【技术实现步骤摘要】
本专利技术涉及水果疾病识别，具体是指一种基于高光谱图像的柑橘与苹果的疫病识别方法。
技术介绍
1、苹果柑橘的检疫性病害对于我国生物传播扩散带来巨大的风险，而截止到2019年，我国进口水果量较十年前增长了5倍，进口量的稳步快速增长，也为海关的检疫工作带来了巨大挑战。在进口柑橘苹果的检疫中，由于病原微生物具有个体微笑，菌种采集，分离难度大，培养时间长，不仅费时费力且效率低下。相比之下，基于高光谱技术的图像识别，可以帮助识别分类病害。
2、国内外基于高光谱病害识别的研究，侧重于从病害区域提取像元波段数据，然后根据这些数据使用机器学习或深度学习的算法进行识别分类，然而这种方法需要人为寻找病害区域，效率受限于人力资源。因此，通过预处理提取的波段数，直接对原始光谱图像进行降维，减小图像数据冗余，然后根据预处理后的图像进行模型的识别分类。目前虽有一些报道利用高光谱技术实现疫病识别，但都局限于像元波段数据，尚未有利用高光谱技术基于光谱图像本身的柑橘苹果疫病识别的应用。
3、因此，针对柑橘苹果疫病的识别，目前迫切需要一种快速且精准的识别方法。
技术实现思路
1、本专利技术解决上述的技术问题，提出一种基于高光谱图像的柑橘与苹果的疫病识别方法，能够基于通道降维后的光谱图像进行疫病识别，解决人工检测主观性强，分子生物学检测操作繁琐等问题。
2、为解决上述技术问题，本专利技术提供的技术方案为：一种基于高光谱图像的柑橘与苹果的疫病识别方法，包括以下步骤：
3、步
4、步骤2、对获取的原始样本图像进行黑白校正；黑白校正基于以下公式完成：
5、
6、其中，rci为校准图像，sampleci为原始图像，whiteci为标准白板参考，darkci为黑板参考；
7、步骤3、对校正后的高光谱图像提取感兴趣区域，并提取感兴趣区域的平均光谱，每个病害标记相同数量的多个感兴趣区域，进而获取多条平均光谱数据样本；
8、步骤4、将平均光谱数据记为x1；
9、步骤5、对x1进行光谱数据预处理，消除外部噪声和系统噪声的干扰；使用的预处理方法为savitzky-golay卷积平滑，即sg平滑，sg平滑的公式为：
10、
11、其中，yi为在点i过滤掉的值；yi+j为在点i未过滤掉的值；j指定该点左平滑数据点数；m为指定该点右侧平滑的数据点数；cj为卷积参数；sg平滑选择的窗口个数为5个；
12、步骤6、对经过预处理后的光谱数据，利用连续投影算法提取特征波长，使用连续投影算法提取特征波长，选取前十个特征波长集合；特征波长选择通过以下过程实现：
13、记初始迭代向量为xk(0)，需要提取的特征个数为n，光谱矩阵为j列，
14、(1)、任选光谱矩阵的1列(第j列)，把数据集的第j列赋值给xj，记为xk(0)，
15、(2)、将未选入的列向量位置的集合记为s
16、
17、(3)、分别计算xj对剩余列向量的投影，
18、
19、(4)、提取最大投影向量的光谱波长
20、k(n)＝arg(max(||pxj||),j∈s)，
21、(5)、令xj＝px,j∈s，
22、(6)、n＝n+1，如果n＜n，返回公式(1)循环计算；
23、(7)、确定选择波段序列{k(n)；n＝0,...,n-1}；
24、将选取的特征波长数据记为x2；
25、步骤7、根据x2数据，对原始样本图像降维，获得降维后图像数据记为x3；
26、步骤8、使用kmeans算法去除x3背景，获得去除后图像数据记为x4；
27、步骤9、对x4图像进行裁剪处理，获得水果样本的正方形图像记为x5，每类图像数据的标签为y1；
28、步骤10、将所得的数据x5中，每种类型样本随机选择7/10的光谱图像数据作为训练集，并将训练集记为s1；其余的光谱图像数据作为测试集，记为s2；同理，y1也对应划分为相应的训练集ys1和测试集ys2；
29、步骤11、将作为训练集的数据s1和对应的标签ys1输入se-resnet50中，建立病害种类识别模型并训练；
30、步骤12、将作为测试集的光谱数据s2和对应的标签ys2输入步骤11建立的识别模型中，评估模型的识别性能；
31、步骤13、若模型识别准确率大于90％，则保存模型；若模型识别准确率小于90％，则返回步骤11重新训练；
32、步骤14、将疑似感染疫病的柑橘和苹果高光谱原始图像经过预处理后，通过获得的波段集合x2对原始图像进行降维，经过步骤8与步骤9将处理后获得的图像输入到步骤13保存好的识别模型，输出疫病类别。
33、本专利技术具有如下优点：建立识别模型后，只需获取待测样本的高光谱图像进行预处理，然后直接输入到识别模型中，即可得到病害类型的检测结果，能实现对柑橘与苹果疫病的无损、快速、准确的鉴定。
34、作为改进，所述步骤3中的感兴趣区域使用envi5.3软件进行提取，感兴趣区域为每个病害斑点的像素点集。
35、作为改进，所述步骤7中对于原始样本的降维是指对原图像每个像素点的波段数据只保留步骤6中选出的波段集合，其余波段的数据删除。
36、作为改进，所述步骤8中对于分类为背景的像素点所有波段数据置位0。
37、作为改进，所述步骤9裁剪方法为寻找图像中样本的上下左右最极值的像素点，求得图像矩形轮廓，以长度为基准，对宽度两侧均匀添加像素点为0的背景，获得水果样本的正方形图像。
38、作为改进，所述步骤10中的训练集和测试集划分比例为7:3。
39、作为改进，所述步骤12输入的数据长宽调整为224*224。
40、作为改进，所述步骤12中建立的se-resnet50识别分类算法为在resnet50的基础上进行改造，在resnet50的第一次卷积后加入se block模块，在resnet50的最后一次卷积后加入se block模块。
本文档来自技高网...【技术保护点】
1.一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤3中的感兴趣区域使用ENVI5.3软件进行提取，大小为5像素×5像素。
3.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤7中使用ENVI5.3软件矩形裁剪图像，使得水果图像边界靠近裁剪区。
4.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤8中对于分类为背景的像素点所有波段数据置位0。
5.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤9中对于X4的降维是指对原图像每个像素点的波段数据只保留步骤6中选出的波段，其余波段的数据删除。
6.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤10中的训练集和测试集划分比例为7:3。
7.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别
8.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤12中建立的SE-ResNet50识别分类算法为在ResNet50的基础上进行改造，在ResNet50的第一次卷积后加入SE block模块，在ResNet50的最后一次卷积后加入SE block模块。
...【技术特征摘要】
1.一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤3中的感兴趣区域使用envi5.3软件进行提取，大小为5像素×5像素。
3.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤7中使用envi5.3软件矩形裁剪图像，使得水果图像边界靠近裁剪区。
4.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤8中对于分类为背景的像素点所有波段数据置位0。
5.根据权利要求1所述的一种基于高光谱图像的柑橘与苹果的疫病识别方法，其特征在于：所述步骤9中对于...
【专利技术属性】
技术研发人员：乔曦，余鑫才，焦彬彬，钱万强，黄聪，刘双印，
申请(专利权)人：中国农业科学院农业基因组研究所，
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。