通过遗传算法对特征向量组合2进行降维,经过降维后的输出作为特征向量组合3。(4)建立了机器学习模型对三种特征向量组合进行检验。分别构建了支持向量机、随机森林和BP神经网络模型对样本行训练和测试,三种模型分别依次通过特征向量组合1、2、3对样本的识别率均有显著提高。携带有光谱特征的特征组合向量2相比于特征向量组合1,在三种模型上对茶叶的识别率有大幅度的提升,对四类样本识别率均在80%以上,表明了光谱特征在茶叶病害识别中具有重要贡献和显著效果。经过降维后的特征向量组合3,不但减小了计算复杂度和缩短了建模时间,而且在三种分类模型上对各类样本的识别准确度都达到了 90%以上。本论文的试验研究结果表明:高光谱成像技术融合机器学习的方法可以快速准确的实现对茶叶病斑的识别分类,可为植保无人机超低空遥感病害监测和预警提供有价值的参考。