科研产出
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
全文链接
请求原文
高光谱成像的柑橘病虫害叶片识别方法
《光谱学与光谱分析 》 2021 EI 北大核心 CSCD
摘要：为监测柑橘生长状况,实现病虫害无损识别,利用高光谱成像技术和机器学习方法进行柑橘病叶分类研究。使用高光谱成像仪采集46片柑橘正常叶、 46片溃疡病叶、 80片除草剂危害叶、 51片红蜘蛛叶和98片煤烟病叶的高光谱图像,在478～900 nm光谱范围内对每个叶片一个或多个发病区提取5×5的感兴趣区域（ROI）,将ROI内每个像素的反射率值作为光谱信息,则一个ROI得到25个光谱信息样本,最终五类叶片共得到13250个光谱样本。利用随机法将全部样本划分为9 938个训练集和3 312个测试集。分别采用一阶求导(1stDer)、多元散射校正（MSC）和标准正态变换（SNV）三种方法对原始光谱信息进行预处理,对不同预处理方法后的数据采用主成分分析法（PCA）提取特征波长。1st Der预处理后得到7个特征波长,分别是520.2, 689.0, 704.8, 715.4, 731.2, 741.8和757.6 nm; MSC和SNV预处理后得到7个相同的特征波长,分别是551.9, 678.5, 704.8, 710.1, 725.9, 731.2和757.6 nm;原始光谱得到7个特征波长,分别是525.5, 678.5, 710.1, 720.7, 725.9, 757.6和762.9 nm。分析PCA后的样本分布散点图可知,正常叶片、溃疡病叶片和红蜘蛛叶片样本有一定程度聚类,除草剂叶片和煤烟病叶片样本有大量重叠,仅依据PCA不能完成病虫害叶片的识别。对全波段（FS）和PCA特征波长数据在不同预处理方法下进行支持向量机（SVM）和随机森林（RF）建模,结果表明:数据在1stDer预处理方法下识别效果最佳,1st Der-FS-SVM模型总分类精度（OA）为95.98%, Kappa系数为0.948 2, 1st Der-FS-RF模型OA为91.42%, Kappa系数为0.889 2, 1stDer-PCA-SVM模型OA为90.82%, Kappa系数为0.881 6, 1stDer-PCA-RF模型的OA为91.79%, Kappa系数为0.894;对PCA选择的特征波长数据建模,SVM和RF模型下识别率均达到84%,全波段下模型识别率在88%以上,FS数据建模效果优于PCA特征波长。研究结果表明,高光谱成像技术结合机器学习方法进行柑橘叶片分类是可行且有效的,为柑橘病虫害的无损准确识别提供理论根据。
全文链接
请求原文
牛行为监测技术及分类方法研究进展
《江西农业学报 》 2020
摘要：综述了声音监测技术、机器视觉技术、无线传感网络技术在牛行为监测的研究与应用现状,分析了支持向量机(SVM)、K均值聚类(K-means)、人工神经网络(ANNs)等3种牛行为识别分类算法的优缺点,结果表明:(1)机器视觉技术具有无接触的识别,不外带装置,可以对动物行为进行识别,对牛活动影响小,但对图像视频环境要求苛刻,动物行为识别精准度不高;(2)无线传感器技术应用广、技术成熟,可以监测畜禽采食、反刍、休息、活动等行为,但适合动物穿戴、长期可靠工作的无线网络传感器技术有待突破;(3)支持向量机计算简单,理论完善,所需样本数据少,且识别精度高,分类效果好.人工神经网络算法的学习规则简单,非线性拟合能力较强,但数据不足易出现运算时间长、过学习、容易陷入局部最小值等情况.
关键词： 传感器 机器视觉 行为监测 行为分类 支持向量机 K均值聚类 人工神经网络
全文链接
请求原文
首页上一页1下一页尾页
