[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

说明书

本发明技术方案公开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及系统，获取五类柑橘病叶的高光谱信息，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；将光谱信息作为实验样本，对实验样本进行预处理和特征波长提取，采用支持向量机和随机森林算法设计病叶识别模型，实现柑橘病叶分类识别。本发明的优点是结合高光谱成像和机器学习技术对多种类柑橘病叶进行分类识别，得到五类柑橘病叶最佳分类模型，为柑橘生长状况监测及病虫害识别提供一种有效的无损检测方法。

技术领域

本发明属于高光谱成像技术领域，具体涉及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及系统。

背景技术

柑橘产业是我国农村经济的支柱产业之一，在生长过程中容易受到病菌侵染和害虫侵蚀，从而使其新陈代谢受到影响，内部结构会发生改变，如叶片细胞的活性、含水量、叶绿素含量等生理特性发生变化，外部呈现反常的病害症状，如腐烂、斑点、霉斑、虫蛀等，这些病变将造成柑橘品质降低。如柑橘溃疡病病原属于细菌，感染后轻则果皮呈现疤痕、果熟后不耐贮藏易腐烂，重则导致落果；除草剂轻则导致柑橘叶片生长缓慢，重则导致枯萎死亡；柑橘红蜘蛛吸食叶片、果实汁液，引起落叶、落果；煤烟病由多种真菌引起，发病初期，表面出现暗褐色点状小霉斑，后继续扩大成绒毛状黑色或灰黑色霉层。病虫害的发生会影响柑橘的产量及质量，严重会造成经济损失。因此，研究一种精准的柑橘病虫害检测方法在实际生产过程中有重要意义。

传统的柑橘病虫害检测方法主要有人工检测方法，根据种植户或专业人员的经验知识来判断患病与否，主观性强；病理分析法，对柑橘的生物化学性质分析检测，周期长，成本高。高光谱成像技术利用成像光谱仪以数十至数百个连续细分的波段对目标区域同时成像，将图像与光谱结合，同时获取空间及光谱信息，得到以像素为单位的高光谱图像。利用高光谱数据图谱合一且波段覆盖范围广的特性，能够大大地提高其对目标的分辨识别能力。目前还没有将机器学习和高光谱成像技术结合对多种柑橘病虫害进行检测的研究。

发明内容

本发明提供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及系统，采用高光谱成像技术，结合光谱预处理方法，提取特征波长，采用支持向量机和随机森林两类机器学习模型，实现多种类柑橘病叶的分类识别。

为实现上述目的，本发明技术方案提供了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，包括：

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，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，根据所述训练样本集构建多种类柑橘病叶识别模型；

采用构建完成的识别模型进行多种类柑橘病叶识别。

在一实施例中，“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。

在一实施例中，“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：