山西警官职业学院 信息工程系, 山西 太原 030006
为解决传统自适应红外小目标检测方法虚警严重的问题, 提出一种滑窗式自适应红外小目标检测方法。结合教学优化算法来增强哈里斯鹰优化算法跳出局部极值的能力, 提出一种混合的多种群哈里斯鹰优化算法; 设计了基于滑动窗口的小目标搜索适应度函数; 提出了红外小目标的自适应检测方法。基于公开数据集的实验结果表明, 相较于其它自适应红外小目标检测方法, 该检测方法的虚警率较低。
红外夜视 安防监控 教学优化算法 多种群优化算法 滑动窗口 目标检测 目标识别 infrared night vision security monitoring teaching learning based optimization multiple population optimization algorithm sliding window target detection target recognition
1 国家农业信息化工程技术研究中心，北京 100097
2 北京农业信息技术研究中心，北京 100097
3 农业农村部农业信息软硬件产品质量检测重点实验室，北京100097
番茄叶片在感染病害后首先发生的是内在生理反应, 肉眼无法观察到。 叶片从被感染到出现肉眼可见病斑期间, 称为叶片病害潜育期。 为了实现番茄叶片表面未见明显病斑的灰霉病潜育期诊断, 对接种样本进行叶片编码、 跟踪、 采集所有编码叶片样本1~8 d连续高光谱图像数据, 建立番茄叶片样本时序高光谱数据集。 采用跟踪的叶片样本出现肉眼可见病斑前几天同一位置区域的高光谱数据作为潜育期感兴趣区域进行检测分析。 为了建立番茄叶片灰霉病潜育期诊断和不同病斑等级分类模型, 采用基于教学优化算法(TLBO)优化极限学习机(ELM)的分类模型进行建模。 通过TLBO算法优化ELM的输入权值和隐藏层的偏差, 提高模型分类性能。 利用高光谱成像系统在近红外高光谱波段388~1 006 nm波段获取五个等级的感兴趣区域进行数据建模, 共采样213个高光谱数据, 其中, 健康类(56个)、 潜育期类(42个)、 小病斑类(43个)、 大病斑类(39个)和严重类(33个)。 通过对比不同的光谱预处理方法, 采用效果最好的小波滤波变换(DWT)对样本数据中每类数据分别滤波。 DWT滤波后, 在610~840 nm波段间五个等级光谱曲线能区分明显, 共包含91个波长, 波长数量较多。 因此, 采用竞争性自适应重加权抽样法(CARS)对采用DWT预处理后的光谱数据在610~840 nm波段重复3次优选特征波长, 合并去除重复项后得到9个特征波段: 694, 696, 765, 767, 769, 772, 778, 838和840 nm。 最后分别选取全波段FC、 610~840 nm波段、 CARS提取的9个特征波段建立3个分类模型FC-TLBO-ELM, DWT-TLBO-ELM, DWT-CARS-TLBO-ELM进行对比, 其中DWT-CARS-TLBO-ELM检测精确度最高达100%, 潜育期召回率100%, 利用时间最短为0.068 9 s, 表明该模型可以实现番茄灰霉病潜育期高精度诊断和灰霉病病害程度高精度分类, 为番茄灰霉病早期防治、 精准施药提供理论依据。
时序高光谱数据 灰霉病程度分类 潜育期诊断 极限学习机 教学优化算法 Time series hyperspectral data Classification of botrytis degree Hyperspectral gleying diagnosis ELM TLBO 光谱学与光谱分析
2022, 42(9): 2969
