1.一种基于特征波长的高光谱柑橘叶片病害识别方法,其特征在于,包括以下步骤:
1)准备健康叶片与病害感染的柑橘叶片,将每组叶片朝向一致按次序摆放,并用高光谱数据采集系统采集放置在样品台上的每种类型叶片的高光谱信息,获得叶片原始高光谱数据立方体;
2)对获取的叶片高光谱数据进行黑白图像校正;
3)对校正后数据进行裁剪,去除首尾噪声,并利用主成分分析与逆主成分的运算,初步降低高光谱数据的噪声;
4)重新对逆主成分运算后的高光谱数据进行主成分运算,利用第一与第二主成分的得分散点图标记叶片像素,实现无关背景的去除;并对染病叶片在第二主成分的得分图像中,标记病斑区域为感兴趣区域,并提取感兴趣区域的平均光谱;每种病害标记多个感兴趣区域,进而获取多条平均光谱数据;健康叶片感兴趣区域均匀分布在叶尖、叶中和叶柄位置,同样标记多个感兴趣区域来获取平均光谱;
5)对平均光谱数据,记为X1,对应将光谱的病害种类标记为Y1;
6)对平均光谱数据进行光谱数据处理,实现随机噪声与散射去除;
7)对经过预处理后的光谱数据X1,利用多种波段运算结果与Y1的相关系数选择特征波长,将选择的特征波长记为X2;
8)将所得数据X2中,每种类型样品随机选择2/3的光谱数据,作为训练集S1,其余光谱数据,作为验证集S2,同样Y1也对应划分为训练集YS1与验证集YS2;
9)将作为训练集的光谱数据S1与对应值YS1作为输入支持向量机SVM中,建立病害种类判别模型;
10)将作为验证集的光谱数据S2与对应值YS2,输入步骤9)建立的判别模型,验证所建模型稳定性;
11)将每种类型中的一张叶片高光谱图像中,每个像素点光谱带入步骤9)所建立的判别模型,整片叶片中病害类型进行检测,并用不同颜色表征判别结果,实现判别位置的可视化显示。
2.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法,其特征在于:在步骤1)中,样本为同一时期、同一品种、同一果园的柑橘叶片,排除时间、产地因素干扰。
3.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法,其特征在于:在步骤1)中,高光谱数据采集系统中高光谱仪光谱范围为386-1016nm,高光谱仪镜头到样品的距离为50cm,同时系统中包含4个50W卤钨灯分布在样品台上方45°作为光源,采集样品时系统曝光时间为9.98ms,从而确保能够获取清晰的高光谱图像。
4.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法,其特征在于:在步骤2)中,样品校正基于以下公式完成:其中,Rw和Rd分别为标准白板与暗电流标定数据,Ro为采集的样本原始数据,Rc为校正后数据。
5.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法,其特征在于:在步骤3)中,裁剪后光谱范围为450.9-980.1nm,在主成分分析后利用前6个主成分进行逆主成分运算,实现噪声初步消除。
6.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法,其特征在于:在步骤6)中,采用Savitzky-Golay平滑滤波即S-G平滑,结合标准正态变换SNV,实现光谱预处理,S-G平滑选择窗口为5个。
7.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法,其特征在于:在步骤7)中,采用波段运算与标记Y1相关性选择特征波长,其波段运算包含以下公式(2)-(6),分别计算波段运算结果与Y1相关系数,确定系数绝对值最大处的公式中所涉及的波长为特征波长,综合5个公式选择的波长为实现分类所需的特征波长;
E1=λi (2)E2=λi-λj (3)其中,E1、E2、E3、E4、E5为不同计算公式下得到的相关系数,λi、λj分别为450.9-980.1nm光谱范围内样品的光谱数据;
综合五个公式选出的特征波长为:516.3nm,841.2nm,695.1nm,535.2nm,836.1nm,
692.6nm,537.6nm,697.6nm,518.7nm。
8.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法,其特征在于:在步骤8)中,训练集与验证集数量比例为2:1。
9.根据权利要求1所述的一种基于特征波长的高光谱柑橘叶片病害识别方法,其特征在于:在步骤9)中,建立的判别模型采用径向基核函数RBF与5折交叉验证。