基于高光谱成像技术结合卷积神经网络的马铃薯病害检测

基于高光谱成像技术结合卷积神经网络的马铃薯病害检测
基于高光谱成像的马铃薯早疫病检测
摘 要 采用两种基于高光谱成像的马铃薯早疫病无损检测的方法：卷积神经网络，支持向量机对马铃薯病叶进行分类。通过对比分类结果，分析不同方法的优劣。实验选取马铃薯正常叶，早疫病叶为研究对象，通过高光谱成像系统获取样本的高光谱图像，进而通过主成分分析方法提取主成分图像。发现正常叶和早疫病叶的主成分图像存在明显不同，最终建立了卷积神经网络和支持向量机的两种早疫病检测模型，实验结果表明卷积神经网络相比支持向量机能很更好地针对马铃薯早疫病进行检测。

关键词：高光谱成像；支持向量机；卷积神经网络；主成分分析；马铃薯早疫病：
1.引言
随着现代农业的发展及对以马铃薯为原材料制作而成的美食的喜爱。马铃薯逐渐变成我国继水稻，玉米，小麦之后的第四大主食。马铃薯同其它农作物一样受到各种植物病害的侵害，严重影响其产量和质量病是常见对马铃薯危害最严重的病害之一[1]。目前对马铃薯早疫病的诊断主要是植保专家等具有一定专业知识的人通过实地观察或者借助图片、文字描述等去人工判断。因为对专业技术要求较高就导致容易出现误判、耗时长、无法及时有效的确认病情采取有效的防治措施从而导致减产。
高光谱成像技术起源于上个世纪， 它融合了图像信息和光谱信息，具有高分辨率、多波段、检测快、破坏小、图谱合一、无污染等优点[2]。使其在农业、地理信息、航空遥感、医疗领域等获得广泛应用[3]。虽然高光谱成像技术可以获得光谱反射率信息、颜色信息、纹理信息和形状特征等许多信息在对植物病害诊断研究中有巨大的潜力和优势[4]。
高光谱图像数据波段范围广、光谱分辨率高，同时包含图像信息和光谱信息。因为高光谱图像的这些特点使得其数据含有大量冗余、数据处理过程变得复杂、给其处理也增加了很大难度。
但是由于这项技术能获得如此多的信息也导致获得的数据信息量大、数据冗余大、对数据进行处理时变得更加复杂、工作量增加就造成效率低。为解决这些问题就需要通过减小数据之间的冗余、从众多的波段中提取特征波段[5]。国内外研究人员在提取特征波段和植物病害诊断方面做了许多研究。邓小玲[6]等人把经过光谱预处理和特征工程后采用连续投影算法提取对柑橘患病植株分类贡献最大698和762nm的特征波段组合、使用逻辑回归和支持向量机建立的分类模型召回率达到了93%和96%；马艳[7]等人利用主成分分析选取番茄虫眼及霉变和三类番茄进行识别，识别率分别为93.3%、90%、和100%；田有文[8]等利用高光谱成像技术采用支持向量机分类方法对黄瓜病害进行诊断正确诊断率达到100%；张静宜[9]等人在甜瓜尾孢叶斑病的高光谱成像检测应用K-近邻法和支持向量机方法建立叶片病变判别模型结果表示高光谱图像对健康样本判别率大于97%。因此本研究基于高光谱成像技术对马铃薯早疫病诊断进行探索。
本文以马铃薯叶片为研究对象，利用高光谱成像系统获取其高光谱图像、利用envi对其选取感兴趣区域进行掩膜处理防止光谱成像背景信息对实验结果的影响，在运用主成分分析方法确定适合进行病害诊断的主成分图像，最后利用卷积神经网络和支持向量机实现马铃薯早疫病的识别[10]
2.实验部分
2.1 样本准备
实验研究的马铃薯为云南师范大学马铃薯研究院提供。在马铃薯种植基地选取120棵生长健壮的马铃薯植株。在每株上部剪取一张健康叶片、共120片。随机抽取40片接种早疫病病菌，余下80片做为健康对照组。将叶片置于恒温恒湿光照培养箱内连续培养7天，每隔24小时采集一次高光谱图像连续采集7天。
2.2 高光谱成像系统与图像采集
使用图1所示高光谱成像系统获取马铃薯叶片高光谱图像数据。本实验高光谱数据采集设备主要由可见光光谱相机（GaiaSorter-Image-V10E）、均匀光源，电机、计算机及相关配套软件组成。相机可采集256个波段，波段范围400~1000nm。示中1为高光谱相机、2为暗箱、3为卤素灯、4为装有步进电机的载物台、5为待测样本、6为电脑。
高光谱分选仪在进行数据采集前，应先调整采集参数，确保采集图像完整清晰。高光谱分选仪在进行数据采集时，需进行定标操作