申请/专利权人：安徽大学

申请日：2020-07-20

公开（公告）日：2024-04-09

公开（公告）号：CN111832507B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/774;G01N21/25

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2020.11.13#实质审查的生效;2020.10.27#公开

摘要：本发明涉及基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法，与现有技术相比解决了尚无基于麦穗顶部进行赤霉病监测的缺陷。本发明包括以下步骤：非成像近地高光谱数据的获取；数据的预处理；敏感特征集的获取；SVM模型的构建；SVM模型的优化；小麦赤霉病遥感识别结果的获得。本发明基于遥感设备垂直角度利用小麦顶部信息对赤霉病进行识别，并通过对特征进行筛选和组合，以及对模型进行优化，实现了单穗尺度上的小麦赤霉病的垂直研究，为实际大区域尺度赤霉病识别提供了更加精准的技术方案。

主权项：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-value0.001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，Rλi+1和Rλi-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-value0.001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，Riλmin为吸收谷波段内的最小反射率值，Rcλmin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，Rcλ和Riλ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-value0.001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的总平均值，n1和n2分别表示样本中类别1和类别2对应的样本数，xki1和xki2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；14SVM模型的构建：对SVM模型进行设定；15SVM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。

全文数据：

权利要求：

百度查询： 安徽大学 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法

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