基于Random Forest的水稻细菌性条斑病识别方法研究

为了快速、准确、有效地识别发病早期的细菌性条斑病,提出基于随机森林(Random forest,RF)算法的水稻细菌性条斑病识别方法,利用光谱成像技术获取该病害的高光谱数据,通过多元散射校正减少和消除噪声及基线漂移对光谱数据的不利影响。利用随机森林特征重要性指标,选取逻辑回归(LR)、朴素贝叶斯(NB)、决策树(DT)、支持向量分类机(SVC)、k最近邻(KNN)和梯度提升决策树(Gradient boosting decision tree,GBDT)算法进行对比试验。同时筛选出12个位于450~664 nm范围内对识别模型有重要影响的光谱波段,并与全波段进行分类结果比较。试验结果表明:RF算法的分类准确率为95.24%,与试验选取的其他算法相比,效果最优,比NB准确率提高了20.97个百分点;与全波段分类结果相比,利用RF算法基于12个波长的识别,波长数减少了98.05%,识别精确率为94.66%,召回率为99.55%,F1值为97.04%,准确率为94.32%。虽然精确率减少了2.97个百分点、准确率减少了0.85个百分点,但召回率增加了4.4个百分点、F1值增加了0.67个百分点,模型精度满足要求。

基于光谱分形维数的水稻白叶枯病害监测指数研究

针对缺乏有效监测水稻叶片感染白叶枯病害光谱指数的问题,以分蘖期的水稻叶片为研究对象,采集了接种白叶枯病菌的水稻叶片和对照处理的水稻叶片各200片,利用高光谱成像装置获取373~1033 nm波段的水稻叶片光谱数据,选取450~900 nm波段的水稻叶片高光谱数据作为样本。从每个样本中选取一个感兴趣区域(Region of interest,ROI)并计算平均光谱,经过Savtzky-Golay平滑处理得到平均光谱曲线;为了定量描述水稻叶片是否感染病害,提出将光谱分形维数(Fractal dimension,FD)作为定量描述水稻白叶枯病害的监测光谱指数,实现对白叶枯病害的监测。通过分析光谱指数(Spectral index,SI)和FD,建立SI和FD之间的多元线性关系,同时比较了FD与其他常用监测指数对白叶枯病害监测的有效性。结果表明:水稻白叶枯病害在绿峰(510~560 nm)和红谷(650~690 nm)波谱内的响应较为敏感;针对健康和感病叶片,FD与SI之间存在较好的多元线性关系,说明FD与光谱曲线有较好的对应关系,可以作为定量描述叶片健康状况的光谱指数;与常用监测指数相比,本文病害监测指数与水稻染病具有更高的相关性,其相关系数达到了0.9840,指数分布稳定性更高。本研究结果说明基于光谱反射曲线的圆规分形维数对判断水稻叶片是否感染白叶枯病害是可行的,为水稻白叶枯病害的监测提供了一种新方法。

基于时序高光谱和多任务学习的水稻病害早期预测研究

水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7 d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析(Principal component analysis, PCA)和随机森林(Random forest, RF)算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆(Long short-term memory, LSTM)网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法(Whale optimization algorithm, WOA)对MTL-LSTM模型进行优化。实验结果表明:PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R^(2)分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R^(2)均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。

农作物病虫害识别关键技术研究综述

农作物病虫害的预防与治理对农业生产具有十分重要的作用,病虫害防治工作的前提是准确识别病虫害目标。传统的病虫害识别方法包括人工识别和仪器识别,传统识别方法在识别效率、识别准确性、应用场景等方面已无法满足科学研究和生产的需要。深度学习是机器学习的一个重要分支,能够自动、高效、准确地从大规模数据集中学习到待识别目标的特征,从而替代传统依赖手工提取图像底层特征的识别方法,因此,将结合图像处理的深度学习技术应用于农作物病虫害识别是未来精准农业发展的必然趋势。农作物病虫害识别所涉及的关键技术以农作物病虫害数据为基础展开,通过阐述病虫害数据获取、数据预处理、数据增强、深度学习网络优化、识别结果可视化、识别结果可解释性、预测预报等关键技术的研究现状,归纳与总结了各关键技术应用中存在的问题和面临的挑战,最后指出农作物病虫害识别未来的研究发展方向,即在数据获取方面,构建多源农业数据集和积极打造数据共享资源平台,在数据处理方面,结合迁移学习算法、使用新型数据增强方法,在数据应用方面,积极开展可视化、可解释性和预测预报等工作。

基于人工免疫算法的微网需求侧响应优化调度

在考虑V2G的需求侧响应的基础上,以电动汽车蓄电池折损系数及从配电网的购电费用为优化目标,构建包含微电网功率平衡约束、可转移负荷约束、V2G约束、储能荷电状态等约束条件的光伏微电网多目标优化模型。采用人工免疫算法对模型进行求解,并利用实际的光伏微电网机构和运行数据,在Matlab平台上进行仿真分析,获得光伏微电网优化调度的多组Pareto最优解集。通过分析选取的典型调度方案,验证优化模型的合理性和有效性。