您好,欢迎进江苏双利合谱科技有限公司网站!
您现在的位置:首页 >> 解决方案 >> 高光谱指数和机器学习分类器增强小麦作物镰刀菌头枯病检测
高光谱指数和机器学习分类器增强小麦作物镰刀菌头枯病检测
浏览次数:150发布日期:2024-04-11

高光谱指数和机器学习分类器增强小麦作物镰刀菌头枯病检测

小麦赤霉病(FHB)是一种常见的真菌性病害,由禾谷镰刀菌和其他镰刀菌物种导致。它无处不在,主要侵染穗部,严重影响谷物质量。现阶段基于光谱特征技术的病害监测,严重依赖病害侵染过程中作物生理生化参数改变所引起的光谱响应。然而,作物穗器官的生理特性随生育时期发展,也会产生显著差异。现有的穗部病害光谱监测研究多基于接种后数天内,或基于单一时期的数据样本,进行病害监测研究,不同生育时期的病害光谱响应规律是否相同、其病情严重度估算精度是否一致尚不明确。目前还缺乏一个机理性强的指数构建方法,使得构建的小麦赤霉病指数能够用于侵染早期的病情估算。

南京农业大学智慧农业创新团队以小麦赤霉病为研究对象,在南京农业大学牌楼试验基地开连续三年展了小麦赤霉病监测试验,利用了两个高抗小麦品种和一个易感小麦品种,在穗部接种赤霉菌后开始持续观测。利用我司高光谱设备(V10E近红外高光谱成像仪)进行穗部时序拍照(图1),并同步进行破坏性取样测试穗子的多项生理生化指标。

 

1 病穗样本高光谱图像采集示意图

研究总体技术路线如图2所示:基于时序病害高光谱影像,利用连续小波变换进行特征选择,包括小波特征(WF)和纹理特征(TF);同时,还创建了赤霉病监测新型指数(WFSIWTTI),再利用多种机器学习算法逐一将WFTF和数据融合(DF=WFs+TFs)作为输入进行赤霉病识别,最终确定最佳的赤霉病估测模型。

 2. 研究总体技术路线

研究结果表明,赤霉病显著的小波特征在可见光区域的波段为420-440nm580-680nm、近红外区域为850-880nm920-940nm980nm(图3)。然而针对不同的病害阶段,敏感小波特征有所差异,最终确定了赤霉病最佳监测小波特征为2尺度下的423581624865小波系数。同时,基于灰度共生矩阵计算出这些小波特征的纹理特征,再经过任意两两组合,筛选出了四个赤霉病监测新型指数(WFSI1WFSI2WFTI1WFTI2)。经过与传统植被指数对比发现,新型赤霉病监测指数具有更好监测能力,病害阶段12的三年平均分类精度(ACA)分别是80%90%91%(图4)。然而,将光谱指数和纹理指数一起作为输入,小麦赤霉病的分类精度得到了进一步提升,三年ACA分别提高到98.06%89.67%94.83%。对比不同的机器学习算法发现,Xgboost展现出更好的稳定性和准确性(图5)。这项工作揭示了高光谱成像技术在小麦赤霉病早期监测上的巨大潜力,也为作物病害监测提供了较好的参考。

 3. 2019年(a-c)和2020年(d-f)小麦赤霉病的小波系数相关标度图

 4. 基于植被指数和机器学习分类器的小麦赤霉病平均分类精度对比图

5. 不同机器学习分类器和数据集的平均分类精度(ACA)对比图