小麦赤霉病(FHB)是一种常见的真菌性病害,由禾谷镰刀菌和其他镰刀菌物种导致。它无处不在,主要侵染穗部,严重影响谷物质量。现阶段基于光谱特征技术的病害监测,严重依赖病害侵染过程中作物生理生化参数改变所引起的光谱响应。然而,作物穗器官的生理特性随生育时期发展,也会产生显著差异。现有的穗部病害光谱监测研究多基于接种后数天内,或基于单一时期的数据样本,进行病害监测研究,不同生育时期的病害光谱响应规律是否相同、其病情严重度估算精度是否一致尚不明确。目前还缺乏一个机理性强的指数构建方法,使得构建的小麦赤霉病指数能够用于侵染早期的病情估算。
南京农业大学智慧农业创新团队以小麦赤霉病为研究对象,在南京农业大学牌楼试验基地开连续三年展了小麦赤霉病监测试验,利用了两个高抗小麦品种和一个易感小麦品种,在穗部接种赤霉菌后开始持续观测。利用我司高光谱设备(V10E近红外高光谱成像仪)进行穗部时序拍照(图1),并同步进行破坏性取样测试穗子的多项生理生化指标。
图1 病穗样本高光谱图像采集示意图
研究总体技术路线如图2所示:基于时序病害高光谱影像,利用连续小波变换进行特征选择,包括小波特征(WF)和纹理特征(TF);同时,还创建了赤霉病监测新型指数(WFSI和WTTI),再利用多种机器学习算法逐一将WF、TF和数据融合(DF=WFs+TFs)作为输入进行赤霉病识别,最终确定赤霉病估测模型。
图2. 研究总体技术路线
研究结果表明,赤霉病最显著的小波特征在可见光区域的波段为420-440nm和580-680nm、近红外区域为850-880nm、920-940nm和980nm(图3)。然而针对不同的病害阶段,敏感小波特征有所差异,最终确定了赤霉病监测小波特征为2尺度下的423、581、624、865小波系数。同时,基于灰度共生矩阵计算出这些小波特征的纹理特征,再经过任意两两组合,筛选出了四个赤霉病监测新型指数(WFSI1、WFSI2、WFTI1、WFTI2)。经过与传统植被指数对比发现,新型赤霉病监测指数具有更好监测能力,病害阶段1和2的三年平均分类精度(ACA)分别是80%、90%和91%(图4)。然而,将光谱指数和纹理指数一起作为输入,小麦赤霉病的分类精度得到了进一步提升,三年ACA分别提高到98.06%、89.67%和94.83%。对比不同的机器学习算法发现,Xgboost展现出更好的稳定性和准确性(图5)。这项工作揭示了高光谱成像技术在小麦赤霉病早期监测上的巨大潜力,也为作物病害监测提供了较好的参考。
图3. 2019年(a-c)和2020年(d-f)小麦赤霉病的小波系数相关标度图
图4. 基于植被指数和机器学习分类器的小麦赤霉病平均分类精度对比图
图5. 不同机器学习分类器和数据集的平均分类精度(ACA)对比图
成功召开 | 第三届高光谱成像应用研讨会暨怀柔光电产业发展论坛,首日现场精彩呈现
利用高光谱成像设备建立茶苗生长深度学习模型
双利合谱携高光谱相机等产品亮相第一届全国遥感地理学大会
基于高光谱成像技术的高粱农药残留种类检测研究
相关产品
机载激光雷达高光谱一体式成像系统
“谱像”Image-λ高光谱相机
“谱光”(Imspector)系列光栅分光模组
荧光高光谱测试系统GaiaFluo系列
便携式高光谱相机GaiaField Pro-v10
近红外高光谱无人机系统Gaiasky-mini-NIR
GaiaTracer-G系列刑侦文检系统
GaiaTracer-F系列刑侦物检文检仪
可见近红外便携式高光谱相机GaiaField-V10 lite
双利合谱短波红外便携式成像光谱系统
便携式高光谱成像光谱系统GaiaField
GaiaMicro显微高光谱系统
第三代无人机载高光谱成像系统Gaiasky mini3-VN
双相机全波段高光谱分选仪GaiaSorter-Dual
双利合谱GaiaSorter 高光谱分选仪
关注
拨打电话
留言咨询