申请/专利权人：石河子大学;中国科学院空天信息创新研究院

申请日：2023-08-09

公开（公告）日：2023-12-08

公开（公告）号：CN117195085A

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/2131;G06F17/18;G06N20/00;G06N20/10;G01N21/27;G01N23/2251

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.12.26#实质审查的生效;2023.12.08#公开

摘要：本发明公开了一种基于敏感小波特征构建的棉花黄萎病无症状期检测模型，本发明基于敏感小波特征构建的棉花黄萎病无症状期检测模型的构建方法是先进行棉花黄萎病的接种和确认棉花受到黄萎病的感染；然后获取不同接种日期下的棉叶光谱信息；通过连续小波变换进行光谱数据的预处理；利用扫描电子显微镜获取健康和感染黄萎病无症状期的棉花叶片内部结构特征数据；基于棉花叶片内部结构特征数据，并采用LASSO通过最小化目标函数来估计回归系数βj的值，从而选择最优敏感小波特征；最后通过筛选的敏感小波特征集，利用支持向量机算法，通过融合小波特征集来确定区分健康和受黄萎病感染叶片的阈值，从而实现棉花黄萎病无症状期的检测。

主权项：1.一种基于敏感小波特征构建的棉花黄萎病无症状期检测模型，其特征在于，所述检测模型的构建方法如下：S1、进行棉花黄萎病的接种和确认棉花受到黄萎病的感染；S2、获取不同接种日期下的棉叶光谱信息；S3、通过连续小波变换进行光谱数据的预处理；S4、利用扫描电子显微镜获取健康和感染黄萎病无症状期的棉花叶片内部结构特征数据；S5、基于棉花叶片内部结构特征数据，并采用LASSO通过最小化目标函数来估计回归系数βj的值，从而选择最优敏感小波特征， 其中y和x为叶类和波长的小波变换后的反射信息；N和p分别为样品数和波长；βj为系数，α为截距，γ为控制收缩值的惩罚项；S6、构建棉花黄萎病无症状期检测模型，该模型通过S5筛选的敏感小波特征集，利用支持向量机SVM、逻辑回归算法和K邻近算法KNN三种广泛使用的机器学习方法，通过融合小波特征集来确定区分健康和受黄萎病感染叶片的阈值，从而实现棉花黄萎病无症状期的检测。

全文数据：

权利要求：

百度查询： 石河子大学;中国科学院空天信息创新研究院 基于敏感小波特征构建的棉花黄萎病无症状期检测模型

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD