高光谱成像的多种类柑橘病虫药害叶片检测方法研究

作者：吴叶兰; 管慧宁; 廉小亲; 于重重; 廖禺; 高超

来源：光谱学与光谱分析, 2022, 42(08): 2397-2402.

DOI：10.3964/j.issn.1000-0593(2022)08-2397-06

• 高光谱成像
• 柑橘病叶
• 特征波长提取
• XGBoost
• 支持向量机

影响柑橘生长的病虫药害种类繁多，目前的检测方法大多针对单一病症，开发基于高光谱成像和机器学习的多种类柑橘病虫药害叶片快速精准检测方法，对果园精准施药和柑橘产业健康发展具有重要意义。以果园自然发病的柑橘叶片为研究对象，包括柑橘正常叶（50片）、溃疡病叶（50片）、煤烟病叶（103片）、缺素病叶（60片）、红蜘蛛叶（56片）和除草剂危害叶（85片）,采集350～1 050 nm波段内的高光谱数据。分别利用一阶求导(1stDer)、多元散射校正（MSC）和中值滤波（MF）方法对原始（Origin）高光谱数据进行预处理，对预处理后的高光谱数据采用主成分分析（PCA）和竞争性自适应重加权（CARS）算法提取特征波长，CARS降维得到的特征波长分别为10个、 5个、 12个和10个，4组PCA提取的特征波长均为7个，两种方法所得特征波长范围都集中在700～760 nm波段内。对全波段（FS）使用极限梯度提升树（XGBoost）算法，特征波长使用支持向量机（SVM）建立柑橘病叶多分类模型。采用XGBoost建立的检测识别模型有Origin-FS-XGBoost, 1stDer-FS-XGBoost, MSC-FS-XGBoost和MF-FS-XGBoost,对6种病虫害叶片检测得到的整体分类准确率（OA）分别为94.32%, 93.60%, 95.98%和96.56%; SVM建立的检测识别模型为Origin-CARS-SVM, 1stDer-CARS-SVM, MSC-CARS-SVM, MF-CARS-SVM, Origin-PCA-SVM, 1stDer-PCA-SVM, MSC-PCA-SVM和MF-PCA-SVM,各模型OA依次为93.63%, 90.26%, 87.90%, 91.95%, 87.53%, 90.82%, 83.50%和90.98%。结果表明，以FS为输入的XGBoost模型识别率整体优于以特征波长为输入的SVM模型，MF-FS-XGBoost模型OA为96.56%,召回率（Recall）为95.91%,模型训练时间（Train-time）为63 s,综合性能最好；CARS-SVM建模效果优于PCA-SVM,在3种预处理方式下，CARS-SVM模型识别率均高于87%, PCA-SVM模型识别率均在83%以上。结果证实了，高光谱成像技术结合机器学习方法可实现多种类柑橘病虫药害分类识别，为柑橘病虫药害快速无损检测和防治提供科学依据。

• 单位
  北京工商大学; 江西省农业科学院农业工程研究所