一種柑橘潰瘍病高光譜模型傳遞的方法
【專利摘要】本發(fā)明涉及一種柑橘潰瘍病高光譜模型傳遞的方法，利用源機(jī)M1和目標(biāo)機(jī)M2采集柑橘的高光譜圖像，利用遺傳偏最小二乘算法提取了M1高光譜圖像的特征波段，并建立了最小二乘支持向量機(jī)判別模型。采用分段直接校正算法構(gòu)建了兩臺(tái)儀器所采集的高光譜圖像的函數(shù)關(guān)系式，將校正后的M2高光譜圖像輸入到最小二乘支持向量機(jī)判別模型中，模型的預(yù)測(cè)集識(shí)別率由校正前的26％提高到了97％。說(shuō)明本發(fā)明所述的方法可用于柑橘潰瘍病高光譜模型的傳遞，有利于建立穩(wěn)健的柑橘潰瘍病高光譜模型，提高柑橘潰瘍病的檢測(cè)精度。
【專利說(shuō)明】
-種巧橘演瘍病高光譜模型傳遞的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及相橘潰瘍病檢測(cè)領(lǐng)域，具體設(shè)及一種相橘潰瘍病高光譜模型傳遞的方 法。
【背景技術(shù)】
[0002] 相橘潰瘍?。╟itrus canker)是影響全球相橘種植業(yè)發(fā)展的重大檢疫性病害，主 要危害葉片和果實(shí)。病菌通過(guò)雨水、苗木等媒介傳播，從寄主的氣孔、皮孔W及傷口侵入。病 果和病葉的癥狀類似，染病前期，病斑呈黃色或暗黃色的小斑點(diǎn)；后期，病斑呈木栓化，嚴(yán)重 影響相橘果實(shí)外觀品質(zhì)，造成了很大的經(jīng)濟(jì)損失。目前大部分研究都集中在對(duì)運(yùn)種病害的 防治和檢測(cè)方面，而對(duì)于帶有潰瘍病斑的相橘類水果的剔除主要還是通過(guò)人工分選，對(duì)工 人要求較高，且效率低，準(zhǔn)確性差。隨著圖像處理技術(shù)的日趨先進(jìn)和計(jì)算機(jī)硬件成本的降低 及處理速度的提高，機(jī)器視覺(jué)系統(tǒng)在農(nóng)產(chǎn)品品質(zhì)自動(dòng)檢測(cè)和分級(jí)領(lǐng)域應(yīng)用越來(lái)越廣泛，因 此，需要一種高效無(wú)損的相橘潰瘍病檢測(cè)手段。
[0003] 近年來(lái)，高光譜成像技術(shù)逐漸應(yīng)用于相橘潰瘍病檢測(cè)，并取得了較好的效果。如李 江波等發(fā)表了基于高光譜成像技術(shù)檢測(cè)廝澄潰瘍(農(nóng)業(yè)工程學(xué)報(bào)，第26卷，第8期，222-228 頁(yè)），研究從帶有不同缺陷的相橘類水果中快速識(shí)別出潰瘍果的有效方法，基于高光譜成像 技術(shù)，該文提出特征波段主成分分析法及波段比算法。田有文等發(fā)表了農(nóng)產(chǎn)品病蟲(chóng)害高光 譜成像無(wú)損檢測(cè)的研究進(jìn)展(激光與紅外，第43卷第23期，1329-1335頁(yè)），結(jié)合高光譜成像 技術(shù)在水果、蔬菜、肉類W及谷物等農(nóng)產(chǎn)品病蟲(chóng)害無(wú)損檢測(cè)研究應(yīng)用方面最新研究成果，進(jìn) 行系統(tǒng)的總結(jié)與分析。
[0004] 但是，不同研究者所建立的相橘潰瘍病識(shí)別模型都是基于特定型號(hào)的高光譜成像 儀基礎(chǔ)之上，普適性低，無(wú)法相互使用。倘若針對(duì)不同型號(hào)的高光譜成像儀分別建模，不僅 效率低下，而且成本較高，實(shí)用性較低。在生產(chǎn)實(shí)踐中，為了獲取不同尺度農(nóng)田信息，便攜式 高光譜成像儀因其體積小、重量輕、安裝簡(jiǎn)單等優(yōu)點(diǎn)，已開(kāi)始應(yīng)用于車載和機(jī)載式農(nóng)田信息 采集系統(tǒng)。與實(shí)驗(yàn)室高光譜成像平臺(tái)相比，便攜式高光譜成像儀的采集的高光譜圖像質(zhì)量 容易受到氣象因子的影響，精度較低?；谏鲜觯景l(fā)明公開(kāi)了一種相橘潰瘍病的高光譜模 型傳遞的方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種相橘潰瘍病高光譜模型傳遞的 方法。
[0006] 本發(fā)明解決上述技術(shù)問(wèn)題的技術(shù)方案為：
[0007] -種相橘潰瘍病高光譜模型傳遞的方法，包括如下步驟：
[000引1)利用源機(jī)Ml和目標(biāo)機(jī)M2分別采集相橘的高光譜圖像;提取高光譜圖像中的感興 趣區(qū)域的平均光譜反射率；
[0009] 2)采用KS化ennard-stone)算法將Ml所采集的高光譜圖像分成建模集和預(yù)測(cè)集， 利用GA-PLS算法(遺傳偏最小二乘算法)提取建模集內(nèi)的高光譜圖像的特征波長(zhǎng)；
[0010] 3)將建模集內(nèi)的高光譜圖像的特征波長(zhǎng)處的平均光譜反射率輸入到LS-SVM(最小 二乘向量機(jī))判別模型中，建立判別模型；
[0011] 4)采用SPXY(sample set partitioning based on joint x-y dis1:ance)算法分 別從源機(jī)Ml和目標(biāo)機(jī)M2所測(cè)的高光譜圖像中選擇相同相橘的高光譜圖像作為標(biāo)樣集；
[0012] 5)針對(duì)標(biāo)樣集內(nèi)的高光譜圖像，采用PDS算法(直接分段校正算法)建立源機(jī)Ml和 目標(biāo)機(jī)M2之間高光譜圖像的轉(zhuǎn)換矩陣F;所述的轉(zhuǎn)換矩陣F通過(guò)偏最小二乘法計(jì)算得到；
[0013] 6)通過(guò)目標(biāo)機(jī)M2采集未知相橘樣本的高光譜圖像，乘W轉(zhuǎn)換矩陣F，得到校正后的 高光譜圖像;將校正后的高光譜圖像輸入到LS-SVM判別模型中，計(jì)算識(shí)別結(jié)果。
[0014] 上述技術(shù)方案中，利用Ml的高光譜圖像建立了判別模型，通過(guò)數(shù)學(xué)方法建立Ml和 M2的高光譜圖像之間的函數(shù)關(guān)系，再由計(jì)算得到的函數(shù)關(guān)系式對(duì)M2所采集的高光譜圖像進(jìn) 行校正，使得校正后的高光譜圖像適用于所建立的判別模型，實(shí)現(xiàn)模型的通用性。
[0015] 作為優(yōu)選，所述的步驟1)中的感興趣區(qū)域是指:針對(duì)健康的相橘，把整個(gè)相橘當(dāng)作 感興趣區(qū)域;針對(duì)染病的相橘，把病斑組織作為感興趣區(qū)域。
[0016] 作為優(yōu)選，所述的步驟1)中的相橘包括不同感染期的相橘潰瘍病。
[0017]作為優(yōu)選，所述的步驟2)中建模集和預(yù)巧蝶的比例為1.8-2.2:1。
[0018] 作為優(yōu)選，所述的目標(biāo)機(jī)M2為便攜式高光譜成像儀。由于便攜式高光譜成像儀體 積小、重量輕、安裝簡(jiǎn)單等優(yōu)點(diǎn)，能夠應(yīng)用于車載和機(jī)載式農(nóng)田信息采集系統(tǒng)中，便于對(duì)相 橘潰瘍病進(jìn)行高光譜圖像的采集。
[0019] 作為優(yōu)選，所述的步驟5)中建立轉(zhuǎn)換矩陣F是指:在M2的標(biāo)樣集內(nèi)的高光譜圖像中 選擇第j-5個(gè)到第j巧個(gè)波長(zhǎng)處的標(biāo)樣光譜矩陣與Ml的標(biāo)樣集內(nèi)的高光譜圖像中第j個(gè)波長(zhǎng) 處的光譜矩陣進(jìn)行匹配，通過(guò)偏最小二乘法求出轉(zhuǎn)換系數(shù)。，求出全部波長(zhǎng)處的fj，構(gòu)成轉(zhuǎn) 換矩陣F。
[0020] 同現(xiàn)有技術(shù)相比，本發(fā)明的有益效果體現(xiàn)在：
[0021] (1)便攜式高光譜成像儀因其便攜性、體積小等優(yōu)點(diǎn)被安裝在田間移動(dòng)式車輛、農(nóng) 用無(wú)人機(jī)和有人飛機(jī)上。本發(fā)明所設(shè)述的相橘潰瘍病高光譜模型傳遞方法應(yīng)用于實(shí)驗(yàn)室高 光譜成像平臺(tái)和便攜式高光譜成像儀之間的傳遞。該方法能夠?qū)崿F(xiàn)室內(nèi)實(shí)驗(yàn)室高光譜成像 平臺(tái)高光譜成像儀所建立的相橘潰瘍病模型傳遞到機(jī)載便攜式高光譜成像儀之上，有利于 提高相橘潰瘍病模型的普適性，提高相橘潰瘍病的檢測(cè)精度。
[0022] (2)模型的建立需要足夠多的樣品，在一些樣品不易獲取的情況下，本發(fā)明所述的 相橘潰瘍病高光譜模型傳遞方法不需要收集太多的樣品，能夠提高建模效率，有助于及時(shí) 地對(duì)相橘潰瘍病進(jìn)行檢測(cè)、防治。
【附圖說(shuō)明】
[0023] 圖1為實(shí)施例中相橘潰瘍病高光譜模型傳遞的流程圖；
[0024] 圖2為校正前后的平均光譜反射率曲線圖；
[0025] 圖3為校正前PCA得到的前S個(gè)主成分得分圖；
[0026] 圖4為校正后PCA得到的前S個(gè)主成分得分圖。
【具體實(shí)施方式】
[0027]下面結(jié)合實(shí)施例和附圖詳細(xì)說(shuō)明本發(fā)明。
[002引實(shí)施例；
[0029] 采集青果期的健康相橘樣本58個(gè)，感染潰瘍病樣本48個(gè)，共106個(gè)樣本。分別應(yīng)用 實(shí)驗(yàn)室高光譜成像平臺(tái)，主要包括CCD相機(jī)（C8484-05,化mamatsu曲Otonics Jamamatsu City,Japan)、成像光譜儀（ImSpector V10E，Spectral Imaging Ltd.,Oulu,Finland)、線 光源（F;Lbe;r-Lite DC950,Dolan Jenner Industries Inc.,Boxbo;rough,MA)、電控移動(dòng)平 臺(tái)、暗箱和電腦和便攜式高光譜成像儀（S0C7IOVP，Su;rface Optics Coloration, San Diego ,CA)采集高光譜圖像。
[0030] 如圖I所示，具體的相橘潰瘍病高光譜模型傳遞的流程如下，包括如下步驟：
[0031] 1)利用源機(jī)Ml和目標(biāo)機(jī)M2分別采集相橘（106個(gè)樣本）的高光譜圖像;提取高光譜 圖像的感興趣區(qū)域的平均光譜反射率;感興趣區(qū)域是指:針對(duì)健康的相橘，把整個(gè)相橘當(dāng)作 感興趣區(qū)域;針對(duì)染病的相橘，把病斑組織作為感興趣區(qū)域;所述的相橘潰瘍病包括不同感 染期的相橘潰瘍病。
[0032] 2)采用Kennard-Stone算法將Ml所采集的高光譜圖像按比例2:1分成建模集和預(yù) 測(cè)集；
[0033] 3)利用GA-PLS算法提取源機(jī)Ml建模集內(nèi)的高光譜圖像的特征波長(zhǎng)，將建模集內(nèi)的 高光譜圖像的特征波長(zhǎng)處的平均光譜反射率輸入到LS-SVM判別模型中，建立判別模型；
[0034] 4)采用SPXY算法分別從源機(jī)Ml和目標(biāo)機(jī)M2所測(cè)的高光譜圖像中分別選擇15個(gè)相 橘的高光譜圖像作為標(biāo)樣集；
[0035] 5)針對(duì)標(biāo)樣集的高光譜圖像，采用PDS算法建立源機(jī)Ml和目標(biāo)機(jī)M2之間高光譜圖 像的轉(zhuǎn)換矩陣F;在M2的標(biāo)樣集內(nèi)的高光譜圖像中選擇第j-5個(gè)到第j巧個(gè)波長(zhǎng)處的標(biāo)樣光 譜矩陣與Ml的標(biāo)樣集內(nèi)的高光譜圖像中第j個(gè)波長(zhǎng)處的光譜矩陣進(jìn)行匹配，通過(guò)偏最小二 乘法求出轉(zhuǎn)換系數(shù)fj，求出全部波長(zhǎng)處的fj，構(gòu)成轉(zhuǎn)換矩陣F。
[0036] 6)將目標(biāo)機(jī)M2中剩余樣品（除去標(biāo)樣集)樣本的高光譜圖像乘W轉(zhuǎn)換矩陣F，得到 校正后的高光譜圖像;將校正后的高光譜圖像輸入到LS-SVM判別模型中，計(jì)算識(shí)別結(jié)果。
[0037] 圖2顯示了校正前后兩臺(tái)不同型號(hào)的高光譜成像儀兩類相橘樣本的平均光譜反射 率曲線。從圖2可W看出，校正前(Ml，M2)，兩臺(tái)高光譜成像儀所測(cè)的同類樣品的平均光譜反 射率曲線存在較大的差異，如健康Ml與健康M2,感病Ml與感病M2;經(jīng)校正之后(M2C)，有效地 消除了兩者之間的差異，正常和染病的相橘樣本平均光譜反射率幅值和特征吸收峰基本一 致，如健康Ml與健康M2C，感病M2與感病M2C。
[0038] 圖2和圖3分別顯示了校正前后主成分分析(PCA)后得到的主成分得分圖。由于高 光譜成像儀的響應(yīng)函數(shù)不同，同一批相橘樣品，光譜反射率幅值存在較大的差異，經(jīng)過(guò)PDS 校正之后，相同類別的相橘樣本基本重疊一起，說(shuō)明本發(fā)明提出的相橘潰瘍病高光譜模型 傳遞方法能夠有效的消除不同高光譜成像儀之間的差異。
[0039] 為了進(jìn)一步驗(yàn)證所述相橘潰瘍病高光譜模型傳遞的方法，建立了 LS-SVM判別模 型。采用Kennard-Stone算法將樣本按照2:1的比例分成建模集和預(yù)測(cè)集，利用GA-PLS提取 建模集的特征波長(zhǎng)，將特征波長(zhǎng)的平均光譜反射率輸入到LS-SVM模型中。校正前后，LS-SVM 模型的識(shí)別結(jié)果如表1所示。
[0040] 表1校正前后LS-SVM模型的識(shí)別結(jié)果
[0041]
[0042] 經(jīng)校正之后，LS-SVM模型建模集和預(yù)測(cè)集的識(shí)別率分別由校正前的33%和26%提 高到了 98%和97%。說(shuō)明本發(fā)明提出的相橘潰瘍病高光譜模型傳遞方法是可行的。
[0043] W上所述僅為本發(fā)明的具體的實(shí)施例，凡依本發(fā)明申請(qǐng)專利范圍所做的變化與修 飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。
【主權(quán)項(xiàng)】
1. 一種柑橘潰瘍病高光譜模型傳遞的方法，其特征在于，包括如下步驟： 1) 利用源機(jī)Ml和目標(biāo)機(jī)M2分別采集柑橘的高光譜圖像;提取高光譜圖像中的感興趣區(qū) 域的平均光譜反射率； 2) 采用KS算法將Ml所采集的高光譜圖像分成建模集和預(yù)測(cè)集，利用GA-PLS算法提取建 模集內(nèi)的高光譜圖像的特征波長(zhǎng)； 3) 將建模集內(nèi)的高光譜圖像的特征波長(zhǎng)處的平均光譜反射率輸入到LS-SVM判別模型 中，建立判別模型； 4) 采用SPXY算法分別從源機(jī)Ml和目標(biāo)機(jī)M2所測(cè)的高光譜圖像中選擇相同柑橘的高光 譜圖像作為標(biāo)樣集； 5) 針對(duì)標(biāo)樣集內(nèi)的高光譜圖像，采用ros算法建立源機(jī)Ml和目標(biāo)機(jī)M2之間高光譜圖像 的轉(zhuǎn)換矩陣F;所述的轉(zhuǎn)換矩陣F通過(guò)偏最小二乘法計(jì)算得到； 6) 通過(guò)目標(biāo)機(jī)M2采集未知柑橘樣本的高光譜圖像，乘以轉(zhuǎn)換矩陣F，得到校正后的高光 譜圖像;將校正后的高光譜圖像輸入到LS-SVM判別模型中，計(jì)算識(shí)別結(jié)果。2. 根據(jù)權(quán)利要求1所述的柑橘潰瘍病高光譜模型傳遞的方法，其特征在于，所述的步驟 1)中的感興趣區(qū)域是指:針對(duì)健康的柑橘，把整個(gè)柑橘當(dāng)作感興趣區(qū)域;針對(duì)染病的柑橘， 把病斑組織作為感興趣區(qū)域。3. 根據(jù)權(quán)利要求1所述的柑橘潰瘍病高光譜模型傳遞的方法，其特征在于，所述的步驟 1) 中的柑橘包括不同感染期的柑橘潰瘍病。4. 根據(jù)權(quán)利要求1所述的柑橘潰瘍病高光譜模型傳遞的方法，其特征在于，所述的步驟 2) 中建模集和預(yù)測(cè)集的比例為1.8-2.2:1。5. 根據(jù)權(quán)利要求1所述的柑橘潰瘍病高光譜模型傳遞的方法，其特征在于，所述的目標(biāo) 機(jī)M2為便攜式高光譜成像儀。6. 根據(jù)權(quán)利要求1所述的柑橘潰瘍病高光譜模型傳遞的方法，其特征在于，所述的步驟 5)中建立轉(zhuǎn)換矩陣F是指:在M2的標(biāo)樣集內(nèi)的高光譜圖像中選擇第j-5個(gè)到第j+5個(gè)波長(zhǎng)處 的標(biāo)樣光譜矩陣與Ml的標(biāo)樣集內(nèi)的高光譜圖像中第j個(gè)波長(zhǎng)處的光譜矩陣進(jìn)行匹配，通過(guò) 偏最小二乘法求出轉(zhuǎn)換系數(shù)fj，求出全部波長(zhǎng)處的fj，構(gòu)成轉(zhuǎn)換矩陣F。
【文檔編號(hào)】G01N21/25GK105954202SQ201610260903
【公開(kāi)日】2016年9月21日
【申請(qǐng)日】2016年4月22日
【發(fā)明人】岑海燕, 翁海勇, 何勇
【申請(qǐng)人】浙江大學(xué)