基于高光谱成像的小麦赤霉病害分级诊断研究

摘要

小麦是世界上播种面积最大、分布最广泛的粮食作物。小麦赤霉病是小麦生长过程中的重要病害，从幼苗到小麦抽穗都有可能受到赤霉病的侵害，而对小麦危害最严重的是穗腐。
　　论文针对小麦赤霉病的发生难防难控问题，以受赤霉病菌侵染的小麦麦穗为研究对象，利用可见-近红外(400～l000nm)波段的小麦赤霉病光谱数据，研究小麦赤霉病害的分级诊断模型，为赤霉病害的分级识别，特别是早期诊断和预测预警奠定基础。
　　论文主要研究内容及结论如下:
　　(1)研究了小麦赤霉病害光谱的特征波长提取方法。基于笫一次主成分分析(PCAl)方法提取0～420个主成分，利用权重系数法和差分法求二阶导数获得6个最优病害特征波长(548nm、645nm、683nm、739nm、812nm、871 nm)，通过实验结果分析可知，选取的6个特征波长能够对小麦穗的赤霉病害进行识别。
　　(2)提出了基于小麦赤霉病害光谱特征波长的第二次主成分分析(PCA2)方法。针对小麦穗样本的光谱图像，采用第二主成分分析方法提取感兴趣区域(ROI)即小麦穗的病害区域。首先，对小麦麦穗的高光谱图像进行第一次主成分分析，选取最能显示小麦麦穗全部轮廓区域的PC1，作为识别小麦麦穗轮廓图像;然后，对特征波段进行第二次主成分分析，选取最能显示小麦麦穗病害区域部分的PC3，作为识别小麦穗病害部分图像。
　　(3)建立了基于小麦穗赤霉病害光普分级诊断模型。对PC1图像采用均值滤波法进行小麦穗轮廓部分ROI提取，再利用最大连通区域标记法求出小麦穗轮廓区域的面积S1;对PC3图像采用局部阈值分割法进行小麦麦穗病害部分ROI提取，再利用区域赋值法求出病害区域面积S2;得到S2与S1的比值结果，即为小麦赤霉病害的分级百分比。最后，对比小麦穗病害人工分级的结果，吻合度越高分级效果越佳。实验表明，该模型较为准确的实现了小麦赤霉病病害区域的分割，验证了此方法在小麦赤霉病害分级识别上的可行性。
　　(4)实现了对光谱图像数据的自动化批量处理。针对在实验过程中小麦穗样本量多、高光谱数据大、使用传统的统计学方法处理数据时效率低的问题，利用IDL语言编写批量处理程序读取大量高光谱原始数据cub全波段光谱文件，同时利用二次主成分的特征波段批量得到小麦麦穗赤霉病病害图像。

目录

声明

致谢

摘要

插图清单

附表清单

缩写和符号清单

第1章 绪论

1．1 研究背景及意义

1．2 国内国外相关技术研究现状

1．2．2 小麦病害检测技术的研究现状

1．2．3 目前存在的问题与难点

1．3 论文研究目标和主要研究内容

1．3．2 研究内容

1．4 技术路线

1．5 本章小结

第2章 材料与方法

2．1．2 制备方法及观察过程

2．2 高光谱成像系统介绍

2．3 样本数据采集方案

2．4 本章小结

第3章 小麦赤霉病高光谱数据处理及分析研究

3．1 数据处理方法

3．1．1 预处理方法

3．1．2 光谱特征波长提取方法

3．1．3 图像闻值处理方法

3．1．4 感兴趣区域面积求取方法

3．2 基于一次主成分的小麦穗轮廓感兴趣区域提取

3．3 基于主成分权重系数的特征波段提取

3．4 基于二次主成分的小麦穗病害感兴趣区域提取

3．5 本章小结

第4章 基于高光谱的小麦赤霉病分级诊断模型研究

4．1 人工判别小麦赤霉病等级的方法及标准

4．1．2 人工判断小麦穗染病等级

4．2 小麦赤霉病分级建模效果

4．3 分级识别模型验证与评价

4．4 基于IDL语言的批量处理方法

4．5 本章小结

第5章 总结与展望

5．1 工作总结

5．2 未来的工作展望

参考文献

附录