高光谱成像的柑橘病虫害叶片识别方法

摘要

为监测柑橘生长状况,实现病虫害无损识别,利用高光谱成像技术和机器学习方法进行柑橘病叶分类研究.使用高光谱成像仪采集46片柑橘正常叶、46片溃疡病叶、80片除草剂危害叶、51片红蜘蛛叶和98片煤烟病叶的高光谱图像,在478～900 nm光谱范围内对每个叶片一个或多个发病区提取5×5的感兴趣区域(ROI),将ROI内每个像素的反射率值作为光谱信息,则一个ROI得到25个光谱信息样本,最终五类叶片共得到13250个光谱样本.利用随机法将全部样本划分为9938个训练集和3312个测试集.分别采用一阶求导(1stDer)、多元散射校正(MSC)和标准正态变换(SNV)三种方法对原始光谱信息进行预处理,对不同预处理方法后的数据采用主成分分析法(PCA)提取特征波长.1st Der预处理后得到7个特征波长,分别是520.2,689.0,704.8,715.4,731.2,741.8和757.6 nm;MSC和SNV预处理后得到7个相同的特征波长,分别是551.9,678.5,704.8,710.1,725.9,731.2和757.6 nm;原始光谱得到7个特征波长,分别是525.5,678.5,710.1,720.7,725.9,757.6和762.9 nm.分析PCA后的样本分布散点图可知,正常叶片、溃疡病叶片和红蜘蛛叶片样本有一定程度聚类,除草剂叶片和煤烟病叶片样本有大量重叠,仅依据PCA不能完成病虫害叶片的识别.对全波段(FS)和PCA特征波长数据在不同预处理方法下进行支持向量机(SVM)和随机森林(RF)建模,结果表明:数据在1st Der预处理方法下识别效果最佳,1st Der-FS-SVM模型总分类精度(OA)为95.98％,Kappa系数为0.9482,1st Der-FS-RF模型OA为91.42％,Kappa系数为0.8892,1stDer-PCA-SVM模型OA为90.82％,Kappa系数为0.8816,1st Der-PCA-RF模型的OA为91.79％,Kappa系数为0.894;对PCA选择的特征波长数据建模,SVM和RF模型下识别率均达到84％,全波段下模型识别率在88％ 以上,FS数据建模效果优于PCA特征波长.研究结果表明,高光谱成像技术结合机器学习方法进行柑橘叶片分类是可行且有效的,为柑橘病虫害的无损准确识别提供理论根据.