System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及黄萎病早期检测,尤其是涉及一种基于多光谱图像技术的茄子黄萎病早期检测方法。
技术介绍
1、早期发现黄萎病并进行处理,对保证茄子产量和品质具有重大意义。现阶段,茄子黄萎病主要依靠化学防治、物理防治和农业措施防治。然而这几种防治方式针对土传真菌病害的防治效果均不佳。
2、传统的人工诊断方法主要依靠植保人员通过观察茄子叶片,基于经验或结合实验室检测手段实现对病害的监测。这些传统的病害监测方法费时费力,诊断效率低下,限制了黄萎病的快速检测和防控。
3、光谱技术可以检测植物的外部特征、内部结构等生理指标,具有实时、非接触、准确和信息量丰富等优势,被广泛应用于信息监测。
4、gu等人采用高光谱成像技术对烟草番茄斑萎病毒病进行早期诊断,其采用连续投影算法结合增强回归树分类效果最好,平均准确率达到了85.2%,同时发现了近红外光谱区域对于进行病害早期诊断具有重要意义,展示了近红外光谱技术在早期诊断病害上的优势。
5、kang等人利用无人机采集棉花冠层图像和光谱数据结合卷积神经网络进行棉花黄萎病严重程度评估,实现了空间和光谱两种方法的病害严重程度评估。然而这些技术只用于分辨植物健康与否,针对即将患病的植物没有进行预测。
技术实现思路
1、本专利技术的目的是提供一种基于多光谱图像技术的茄子黄萎病早期检测方法,可以在症状出现之前发现茄子黄萎病,从而最大限度减少黄萎病损失。
2、为实现上述目的,本专利技术提供了一种基于多光谱图像技术
3、s1、采用模拟自然环境的人工接种方法培育具有黄萎病病害特征的茄子幼苗,以相同生长期健康的茄子幼苗为对照;
4、s2、采集不同生长天数茄子完整叶片的多光谱图像和叶绿素荧光图像;
5、s3、对步骤s2获得的多光谱图像进行预处理,并提取特征波段;
6、s4、依据步骤s3预处理后的多光谱图像信息将茄子幼苗样本划分为健康叶片、即将染病叶片和染病叶片三类;
7、s5、将特征波段的多光谱图像和/或叶绿素荧光图像作为cnn模型的输入端,将健康叶片、即将染病叶片和染病叶片作为输出,进行cnn模型训练,建立茄子叶片黄萎病早期诊断模型;
8、s6、将茄子叶片黄萎病早期诊断模型应用至茄子植株中实现茄子叶片黄萎病早期检测。
9、优选地,所述步骤s1中培育具有黄萎病病害特征的茄子幼苗,具体步骤包括:
10、s1-1、选择若干长出2-4片真叶的茄子幼苗,将幼苗从穴盘中取出,用无菌水洗去根部土壤,并做断根处理;
11、s1-2、将茄子幼苗根部浸泡至浓度为1×107孢子/ml的菌液中进行接菌,接菌时间10min;
12、s1-3、将接种完成的茄子幼苗种植至恒温25℃的发病环境中进行缓苗,缓苗时间为1-2天;
13、s1-4、将缓苗完成的茄子幼苗继续培养至观察到茄子幼苗均具有黄萎病病害的典型特征,并取叶片在显微镜下观察确认大丽轮枝菌存在。
14、优选地,s3中多光谱图像处理包括:
15、s2-1、提取多光谱图像中的光谱反射率、叶绿素荧光参数和图像纹理特征数据;
16、s2-2、根据马氏距离剔除s2-1中获取数据的异常值;
17、s2-3、利用sk-learn中train_test_split()函数将全部茄子叶片按照8:2划分训练集和测试集;
18、s2-4、采用归一化法对s2-1中获取的数据进行预处理,归一化公式为:
19、
20、其中x为原始光谱数据,μ为表示原始光谱数据均值,x′为归一化后数据,xmax为原始光谱数据中的最大值,xmin为原始光谱数据中的最小值。
21、优选地,步骤s4具体为:采用主成分分析法对多光谱图像提取的光谱反射率信息进行分析,将叶片分为健康叶片、即将染病叶片和染病叶片三类。
22、优选地,所述步骤s5中进行cnn模型训练之前利用麻雀优化算法对cnn模型原始数据进行训练,筛选学习率、批量处理数量、正则化系数的最优值。
23、优选地,所述步骤s5中,cnn模型的输入为预处理后的特征波段的光谱反射率,所述cnn模型为cnn-svm模型。
24、优选地,所述步骤s5中,cnn模型的输入为特征波段的光谱反射率、叶绿素荧光参数和图像纹理特征融合,所述cnn模型为cnn-svm模型。
25、优选地,所述步骤s5中,cnn模型的输入为多光谱图像与叶绿素荧光图像融合,所述cnn模型为2d-cnn模型。
26、因此,本专利技术采用上述一种基于多光谱图像技术的茄子黄萎病早期检测方法,利用多光谱成像技术在症状出现之前黄萎病感染的茄子叶片进行分类,具体分为健康叶片、即将染病叶片和染病叶片三个阶段;将多光谱信息融合建立茄子叶片黄萎病早期检测模型,根据茄子叶片的多光谱信息判断所属阶段,从而对茄子植株做出针对性处理,可以更大程度上降低黄萎病造成的损失。
本文档来自技高网...【技术保护点】
1.一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于,所述步骤S1中培育具有黄萎病病害特征的茄子幼苗,具体步骤包括:
3.根据权利要求1所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于,S3中多光谱图像处理包括:
4.根据权利要求3所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于,步骤S4具体为:采用主成分分析法对多光谱图像提取的光谱反射率信息进行分析,将叶片分为健康叶片、即将染病叶片和染病叶片三类。
5.根据权利要求1所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于:所述步骤S5中进行CNN模型训练之前利用麻雀优化算法对CNN模型原始数据进行训练,筛选学习率、批量处理数量、正则化系数的最优值。
6.根据权利要求3所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于:所述步骤S5中,CNN模型的输入为预处理后的特征波段的光谱反射率,所述CNN模型为CNN
7.根据权利要求3所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于:所述步骤S5中,CNN模型的输入为特征波段的光谱反射率、叶绿素荧光参数和图像纹理特征融合,所述CNN模型为CNN-SVM模型。
8.根据权利要求3所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于:所述步骤S5中,CNN模型的输入为多光谱图像与叶绿素荧光图像融合,所述CNN模型为2D-CNN模型。
...【技术特征摘要】
1.一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于,所述步骤s1中培育具有黄萎病病害特征的茄子幼苗,具体步骤包括:
3.根据权利要求1所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于,s3中多光谱图像处理包括:
4.根据权利要求3所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于,步骤s4具体为:采用主成分分析法对多光谱图像提取的光谱反射率信息进行分析,将叶片分为健康叶片、即将染病叶片和染病叶片三类。
5.根据权利要求1所述的一种基于多光谱图像技术的茄子黄萎病早期检测方法,其特征在于:所述步骤s5中进行cnn模型训练之前...
【专利技术属性】
技术研发人员:张东方,张君,范晓飞,陈雪平,申书兴,罗双霞,周玉宏,彭勃,张博,程丰庆,
申请(专利权)人:河北农业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。