赤霉病是小麦的一种主要病害, 它会导致小麦减产甚至绝收, 严重影响小麦种子质量, 此外小麦受侵染分泌的真菌毒素危害人类身体健康。 因此, 小麦赤霉病籽粒的识别具有非常重要的意义。 起初普遍采用色谱法和酶联免疫法进行赤霉病检测, 这些方法设备昂贵、 检测速度慢、 准确性低。 近年来, 高光谱成像技术被广泛应用于农作物的识别与检测中, 但是在小麦赤霉病检测的应用研究中, 大多采用抽样检测的方法, 图像采集完成后需要通过ENVI软件手动选取感兴趣区域。 前期准备工作冗杂, 而且容易发生漏检, 漏检的小麦籽粒在存储运输过程中向周边籽粒快速侵染, 难以保障小麦安全健康。 鉴于此, 利用高光谱成像系统结合机器学习提出了一种用于对大量小麦赤霉病籽粒样本快速可视化识别的算法, 以降低漏检率并提升检测效率。 实验分别采集健康小麦和染病小麦469～1 082 nm波段的高光谱图像, 通过直方图线性拉伸结合图像分割的方法获取小麦样本的掩膜图像信息。 利用Savitzky-Golay平滑去噪法与标准正态变量变换法(SNV)进行数据预处理, 通过主成分分析法(PCA)和连续投影法(SPA)进行特征变量提取, 筛选特征变量个数分别为4个和8个。 在掩膜图像位置采集健康小麦样本与染病小麦样本各400份, 其中75%用于建模集, 25%用于测试集。 采用十折交叉验证法结合线性判别分析法(LDA) 、 K-近邻算法(KNN)、 支持向量机(SVM)分别建立分类模型, 测试集准确率都达到90%以上。 随后比较了网格法(GRID)、 粒子群算法(PSO)、 遗传算法(GA)三种核参数寻优方法对SVM模型的影响, 其中, SG-SPA-SVM(PSO)模型分类效果最优, 建模集准确率为95.5%, 均方根误差为0.212 1, 测试集准确率为98%, 均方根误差为0.141 4。 基于样本点预测的基础之上, 对掩膜获得所有小麦样本的光谱曲线进行预测并将识别结果反馈回掩膜中再进行伪彩色显示, 实现染病籽粒可视化识别。 结果表明, 高光谱成像结合SG-SPA-SVM(PSO)算法建立的分类模型可以高效快速、 准确无损、 可视化的实现小麦赤霉病籽粒识别, 为研制小麦赤霉病自动识别设备提供了算法基础。

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应, 并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。 以感染不同等级赤霉病小麦为研究对象, 在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据, 利用载荷系数法(XLW)与随机森林算法(RF)分析选取小麦样本傅里叶中红外光谱中的敏感波长, 利用稀疏表示分类(SRC)算法建模识别小麦感染赤霉病等级。 结果表明: XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上, 特征波长提取算法可以有效简化模型并提高效率。 RF-SRC模型鉴别效果最好, 建模集鉴别准确率达97%, 测试集鉴别准确率达96%。 小麦感染赤霉病等级的不同会引起小麦中水分、 淀粉、 纤维素、 可溶性氮素、 蛋白质、 脂肪等物质含量的变化, 采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异, 结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。 因此, 利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的, 解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。