基于高光谱的水稻稻曲病早期监测研究

作者：谢亚平; 仝晓刚; 王晓慧

来源：农业机械学报, 2023, 54(09): 288-296.

• 稻曲病
• 高光谱
• 支持向量机
• 主成分分析
• 人工神经网络

为了快速、精准地感知水稻稻曲病的发生，实现稻曲病大面积早期监测，利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据，对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练，建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型，通过验证样本来检验识别模型的准确性，达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好，总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分，贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型；其中非线性分类的效果优于线性分类的效果，总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机诊断结果可知，使用支持向量机识别模型分类精度整体平稳，4种核函数的诊断效果没有比较明显的差异。就总体分类精度而言，主成分分析加人工神经网络识别模型中的非线性分类比支持向量机识别模型的S型核函数分类高0.77个百分点。因此，主成分分析加人工神经网络模型的非线性分类更适用于水稻稻曲病的早期监测。

• 单位
  太原工业学院