本發(fā)明涉及一種稻田中水稻秧苗和稗草早期識別，具體涉及一種基于光譜儀進(jìn)行稻田早期稗草識別的方法。

背景技術(shù)：

1、中國是農(nóng)業(yè)大國，水稻是我國的主要糧食作物之一，在我國國民經(jīng)濟(jì)中承擔(dān)著非常重要的作用，保證水稻的豐產(chǎn)增收至關(guān)重要。長期以來，雜草危害是農(nóng)業(yè)生產(chǎn)的主要危害，稗草是影響水稻產(chǎn)量的重要因素，其危害表現(xiàn)在競爭性強(qiáng)，種類繁多、蔓延范圍廣、生長速度快，會導(dǎo)致水稻出現(xiàn)長勢不良、產(chǎn)量下降的問題。稗草的防治方法通常包含人工除草(工作量大，且效率低下)、機(jī)械除草(精度不高)和化學(xué)除草(有效節(jié)省人力投入，效率較高且防治效果良好)，其中大量使用化學(xué)藥劑對雜草進(jìn)行制約勢必會影響農(nóng)田水土環(huán)境，并對農(nóng)產(chǎn)品品質(zhì)、食品安全造成威脅。因此，對稗草進(jìn)行早期識別是保證水稻豐產(chǎn)增收的必要前提。

2、然而，在水稻實(shí)際生產(chǎn)過程中，稻田稗草的識別仍然處于傳統(tǒng)的人工識別階段，通過葉耳和葉舌的差異區(qū)分水稻和稗草的區(qū)別。隨著科學(xué)技術(shù)的發(fā)展，許多新興的雜草的識別技術(shù)也逐漸出現(xiàn)，比如基于圖像信息的和光譜信息的雜草識別技術(shù)。

3、2013年，陳樹人等(陳樹人,鄒華東,吳瑞梅,等.基于高光譜圖像技術(shù)的稻田苗期雜草稻識別[j].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(05):253-257.)以生長期為10d的雜草稻和水稻為研究對象，采集其高光譜圖像信息，對其進(jìn)行濾波預(yù)處理后，利用主成分分析方法優(yōu)選出1448.89nm和1469.89nm波長下的特征圖像，預(yù)測時，雜草稻的回判率為92.86％，水稻的回判率為96.88％。2018年，黃華盛(黃華盛.基于無人機(jī)遙感圖像的稻田雜草識別研究[d].華南農(nóng)業(yè)大學(xué),2019.)等采用無人機(jī)遙感采集水稻田塊的遙感影像，基于全卷積網(wǎng)絡(luò)對雜草進(jìn)行識別，總體精度達(dá)到95.3％。2019年，蔣統(tǒng)統(tǒng)(蔣統(tǒng)統(tǒng).基于無人機(jī)遙感圖像的水稻及雜草分類研究[d].華南農(nóng)業(yè)大學(xué),2019.)利用無人機(jī)遙感圖像對水稻及雜草分類進(jìn)行研究，采用卷積神經(jīng)網(wǎng)絡(luò)來識別水稻和雜草，基于inception_v3模型使用遷移學(xué)習(xí)的方法使它適應(yīng)于水稻雜草的識別，綜合分類準(zhǔn)確率有顯著的提升，達(dá)到94.80％。2023年，braga等(bragaaf,chiconila,bachaal,etal.discriminationofmorningglory?species(ipomoeaspp.)usingnear-infrared?spectroscopyandmultivariate?analysis[j].weedscience,2023,71(2):104-111.)利用近紅外(nir光譜和多元分析來鑒別三種牽?；▽俜N，nir光譜采集于3種牽?；I養(yǎng)生長期的葉片，光譜波段為4000～10000cm-1，選擇判別模型的準(zhǔn)確率都可達(dá)98.5％以上。

4、現(xiàn)階段，雖然有各種各樣的新興技術(shù)運(yùn)用于對田間的雜草進(jìn)行識別，但還是存在以下幾點(diǎn)問題：

5、1、高成本與專業(yè)依賴性的水稻與稗草信息采集技術(shù)：目前水稻和稗草的信息采集主要依賴于無人機(jī)搭載的專業(yè)儀器進(jìn)行圖像和光譜數(shù)據(jù)的采集。這種方法不僅要求專業(yè)人員進(jìn)行操作，而且設(shè)備的購置和維護(hù)成本高昂，這在很大程度上限制了其在廣泛農(nóng)田管理中的應(yīng)用。因此，本發(fā)明聚焦于如何開發(fā)一種低成本、易操作的信息采集技術(shù)，以實(shí)現(xiàn)對水稻和稗草的高效、準(zhǔn)確監(jiān)測。

6、2、稗草識別技術(shù)在復(fù)雜環(huán)境下的準(zhǔn)確性挑戰(zhàn)：隨著稗草識別技術(shù)的不斷發(fā)展，雖然識別效果有所提升，但在復(fù)雜環(huán)境條件下，如光照變化、植物遮擋、土壤濕度等，現(xiàn)有技術(shù)仍難以準(zhǔn)確區(qū)分稗草與其他植物。這種準(zhǔn)確性不足可能導(dǎo)致誤報(bào)或漏報(bào)，進(jìn)而影響農(nóng)田管理的決策效果。本發(fā)明致力于探究如何提升稗草識別技術(shù)在復(fù)雜環(huán)境下的準(zhǔn)確性，減少誤報(bào)和漏報(bào)現(xiàn)象，確保農(nóng)田管理的精準(zhǔn)性和有效性。

7、3、稗草識別技術(shù)處理速度的優(yōu)化需求：稗草識別技術(shù)需要處理大量的圖像數(shù)據(jù)，并進(jìn)行復(fù)雜的算法計(jì)算。這一過程往往耗時較長，難以滿足實(shí)時或快速監(jiān)測的需求。本發(fā)明專注于如何優(yōu)化稗草識別技術(shù)的處理速度，減少數(shù)據(jù)處理時間，特別是在大規(guī)模農(nóng)田管理中的應(yīng)用，以支持快速、高效的農(nóng)田監(jiān)測和決策制定。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是克服現(xiàn)有技術(shù)的不足，提供一種基于手持式地物光譜儀進(jìn)行稻田早期稗草識別的方法，從而解決對稻田中的早期稗草進(jìn)行識別困難的問題。

2、為解決上述技術(shù)問題，本發(fā)明提出的技術(shù)方案為：1、一種基于地物光譜儀進(jìn)行稻田早期稗草識別的方法，包括以下步驟：

3、1)使用地物光譜儀對稻田早期水稻和稗草進(jìn)行光譜數(shù)據(jù)采集并建立樣本庫；

4、2)將樣本庫按照8:2的比例隨機(jī)劃分為校正集和預(yù)測集；

5、3)對采集的早期水稻秧苗和稗草光譜數(shù)據(jù)進(jìn)行預(yù)處理從而去噪；所述預(yù)處理光包括平滑和/或求導(dǎo)；其中平滑方法采用sg卷積平滑法，計(jì)算公式如下：

6、

7、w代表窗口系數(shù)，窗口寬度表示為2w+1，xj+k代表樣本的第j+k波長點(diǎn)處的原始值，hk表示平滑系數(shù)，且

8、其中求導(dǎo)方法包括sg卷積求導(dǎo)，計(jì)算公式如下：

9、d^2y/dx^2≈∑(ci*yi)/h^2

10、其中，d^2y/dx^2表示光譜數(shù)據(jù)的二階導(dǎo)數(shù)，ci是sg算法中的多項(xiàng)式系數(shù)，yi是窗口內(nèi)的光譜數(shù)據(jù)點(diǎn)，h是窗口大小。

11、4)采用cars對光譜數(shù)據(jù)進(jìn)行特征提??；

12、5)利用matlab使用校正集建立識別模型，選取最佳的預(yù)測模型；

13、6)將預(yù)測集的光譜數(shù)據(jù)輸入到步驟5)中的預(yù)測模型中得到識別結(jié)果。

14、上述的基于地物光譜儀進(jìn)行稻田早期稗草識別的方法，優(yōu)選的，所述步驟1)光譜數(shù)據(jù)采集是隨機(jī)在稻田里采集2～4葉期的水稻秧苗和稗草的光譜信息，建立包含不少于200組光譜數(shù)據(jù)的樣本庫，光譜范圍為400～1100nm，并用txt格式保存。

15、上述的基于地物光譜儀進(jìn)行稻田早期稗草識別的方法，優(yōu)選的，所述步驟4)中通過cars算法提取早期2～4葉的水稻和稗草光譜特征；其調(diào)用形式為：

16、cars＝carspls(x,y,a,fold,method,num,selectlv,originalversion,order)；

17、其中，x表示水稻秧苗和稗草的光譜數(shù)據(jù)，y表示類別標(biāo)簽數(shù)據(jù)，a表示要提取的最大主因子數(shù)，fold表示交叉驗(yàn)證的折數(shù)，method表示預(yù)處理方法，num表示蒙特卡羅采樣運(yùn)行的次數(shù)，selectlv表示選擇最佳主因子數(shù)的方式，originalversion表示調(diào)用的cars版本，order表示樣本的排列順序；本發(fā)明中，a取值為10，fold取值為10，method取值為’center’,num取值為100，selectlv取值為1，originalversion取值為0，order取值為0。

18、上述的基于地物光譜儀進(jìn)行稻田早期稗草識別的方法，優(yōu)選的，所述步驟5)中利用matlab使用校正集建立識別模型包括以下步驟：

19、①在matlab分類學(xué)習(xí)器工具箱中建立多個早期水稻秧苗和稗草的分類模型；

20、②在matlab分類學(xué)習(xí)器中導(dǎo)入步驟2)中的校正集數(shù)據(jù)；

21、③選中步驟①中matlab分類學(xué)習(xí)器工具箱中的所有分類模型；

22、④進(jìn)行模型訓(xùn)練；

23、⑤選取在預(yù)測集上對稻田的早期稗草進(jìn)行識別，識別率達(dá)到95％的分類模型，得到預(yù)測模型。

24、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：本發(fā)明的基于地物光譜儀進(jìn)行稻田早期稗草識別的方法能夠在多個分類模型中選取識別率最高的分類模型來對早期水稻秧苗和稗草進(jìn)行識別，從而對早期稗草的識別率高。同時，通過matlab自帶的分類學(xué)習(xí)器工具箱進(jìn)行建模，便于后續(xù)將模型轉(zhuǎn)移到硬件部署；降低了建模時間成本。