[发明专利]基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统

权利要求书

1.一种基于机器学习和高光谱成像的多种类柑橘病叶识别方法，其特征在于，所述方法包括：

获取柑橘病叶的高光谱图像，其中所述柑橘叶片包括正常叶片、溃疡病叶片、除草剂危害叶片、红蜘蛛危害叶片和煤烟病叶片；

将所述高光谱图像的像素亮度值转换为反射率值；

提取所述转换后的高光谱图像对应的光谱信息并作为实验样本；

对所述实验样本进行预处理；

提取所述预处理后的实验样本的特征波长；

利用所述预处理后的实验样本或所述特征波长构建训练样本集，并利用所述训练样本集构建病叶识别模型；

利用构建完成的病叶识别模型进行病叶识别。

2.如权利要求1所述的基于机器学习和高光谱成像的多种类柑橘病叶识别方法，其特征在于，“提取所述转换后的高光谱图像对应的光谱信息并作为实验样本”，包括：

获取所述转换后的高光谱图像的有效光谱范围；

识别所述转换后的高光谱图像中的发病区；

根据所述发病区获取固定大小的感兴趣区域；

以所述感兴趣区域内每个像素的反射率值作为所述实验样本。

3.如权利要求2所述的基于机器学习和高光谱成像的多种类柑橘病叶识别方法，其特征在于，“对所述实验样本进行预处理”，包括：

按下式所示的方法对所述实验样本进行一阶求导：

其中，λ_i为实验样本的第i个波长，r(λ_i)是λ_i对应的反射率，Δλ为实验样本的相邻两波段间波长间隔。

4.如权利要求2所述的基于机器学习和高光谱成像的多种类柑橘病叶识别方法，其特征在于，“对所述实验样本进行预处理”，包括：

按下式所示的方法对所述实验样本进行多元散射矫正：

其中，为所有实验样本的反射率平均值，Data_i为第i个实验样本的反射率，n为实验样本总个数，Data_ij为第i个实验样本在第j个波长的反射率，k_i为第i个实验样本的基线偏移量，b_i为第i个实验样本的平移量，为校正后实验样本的光谱信息。

5.如权利要求2所述的基于机器学习和高光谱成像的多种类柑橘病叶识别方法，其特征在于，“对所述实验样本进行预处理”，包括：

按下式所示的方法对所述实验样本进行标准正态变换：

其中，为标准正态变换后第k个实验样本的反射率，x_k为第k个实验样本变换前的反射率，SDev(X)为所有实验样本的标准差，Mean(X)为所有实验样本的均值。

6.如权利要求3或4或5所述的基于机器学习和高光谱成像的多种类柑橘病叶识别方法，其特征在于，“提取所述预处理后的实验样本的特征波长”，包括：

计算所述预处理后的实验样本对应的光谱数据X_m×n的协方差矩阵C_n×n；其中，m表示实验样本总数，n表示实验样本的光谱波段；

计算C_n×n的特征值和特征向量；按降序选取k个特征向量，并作为列向量组成特征向量矩阵U_n×k；

按下式所示方法将实验样本投影到特征向量U_n×k；

Y_m×k＝X_m×nU_n×k

其中，Y_m×k为投影后实验样本的数据；

基于所述Y_m×k获取对应的主成分荷载并获取主成分荷载图；

以所述主成分荷载图中荷载曲线的波峰和波谷的波长作为所述特征波长。