一种基于高光谱技术监测水稻纹枯病的方法技术

本发明专利技术公开了一种基于高光谱技术监测水稻纹枯病的方法,包括如下步骤：S1、基于无人机搭载的高光谱仪按预设的行驶路径完成原始光谱数据的采集；S2、基于无人机的三维姿态信息确定每个原始光谱数据的偏转角度并按照标准偏转角度完成所有原始光谱数据的重构；S3、将完成重构后的光谱经标准正态变量变换（SNV）后，采用MapReduce提取光谱特征信息；S4、采用MapReduce提取光谱特征信息作为BP神经网络模型的输入变量，输出评估结果。本发明专利技术保证了数据源的准确性、数据处理的高效性，以及处理结果的准确性，且大大方便了后期防治工作的开展。

A method of monitoring rice sheath blight based on hyperspectral technology

The invention discloses a method for monitoring rice sheath blight based on hyperspectral technology, which comprises the following steps: S1. Complete the collection of original spectral data according to the preset driving path based on the hyperspectral instrument carried by the UAV; S2. Determine the deflection angle of each original spectral data based on the three-dimensional attitude information of the UAV and complete the weight of all original spectral data according to the standard deflection angle Structure; S3. After the reconstructed spectrum is transformed by standard normal variable (SNV), MapReduce is used to extract spectral feature information; S4. MapReduce is used to extract spectral feature information as input variable of BP neural network model and output evaluation results. The invention ensures the accuracy of the data source, the high efficiency of the data processing and the accuracy of the processing result, and greatly facilitates the later prevention and control work.

【技术实现步骤摘要】
一种基于高光谱技术监测水稻纹枯病的方法
本专利技术涉及一种高光谱技术应用领域，具体涉及一种基于高光谱技术监测水稻纹枯病的方法。
技术介绍
作为我国第一大粮食作物，水稻的稳产高产一直是我国农业生产的关注重点。水稻纹枯病是水稻三大病害之一，如果能在水稻患病早期及时检测出受害作物的发病原因和受害程度，再结合精细农业中的变量施药，就能有效减小水稻病害感染的病变率，缩小危害范围，切实有效地提高水稻产量。光谱与光谱成像技术近年来被广泛应用于快速无损检测、产品作物的鉴别以及品质分析方面。病害识别方面，高光谱成像技术结合判别分析方法对番茄病害、水稻稻瘟病、油菜病害、西瓜种子品种等的检测和识别都取得了很好的效果。但是，目前，高光谱检测技术应用时，主要是根据农技人员通过抽样调查的方式人为进行高光谱数据采集的，病害调查过程中随机性、主观性较大，不同调查者的技术水平和经验高低决定了调查结果的差异性大小，导致预测预报的准确率不高，影响防治工作的开展。
技术实现思路
为解决上述问题，本专利技术提供了一种基于高光谱技术监测水稻纹枯病的方法，保证了数据源的准确性、数据处理的高效性，以及处理结果的准确性，且大大方便了后期防治工作的开展。基于无人机自动进行高光谱数据的采集，系统自带评估系统。为实现上述目的，本专利技术采取的技术方案为：一种基于高光谱技术监测水稻纹枯病的方法,包括如下步骤：S1、基于无人机搭载的高光谱仪按预设的行驶路径完成原始光谱数据的采集；S2、基于无人机的三维姿态信息确定每个原始光谱数据的偏转角度并按照标准偏转角度完成所有原始光谱数据的重构；S3、将完成重构后的光谱经标准正态变量变换（SNV）后，采用MapReduce提取光谱特征信息；S4、采用MapReduce提取光谱特征信息作为BP神经网络模型的输入变量，输出评估结果。进一步地，每一个原始光谱数据均标记三维姿态信息和GPS定位信息。进一步地，所述BP神经网络模型采用单隐含层3层网络结构，隐含层的节点数设置为12，最大迭代次数为1000，学习速率为0.6，目标误差为10-5，判别阀值设置为0.5。进一步地，通过以下步骤完成原始光谱数据的重构；根据每个原始光谱数据的偏转角度计算每个原始光谱数据的补充偏转角度；根据每个原始光谱数据的补充偏转角度重新绘制每个原始光谱数据。进一步地，还包括：无人机在完成一次轨迹采集后，基于PCA-BP神经网络模型实现每个原始光谱数据的图像清晰度、图像失真度的检测，一旦落入不合格门限，无人机自动根据不合格图像所在的GPS数据进行对应高光谱数据的重新采集，直至所有原始光谱数据符合标准后再进行原始光谱数据的重构。进一步地，所述评估结果包括是否存在水稻纹枯病，以及患病区域所在的GPS定位数据。进一步地，还包括：将所得的评估结果与到目前为止该区域的光谱轨迹图线一起填入预制的latex模版，而后通过latex编译器编译生成pdf报表。本专利技术具有以下有益效果：本专利技术首先通过无人机按照既定的轨迹进行光谱数据的采集，系统自带光谱数据检测、校正功能，从而保证了目标源数据的准确性；基于MapReduce进行数据特征的提取，将纷繁多样的海量数据转换成具有价值的可用数据，提高了数据的分析效率；通过神经网络模型进行评估结果的输出，评估结果包括病区所在位置，大大方便了后期防治工作的进行。可以直观的展示每个区域内水稻纹枯病发展的全过程，并生成报表，大大方便了后期防治工作的进行。具体实施方式为了使本专利技术的目的及优点更加清楚明白，以下结合实施例对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例1一种基于高光谱技术监测水稻纹枯病的方法,包括如下步骤：S1、基于无人机搭载的高光谱仪按预设的行驶路径完成原始光谱数据的采集；每一个原始光谱数据均标记三维姿态信息和GPS定位信息；S2、基于无人机的三维姿态信息确定每个原始光谱数据的偏转角度并按照标准偏转角度完成所有原始光谱数据的重构；S3、将完成重构后的光谱经标准正态变量变换（SNV）后，采用MapReduce提取光谱特征信息；S4、采用MapReduce提取光谱特征信息作为BP神经网络模型的输入变量，输出评估结果；所述评估结果包括是否存在水稻纹枯病，以及患病区域所在的GPS定位数据。所述BP神经网络模型采用单隐含层3层网络结构，隐含层的节点数设置为12，最大迭代次数为1000，学习速率为0.6，目标误差为10-5，判别阀值设置为0.5。本实施例中，通过以下步骤完成原始光谱数据的重构；根据每个原始光谱数据的偏转角度计算每个原始光谱数据的补充偏转角度；根据每个原始光谱数据的补充偏转角度重新绘制每个原始光谱数据。实施例2一种基于高光谱技术监测水稻纹枯病的方法,包括如下步骤：S1、基于无人机搭载的高光谱仪按预设的行驶路径完成原始光谱数据的采集；每一个原始光谱数据均标记三维姿态信息和GPS定位信息；无人机在完成一次轨迹采集后，基于PCA-BP神经网络模型实现每个原始光谱数据的图像清晰度、图像失真度的检测，一旦落入不合格门限，无人机自动根据不合格图像所在的GPS数据进行对应高光谱数据的重新采集，直至所有原始光谱数据符合标准；S2、基于无人机的三维姿态信息确定每个原始光谱数据的偏转角度并按照标准偏转角度完成所有原始光谱数据的重构；S3、将完成重构后的光谱经标准正态变量变换（SNV）后，采用MapReduce提取光谱特征信息；S4、采用MapReduce提取光谱特征信息作为BP神经网络模型的输入变量，输出评估结果，所述评估结果包括是否存在水稻纹枯病，以及患病区域所在的GPS定位数据。所述BP神经网络模型采用单隐含层3层网络结构，隐含层的节点数设置为12，最大迭代次数为1000，学习速率为0.6，目标误差为10-5，判别阀值设置为0.5。本实施例中，通过以下步骤完成原始光谱数据的重构；根据每个原始光谱数据的偏转角度计算每个原始光谱数据的补充偏转角度；根据每个原始光谱数据的补充偏转角度重新绘制每个原始光谱数据。实施例3一种基于高光谱技术监测水稻纹枯病的方法,包括如下步骤：S1、基于无人机搭载的高光谱仪按预设的行驶路径完成原始光谱数据的采集；每一个原始光谱数据均标记三维姿态信息和GPS定位信息；无人机在完成一次轨迹采集后，基于PCA-BP神经网络模型实现每个原始光谱数据的图像清晰度、图像失真度的检测，一旦落入不合格门限，无人机自动根据不合格图像所在的GPS数据进行对应高光谱数据的重新采集，直至所有原始光谱数据符合标准；S2、基于无人机的三维姿态信息确定每个原始光谱数据的偏转角度并按照标准偏转角度完成所有原始光谱数据的重构；S3、将完成重构后的光谱经本文档来自技高网...

【技术保护点】
1.一种基于高光谱技术监测水稻纹枯病的方法,其特征在于，包括如下步骤：/nS1、基于无人机搭载的高光谱仪按预设的行驶路径完成原始光谱数据的采集；/nS2、基于无人机的三维姿态信息确定每个原始光谱数据的偏转角度并按照标准偏转角度完成所有原始光谱数据的重构；/nS3、将完成重构后的光谱经标准正态变量变换后，采用MapReduce提取光谱特征信息；/nS4、采用MapReduce提取光谱特征信息作为BP神经网络模型的输入变量，输出评估结果。/n

【技术特征摘要】
1.一种基于高光谱技术监测水稻纹枯病的方法,其特征在于，包括如下步骤：
S1、基于无人机搭载的高光谱仪按预设的行驶路径完成原始光谱数据的采集；
S2、基于无人机的三维姿态信息确定每个原始光谱数据的偏转角度并按照标准偏转角度完成所有原始光谱数据的重构；
S3、将完成重构后的光谱经标准正态变量变换后，采用MapReduce提取光谱特征信息；
S4、采用MapReduce提取光谱特征信息作为BP神经网络模型的输入变量，输出评估结果。


2.如权利要求1所述的一种基于高光谱技术监测水稻纹枯病的方法,其特征在于，每一个原始光谱数据均标记三维姿态信息和GPS定位信息。


3.如权利要求1所述的一种基于高光谱技术监测水稻纹枯病的方法,其特征在于，所述BP神经网络模型采用单隐含层3层网络结构，隐含层的节点数设置为12，最大迭代次数为1000，学习速率为0.6，目标误差为10...

【专利技术属性】
技术研发人员：陈立才，李艳大，黄俊宝，舒时富，曹中盛，孙滨峰，叶春，罗翔，黄芳，董希慧，应春根，
申请(专利权)人：江西省农业科学院农业工程研究所，
类型：发明
国别省市：江西;36