基于高光谱成像技术的稻曲病监测研究.pdfVIP

摘要

水稻是我国民生基础。近几年，稻曲病的发生范围和危害有着逐年上升趋势，

已逐渐成为水稻主要病害，对水稻产量、品质以及人畜生命健康都造成严重威胁。

目前，化学防治是防治稻曲病的最有效方法，且不同防治时期对防效具有较大影

响，在稻曲病早期采用化学防治效果较优。因此，开展稻曲病监测相关研究以实

现稻曲病的早期监测具有现实意义。近年来，随着高光谱成像技术的发展并因其

无接触、无损害、效率高等优点成为农作物病虫害检测主要手段，为稻曲病的监

测提供新思路。

基于上述问题，本文开展稻曲病识别和发病等级感知相关研究。本文设计实

验培育不同发病程度水稻，于浙江杭州富阳中国水稻研究所，严格按照规范采集

高光谱成像数据：选择田间病害严重区域，获取70幅图像，用于稻曲病识别；

选择发病程度不同的水稻获取198幅图像，用于稻曲病发病程度感知。最后，通

过分析光谱响应特异性，提取特征波段并建立模型识别稻曲病、感知发病程度。

本文的主要研究内容如下：

（1）基于支持向量机（Supportvectormachines,SVM）的稻曲病识别。以田

间获取的水稻高光谱图像为研究对象，预处理后人工筛选ROI并分析稻曲病光

谱特异性，结合独立样本t检验和光谱比值法筛选特征波段，最后利用SVM构

建识别模型。研究发现，受到稻曲病菌侵染后，水稻光谱在全波段（450~950nm）

反射率均会出现显著性下降（P0.001），其中466nm、694nm和898nm为特征波

段。当核函数为RBF，Majority分析的变换核尺寸为11pixel*11pixel时，该模型

识别效果最好。通过大量分析验证，此时RBF-SVM模型的总体分类精度为

85.81%。

（2）基于视觉词袋模型（BagofVisualWords,BoVW）的稻曲病发病等级感

知。以采摘的水稻高光谱图像为研究对象，利用主成分分析（PCA）对全波段图

像降维，并采用不同大小的正方格在特征图像XY平面划分区域，随机抽取一部

分区域利用K-means聚类算法生成视觉词典，基于视觉单词对每幅图像中所有

区域矢量化，并用直方图统计视觉单词频率获得视觉词袋模型的表达，最后以“视

觉词袋模型表达-发病等级标签”作为数据集，利用SVM训练数据构建分类器感

知稻曲病发病程度。研究发现，当正方格大小为4pixel*4pixel，视觉词典容量为

300~350时，视觉词典表征原始图像信息能力最强，此时该模型对训练集的感知

精度达94.1%，Kappa系数为0.92，对测试集的感知精度达84.8%，Kappa系数

为0.79。

综上，本文基于高光谱成像数据实现了稻曲病识别和发病程度感知，本研究

可为稻曲病大面积自动化监测奠定基础。

关键词：水稻稻曲病，高光谱成像技术，病害识别，支持向量机，视觉词袋

模型

ABSTRACT

Inourcountry,riceisthefoundationofpeopleslivelihood.Inrecentyears,the

occurrencescopeandharmoffalsesmutofricehasbeenincreasingyearbyyearwhich

hasgraduallybecomethemaindiseaseofrice.Thefalsesmutofricehasseriousthreat

totheyield,qualityofriceandhumanhealth.Atpresent,chemicalcontrolisthemost

effectivemethodtocontrolricefalsesmut.Itisbettertousechemicalcontrolinearly

stageoffalsesmutfordifferentcontrolperiodshaveadifferentimpactonthecontrol

effect.Therefore,itisofpracticalsignificancetocarr