高光谱成像的黄瓜病虫害识别和特征波长提取方法

黄瓜霜霉病和斑潜蝇是制约黄瓜产业发展的严重病虫害。为实现黄瓜病虫害快速在线识别,采用高光谱成像和机器学习研究快速识别黄瓜霜霉病和斑潜蝇虫害的方法,为开发实用的基于多光谱成像的黄瓜病虫害快速识别设备奠定基础。使用高光谱成像系统采集黄瓜无症状叶片、霜霉病叶片、斑潜蝇虫害叶片的高光谱图像,在病斑区域选择若干个感兴趣区域(ROI),计算每个ROI的平均反射率数据作为叶片原始光谱数据。使用Kennard-Stone算法将光谱数据按照3∶1的比例划分为训练集和测试集。使用直接正交信号校正(DOSC)、多元散射校正(MSC)、移动窗口平均平滑(MA)3种方法对原始光谱数据进行预处理。采用空间迭代收缩法(VISSA)、竞争性自适应重加权算法(CARS)、迭代保留信息变量法(IRIV)、随机蛙跳算法(SFLA)对MA预处理后的光谱数据进行特征波长提取,分别提取出53、20、26、10个特征波长。然后使用连续投影算法(SPA)分别对特征波长光谱数据进行二次降维,最终VISSA-SPA提取的特征波长为455、536、615和726 nm;CARS-SPA提取的特征波长为452、501、548和578 nm;IRIV-SPA提取的特征波长为452、513、543和553 nm;SFLA-SPA提取的特征波长为462、484、500和550 nm。分别对全波段光谱数据、一次降维光谱数据、二次降维光谱数据进行支持向量机(SVM)、Elman神经网络、随机森林(RF)建模,结果表明,MA预处理后的全波段光谱数据所建模型识别效果最好,其中MA-RF模型测试集总分类精度(OA)达到97.89%,Kappa系数为0.97。采用一次降维光谱数据所建模型中,MA-VISSA-RF模型效果最好,测试集OA为98.19%,Kappa系数为0.97。采用二次降维光谱数据所建模型中,MA-IRIV-SPA-SVM模型效果最好,测试集OA为96.23%,Kappa系数为0.95。研究结果表明,使用高光谱成像技术识别黄瓜霜霉病和斑潜蝇虫害具有良好的效果,452、513、543和553 nm可以作为识别黄瓜霜霉病和斑潜蝇虫害的特征波长,为开发黄瓜病虫害快速识别设备提供了理论依据。