欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202010702759X
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,包括以下步骤:

11)非成像近地高光谱数据的获取:利用非成像地物光谱仪测得单穗小麦顶部的单穗光谱数据,获取的单穗光谱数据包括每株麦穗在带叶和无叶不同情况下的光谱数据;

12)数据的预处理:对采集的原始光谱数据进行处理获得样本的光谱反射率;计算样本的病情严重度;

13)敏感特征集的获取:通过相关性分析,筛选出与小麦病情严重度相关性高且极显著的光谱特征,其包括:波段特征、位置特征以及植被指数;对所选光谱特征进行Fisher评分,获得敏感特征集;

所述的敏感特征集的获取包括以下步骤:

131)波段特征的选择:根据波段一阶微分反射率与病情严重度之间的相关性,获得相关系数以及P‑value值,筛选出相关系数最大且极显著相关(P‑value<0.001)的前10个波段特征;

其中,一阶微分的计算公式为:

其中,λi为波段i的波长值,R′(λi)为所求的波段微分值,R(λi+1)和R(λi‑1)分别为波段λi‑1和λi+1的光谱反射率,Δλ为相邻波段的间隔;

132)位置特征的选择:选取550‑780nm范围内的高光谱进行连续统去除变换,在此基础上分别求出深度、面积和归一化深度指数;通过对蓝边490‑530nm、黄边550‑582nm、红边

670‑737nm和绿峰510‑560nm的光谱微分值进行组合和变换,获得额外11个位置特征;对这

14个位置特征与病情严重度进行相关性分析,筛选出高相关性|R|>0.6且极显著相关P‑value<0.001的位置特征;

其中,深度depth计算公式为:

其中,Ri’(λmin)表示最小波段反射率处的连续统去除反射率,Ri(λmin)为吸收谷波段内的最小反射率值,Rc(λmin)为最小波段反射率处对应的连续统线值;

面积area计算公式为:

其中,Rc(λ)和Ri(λ)分别为波长λ的连续统线值和光谱反射率值,λ1和λ2分别为波长的起始位置,这里λ1等于550,λ2等于780;

归一化深度指数DN:由深度指数depth和吸收面积特征area的比值来获得,公式为:

133)植被指数的选择:获取用于作物病害胁迫研究的植被指数,通过计算这些植被指数与病情严重度之间的相关性,筛选出与病情严重度高相关|R|>0.6且极显著相关P‑value<0.001的植被指数;

134)通过特征的类间距离之和与类内距离之和的比值来计算特征的Fisher得分,Fisher得分计算公式为:其中 表示特征i的总平均值, 和 表示类别1和类别2数据集中特征i的总平均(1) (2)值,n1和n2分别表示样本中类别1和类别2对应的样本数,xki 和xki 分别表示1类样本和2类样本中第k个样本点关于特征i的取值;

135)将所选光谱特征根据Fisher评分按照从大到小的顺序依次叠加,组成不同的特征集,得到最终的敏感特征集;

136)根据小麦带叶和无叶两组不同数据,重复上述131)‑135)步骤分别获得小麦在带叶和无叶情况下的适合赤霉病识别的最优特征集;

14)SVM模型的构建:对SVM模型进行设定;

15)SVM模型的优化:基于粒子群技术对SVM模型进行优化;

16)小麦赤霉病遥感识别结果的获得:将获得敏感特征集输入经过优化后的SVM模型,得到小麦赤霉病遥感识别结果。

2.根据权利要求1所述的一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,所述数据的预处理包括以下步骤:

21)根据光谱仪测出的目标样本的DN灰度值与标准白板的DN灰度值之间的比值,求得目标样本的反射率曲线,得到350‑1000nm范围内的样本波段反射率,计算公式为:其中,Rm为所求的目标反射率值,DNm为光谱仪测出的目标样本的DN灰度值,DNb为白板灰度值,Rb为白板的标准反射率值;

22)设定根据出现穗腐情况或由秆腐引起白穗症状的病小穗数占所有小穗数的比例来判断样本的病情严重度,其中比例为0时表示样本健康,大于0时表示样本染病。

3.根据权利要求1所述的一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,所述的SVM模型的构建包括以下步骤:

31)设定对于给定的训练样本集,其超平面记为:

N

(w*x)+b=0,w∈R ,b∈R

其中W为权重因子,b为偏差值;

为使样本正确分类,则它需满足如下要求:

yi((w*xi)+b)‑1≥0,i=1,...,n;

2

32)设定超平面与支持向量之间的距离为 要使分类间隔最大,即使得||w||最小,因此构造最优超平面的问题就等价为在约束条件下的求最小,其表达式如下:s,tyi((w·xi)+b)≥1,i=1,…,n;

33)为解决约束最优化问题,通过设定Lagrange函数求解:其中αi和yi为拉格朗日乘子,

根据KKT条件,函数表达式生成如下:

引入核函数,将低维空间数据映射到高维空间;

34)设定采用径向基核函数RBF作为模型的核函数,径向基核函数表示为:其中σ为核参数;

将核函数带入则得到决策函数:

4.根据权利要求1所述的一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,所述的SVM模型的优化包括以下步骤:

41)选用粒子群算法对支持向量机中的惩罚因子c和核心参数g进行优化,首先初始化种群,种群规模设置为30,最大迭代次数设置为300,加速因子c1和加速因子c2都设置为1.5,惯性权重w设置为0.6;

42)每个粒子作为可行空间中的解,并在可行空间中运动,计算每个粒子的适应度,模型的适应度函数为:其中yi和 分别为验证集的真实值和监测值;

43)粒子的运动速度决定它们的飞行方向和距离,粒子特殊的记忆能力帮助其跟随最优粒子在空间中搜索,每一次迭代中,粒子通过两个极值来更新自己,一个是全局最优解,一个是局部最优解;

最优解找到后,粒子更新自己的速度和位置,生成新一代种群,更新所依据的公式为:vid(t+1)=wvid(t)+c1r1(pbid(t)‑xid(t))+c2r2(gbid(t)‑xid(t))xid(t+1)=xid(t)+vid(t+1)其中,t表示当前进化迭代次数,w表示惯性权重,c1和c2是加速因子,这里都为1.5,r1和r2是取值在[0,1]之间的随机数,vid(t)是当前粒子速度,xid(t)是当前粒子位置,pbid(t)是当前粒子的最优位置,gbid(t)是当前全局粒子最优位置;

为避免粒子速度过大,设置速度上限vmax和速度下限vmin:其中,xmax和xmin分别表示粒子的最大和最小位置;

44)判断是否满足最大迭代次数或者预设精度;如果满足,结束寻优,得到最优惩罚因子c和核心参数g;否则继续计算粒子的适应度值并进行速度和位置更新,直到满足停止条件;

45)根据得到的最佳惩罚因子和核心参数,获得优化后的SVM模型。

5.根据权利要求1所述的一种基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法,其特征在于,所述的小麦赤霉病遥感识别结果的获得包括以下步骤:

51)将采集的麦穗样本数据分为健康和发病两类,随机选取样本数据中的2/3作为训练样本,训练经过优化后的支持向量机模型;

52)将获得的带叶和无叶情况下两种不同的敏感光谱特征集分别作为训练后模型的输入变量,训练后的模型分别输出两种情况下的小麦赤霉病识别结果。