科研产出
基于高光谱成像和Att-BiGRU-RNN的柑橘病叶分类
《农业机械学报 》 2023 EI 北大核心 CSCD
摘要:为实现对柑橘叶片病虫药害种类的快速精准识别,针对多种类柑橘病叶设计一种融合注意力机制(Attention mechanism)的双向门控循环单元-循环神经网络(Attention-bidirectional gate recurrent unit-recurrent nural network,Att-BiGRU-RNN)分类模型.该模型在编解码模块分别采用BiGRU和RNN结构,能够利用高光谱数据前后波段光谱信息的关联性,有效提取光谱信息的深层特征;根据不同波段光谱信息的差异性引入注意力机制动态分配权重信息,提高重要光谱特征对分类模型的贡献率,提升模型的分类准确率.获取6类柑橘叶片高光谱信息,构建实验样本集,利用Att-BiGRU-RNN、VGG16、SVM和XGBoost分别建立柑橘病叶分类模型,Att-BiGRU-RNN模型总体分类准确率(Overall accuracy,OA)平均可达98.21%,相较于其他3种模型分别提高4.71、10.95、3.89个百分点,对光谱曲线重合度高的除草剂危害和煤烟病叶片的分类准确率有显著提升.实验结果表明,深度学习方法可有效利用高光谱不同波段间的关联信息,识别准确率较机器学习方法有大幅提高,为柑橘病虫药害快速无损检测和防治提供了一种新方法.
关键词: 柑橘病叶 高光谱成像 深度学习 注意力机制 特征提取
高光谱成像的多种类柑橘病虫药害叶片检测方法研究
《光谱学与光谱分析 》 2022 EI SCI 北大核心 CSCD
摘要:影响柑橘生长的病虫药害种类繁多,目前的检测方法大多针对单一病症,开发基于高光谱成像和机器学习的多种类柑橘病虫药害叶片快速精准检测方法,对果园精准施药和柑橘产业健康发展具有重要意义.以果园自然发病的柑橘叶片为研究对象,包括柑橘正常叶(50片)、溃疡病叶(50片)、煤烟病叶(103片)、缺素病叶(60片)、红蜘蛛叶(56片)和除草剂危害叶(85片),采集350~1050 nm波段内的高光谱数据.分别利用一阶求导(1stDer)、多元散射校正(MSC)和中值滤波(MF)方法对原始(Origin)高光谱数据进行预处理,对预处理后的高光谱数据采用主成分分析(PCA)和竞争性自适应重加权(CARS)算法提取特征波长,C A RS降维得到的特征波长分别为10个、5个、12个和10个,4组PC A提取的特征波长均为7个,两种方法所得特征波长范围都集中在700~760 nm波段内.对全波段(FS)使用极限梯度提升树(XGBoost)算法,特征波长使用支持向量机(SVM)建立柑橘病叶多分类模型.采用XGBoost建立的检测识别模型有Origin-FS-XGBoost,1stDer-FS-XGBoost,MSC-FS-XGBoost和MF-FS-XGBoost,对6种病虫害叶片检测得到的整体分类准确率(OA)分别为94.32%,93.60%,95.98% 和96.56%;SVM建立的检测识别模型为Origin-CARS-SVM,1st Der-CARS-SVM,MSC-CARS-SVM,MF-CARS-SVM,Origin-PCA-SVM,1st Der-PCA-SVM,MSC-PCA-SVM和MF-PCA-SVM,各模型OA依次为93.63%,90.26%,87.90%,91.95%,87.53%,90.82%,83.50% 和90.98%.结果表明,以FS为输入的XGBoost模型识别率整体优于以特征波长为输入的SVM模型,MF-FS-XGBoost模型OA为96.56%,召回率(Recall)为95.91%,模型训练时间(Train-time)为63 s,综合性能最好;CARS-SVM建模效果优于PCA-SVM,在3种预处理方式下,CARS-SVM模型识别率均高于87%,PCA-SVM模型识别率均在83% 以上.结果证实了,高光谱成像技术结合机器学习方法可实现多种类柑橘病虫药害分类识别,为柑橘病虫药害快速无损检测和防治提供科学依据.
关键词: 高光谱成像 柑橘病叶 特征波长提取 XGBoost 支持向量机
首页上一页1下一页尾页