1 北京工商大学, 中国轻工业工业互联网与大数据重点实验室, 北京 100048
2 江西省农业科学院农业工程研究所, 江西 南昌 330200
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。
高光谱成像 主成分分析 支持向量机 随机森林 Hyperspectral imaging Principal component analysis Support vector machines Random forest 光谱学与光谱分析
2021, 41(12): 3837
1 北京工商大学食品安全大数据技术北京市重点实验室, 北京 100048
2 浙江省农业科学院农业部农产品信息溯源重点实验室, 浙江 杭州 310021
采集东北和非东北产地大米样本高光谱图像, 筛选多个特征波长图像并提取图像特征, 结合模式识别方法建立判别模型, 并联合多个模型构成模型集群快速、 准确判别东北/非东北大米产地。 东北大米以粳米为主, 主要涵盖长粒香, 圆粒香, 稻花香和小町米4个品种。 为建立实用性强、 适用范围广的东北/非东北大米产地判别模型, 实验主要收集了国内粳米代表性产区且以上述4个品种为主的样本, 构成原始样本集: 其中东北产地5份, 包括黑龙江(1)、 吉林(2)、 辽宁(2), 非东北产地5份, 包括河北(1)、 浙江(1)、 江苏(2)、 安徽(1)。 每个产地样本随机选取100粒, 共计100×10粒大米样本。 采用芬兰Specim公司的SisuCHEMA高光谱成像系统采集样本900～1 700 nm高光谱图像。 按照大米轮廓选取感兴趣区域提取出单粒大米样本的平均光谱, 采用Kennard-Stone法按照4∶1划分训练集和测试集。 应用连续投影算法筛选得到原始样本集光谱的8个特征波长: 1 460.30, 1 400.20, 1 424.92, 945.98, 1 315.62, 1 220.87, 1 705.91和942.53 nm; 采用方向梯度直方图分别提取8个波长下的图像特征, 结合支持向量机建立基于单特征波长图像的东北/非东北大米产地鉴别模型, 识别准确率分别为85.5%, 77.5%, 76.5%, 73.5%, 71%, 68.5%, 67%和65.5%; 鉴于单模型识别率不高的现状, 提出建立基于特征波长图像模型集群综合判别大米产地的策略, 即按照单模型识别率从高到低排序后分别联合3个、 5个和7个特征波长图像模型的预测结果, 当预测样本判定为真的比率>50%, 则判定样本为真, 反之则为假。 联合1 460.30, 1 400.20, 1 424.92, 945.98, 1 315.62, 1 220.87和1 705.91 nm七个波段的模型集合对测试集样本的识别率可达90.5%。 实验结果表明高光谱结合模型集群策略可为建立性能稳健、 适用范围广的东北/非东北大米产地快速检测模型提供切实可行的思路和方法参考。
高光谱 模型集合 东北大米 产地鉴别 方向梯度直方图 Hyperspectral image Conjunctive model Northeast rice Origin identification HOG
