留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用成像高光谱区分冬小麦白粉病与条锈病

梁栋 刘娜 张东彦 赵晋陵 林芬芳 黄林生 张庆 丁玉婉

梁栋, 刘娜, 张东彦, 赵晋陵, 林芬芳, 黄林生, 张庆, 丁玉婉. 利用成像高光谱区分冬小麦白粉病与条锈病[J]. 红外与激光工程, 2017, 46(1): 136004-0136004(9). doi: 10.3788/IRLA201746.0138004
引用本文: 梁栋, 刘娜, 张东彦, 赵晋陵, 林芬芳, 黄林生, 张庆, 丁玉婉. 利用成像高光谱区分冬小麦白粉病与条锈病[J]. 红外与激光工程, 2017, 46(1): 136004-0136004(9). doi: 10.3788/IRLA201746.0138004
Liang Dong, Liu Na, Zhang Dongyan, Zhao Jinling, Lin Fenfang, Huang Linsheng, Zhang Qing, Ding Yuwan. Discrimination of powdery mildew and yellow rust of winter wheat using high-resolution hyperspectra and imageries[J]. Infrared and Laser Engineering, 2017, 46(1): 136004-0136004(9). doi: 10.3788/IRLA201746.0138004
Citation: Liang Dong, Liu Na, Zhang Dongyan, Zhao Jinling, Lin Fenfang, Huang Linsheng, Zhang Qing, Ding Yuwan. Discrimination of powdery mildew and yellow rust of winter wheat using high-resolution hyperspectra and imageries[J]. Infrared and Laser Engineering, 2017, 46(1): 136004-0136004(9). doi: 10.3788/IRLA201746.0138004

利用成像高光谱区分冬小麦白粉病与条锈病

doi: 10.3788/IRLA201746.0138004
基金项目: 

国家自然科学基金(41301471,41301505);高等学校博士学科点专项科研基金新教师类(20133401120003);安徽省自然科学基金(1608085MF139);安徽省科技重大专项项目(16030701091)

详细信息
    作者简介:

    梁栋(1963-),男,教授,博士,主要从事计算机视觉技术应用方面的研究。Email:dliang@ahu.edu.cn

    通讯作者: 张东彦(1982-),男,副教授,博士,主要从事高光谱技术应用方面的研究。Email:hello-lion@hotmail.com
  • 中图分类号: TP79;S127

Discrimination of powdery mildew and yellow rust of winter wheat using high-resolution hyperspectra and imageries

  • 摘要: 病害胁迫是造成小麦减产及危及世界粮食安全的主要因素之一。如何准确区分相似病害并科学诊断病害严重度,成为国内外研究热点。文中针对中国冬小麦种植区常见的两种真菌疾病白粉病和条锈病,采用高光谱成像系统获取两种病害侵染的小麦叶片图谱合一数据,通过主成分分析法对影像数据进行降维、密度分割法对病害面积进行分割后,得到识别病斑准确率达到97%;进一步分析侵染白粉病和条锈病的叶片病斑区域的光谱特征差异,选择第二主成分图像筛选两种病害的敏感波段,得到识别白粉病的敏感波段为519、643、696、764、795、813 nm,条锈病的敏感波段为494、630、637、698、755、805 nm。最后对筛选出的敏感波段建立白粉病和条锈病支持向量机(SVM)判别模型并验证,得到两种病害的区分精度为92%。综上,利用高光谱图像协同解析可在叶片尺度实现小麦白粉病和条锈病的有效判别,这为开发病害区分仪器提供了重要的理论基础。
  • [1] Chen Pengcheng, Zhang JianHua, Lei Yonghui. Research progress on hyperspectral remote sensing in monitoring crop diseases and insect pests[J]. Chinese Agricultural Science Bulletin, 2006, 22(3):388-391. (in Chinese)
    [2] Chen Bing, Li Shaokun, Wang Kerv. Studies of remote sensing on monitoring crop diseases and pests[J]. Cotton Science, 2007, 19(1):57-63. (in Chinese)
    [3] Luo Hongxia, Kan Yingbo, Wang Lingling. Hyperspectral remote sensing for crop diseases and pest dectection[J]. Guangdong Agricultural Sciences, 2012, 39(18):76-80. (in Chinese)
    [4] Zhang B H, Huang W, Li J B, et al. Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables:A review[J]. Food Research International, 2014, 62:326-343.
    [5] Hu Rongmeng, Wei Man. Research for extracting method of apple leaf ill spots based on hyperspectral image[J]. Journal of Northwest Agriculture and Forestry University(Natural Science Edition), 2012(8):95-99. (in Chinese)
    [6] Liu Liangyun, Huang Muyi, Huang Wenjiang. Monitoring stripe rust disease of winter wheat using muti-temporal hyperspectral airborne data[J]. Journal of Remote Sensing, 2004, 8(3):275-281.
    [7] Yang C M, Cheng C H. Spectral characteristics of rice plants infested by brown planthoppers[J]. Proceedings of the National Science Council Republic of China Part B:Life Sciences, 2001, 25(3):180-186.
    [8] Zhang Dongyan, Zhang Jingcheng, Zhu Dazhou, et al. Investigation of the hyperspectral image characteristics of wheat leaves under different stress[J]. Spectroscopy and Spectral Analysis, 2011, 31(4):1011-1105. (in Chinese)
    [9] Kuckenberg J, Kuckenberg J, Tartachnyk I, et al. Detection and differentiation of nitrogen-deficiency, powdery mildew and leaf rust at wheat leaf and canopy level by laser-induced chlorophyll fluorescence[J]. Biosystem Engineering, 2009, 103(2):121-128.
    [10] Feng Wei, Wang Xiaoyu, Song Xiao, et al. Estimation of severity level of wheat powdery mildew based on canopy spectral reflectance[J]. Acta Agronomica Sinica, 2013, 39(8):1469-1477. (in Chinese)
    [11] Huang Muyi, Wang Jihua, Huang Wenjiang. Hyperspectral character of stripe rust on winter wheat and monitoring by remote sensing[J]. Transactions of the CSAE, 2003, 19(6):154-158. (in Chinese)
    [12] Yuan Lin, Zhang Jingcheng, Zhao Jinling. Diffenentiation of yellow rust and powdery mildew in winter wheat and retrieving of disease severity based on leaf level spectral analysis[J]. Spectroscopy and Spectral Analysis, 2013, 33(6):1608-1614. (in Chinese)
    [13] Huang Wenqian, Li Jiangbo, Zhang Chi. Identification of maize kernel embryo based on hyperspectral imaging technology and PCA[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(s2):243-247. (in Chinese)
    [14] Li Jiangbo, Rao Xiuqin, Ying Yenbing. Advance on application of hyperspectral imaging to nondestructive detection of agricultural products external quality[J]. Spectroscopy and Spectral Analysis, 2011, 31(8):2021-2026. (in Chinese)
    [15] Ding L, Zhang Y P, Zhang X Y. Survey of image segmentation techniques and performance evaluation[J]. Computer Engineering and Software, 2010, 31(12):78-83.
    [16] Wu Dewen, Zhang Yuanfei. The best density separation method for extracting rock information from remote sensing image[J]. Remote Sensing for Land Resources, 2002, 14(4):51-54. (in Chinese)
    [17] Huang Changzhuan, Wang Bao, Yang Zhong. A Study on image segmentation techniques[J]. Computer Technology and Development, 2009, 19(6):76-79. (in Chinese)
    [18] Feng Xinyue, Yang Qiuxiang, An Yanyan, et al. Research of image denoising based on support vector machine and wavelet coefficients[J]. Microelectronics Computer, 2014(8):119-122. (in Chinese)
    [19] Zhang Jingcheng, Yuan Lin, Wang Jihua. Research progress of crop diseases and pests monitoring based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(20):1-11. (in Chinese)
  • [1] 官子涵, 王敏, 李晓彤.  基于主成分分析和节点像差理论的公差降敏方法 . 红外与激光工程, 2024, 53(2): 20230590-1-20230590-10. doi: 10.3788/IRLA20230590
    [2] 邓可望, 赵慧洁, 李娜, 蔡辉.  基于改进样本驱动的高光谱矿物识别模型压缩方法 . 红外与激光工程, 2022, 51(3): 20210252-1-20210252-9. doi: 10.3788/IRLA20210252
    [3] 王雷光, 耿若筝, 代沁伶, 王军, 郑晨, 付志涛.  高光谱-LiDAR 融合的条件随机场分类方法 . 红外与激光工程, 2021, 50(12): 20210112-1-20210112-12. doi: 10.3788/IRLA20210112
    [4] 贺文静, 胡坚, 陈育伟, 潘苗苗, 朱运维, 何锐斌, 李传荣.  共孔径主被动高光谱三维成像实时处理框架 . 红外与激光工程, 2021, 50(2): 20200249-1-20200249-9. doi: 10.3788/IRLA20200249
    [5] 刘舒扬, 张晨, 赵安娜, 李奇峰, 贾晓东.  基于光谱特性的高判别准确度激光近场探测传感器研究 . 红外与激光工程, 2020, 49(4): 0403009-0403009-5. doi: 10.3788/IRLA202049.0403009
    [6] 熊伟.  “高分五号”卫星大气主要温室气体监测仪(特邀) . 红外与激光工程, 2019, 48(3): 303002-0303002(7). doi: 10.3788/IRLA201948.0303002
    [7] 黄达, 黄树彩, 唐意东, 刘锦昌.  模糊识别算法在导弹尾焰光谱识别中的应用 . 红外与激光工程, 2018, 47(7): 704002-0704002(8). doi: 10.3788/IRLA201847.0704002
    [8] 张爱武, 康孝岩.  p值统计量建模独立性的高光谱波段选择方法 . 红外与激光工程, 2018, 47(9): 926005-0926005(9). doi: 10.3788/IRLA201847.0926005
    [9] 范斌, 陈旭, 李碧岑, 赵艳华.  “高分五号”卫星光学遥感载荷的技术创新 . 红外与激光工程, 2017, 46(1): 102002-0102002(7). doi: 10.3788/IRLA201746.0102002
    [10] 徐文斌, 陈伟力, 李军伟, 王广平, 武敬力.  采用长波红外高光谱偏振技术的目标探测实验 . 红外与激光工程, 2017, 46(5): 504005-0504005(7). doi: 10.3788/IRLA201746.0504005
    [11] 汪家春, 赵大鹏, 杜香华, 王启超, 林志丹, 程立, 李志刚.  基于AOTF的高光谱偏振成像系统设计与实验 . 红外与激光工程, 2017, 46(1): 1136002-1136002(7). doi: 10.3788/IRLA201746.0138002
    [12] 邓承志, 张绍泉, 汪胜前, 田伟, 朱华生, 胡赛凤.  L1稀疏正则化的高光谱混合像元分解算法比较 . 红外与激光工程, 2015, 44(3): 1092-1097.
    [13] 梁栋, 杨勤英, 黄文江, 彭代亮, 赵晋陵, 黄林生, 张东彦, 宋晓宇.  基于小波变换与支持向量机回归的冬小麦叶面积指数估算 . 红外与激光工程, 2015, 44(1): 335-340.
    [14] 李权, 赵勋杰, 彭青艳, 邹薇, 张雪松.  基于主成分分析法的窗口自适应粒子滤波算法 . 红外与激光工程, 2014, 43(10): 3474-3479.
    [15] 高明辉, 郑玉权, 郭万存.  高光谱与高分辨率CO2探测仪安装座结构设计 . 红外与激光工程, 2014, 43(12): 3973-3976.
    [16] 梁栋, 谢巧云, 黄文江, 彭代亮, 杨晓华, 黄林生, 胡勇.  最小二乘支持向量机用于时间序列叶面积指数预测 . 红外与激光工程, 2014, 43(1): 243-248.
    [17] 王晓飞, 侯传龙, 阎秋静, 张钧萍, 汪爱华.  基于相关向量机的高光谱图像噪声评估算法 . 红外与激光工程, 2014, 43(12): 4159-4163.
    [18] 王艺婷, 黄世奇, 刘代志, 王百合.  一种新的基于目标检测的波段选择方法 . 红外与激光工程, 2013, 42(8): 2294-2298.
    [19] 刘志刚, 卢云龙, 魏一苇.  有监督的高光谱图像伪装目标检测方法 . 红外与激光工程, 2013, 42(11): 3076-3081.
    [20] 孟卫华, 倪国强, 高昆, 向静波, 项建胜.  红外高光谱成像的光谱聚焦 . 红外与激光工程, 2013, 42(3): 774-779.
  • 加载中
计量
  • 文章访问数:  438
  • HTML全文浏览量:  78
  • PDF下载量:  131
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-05-05
  • 修回日期:  2016-06-03
  • 刊出日期:  2017-01-25

利用成像高光谱区分冬小麦白粉病与条锈病

doi: 10.3788/IRLA201746.0138004
    作者简介:

    梁栋(1963-),男,教授,博士,主要从事计算机视觉技术应用方面的研究。Email:dliang@ahu.edu.cn

    通讯作者: 张东彦(1982-),男,副教授,博士,主要从事高光谱技术应用方面的研究。Email:hello-lion@hotmail.com
基金项目:

国家自然科学基金(41301471,41301505);高等学校博士学科点专项科研基金新教师类(20133401120003);安徽省自然科学基金(1608085MF139);安徽省科技重大专项项目(16030701091)

  • 中图分类号: TP79;S127

摘要: 病害胁迫是造成小麦减产及危及世界粮食安全的主要因素之一。如何准确区分相似病害并科学诊断病害严重度,成为国内外研究热点。文中针对中国冬小麦种植区常见的两种真菌疾病白粉病和条锈病,采用高光谱成像系统获取两种病害侵染的小麦叶片图谱合一数据,通过主成分分析法对影像数据进行降维、密度分割法对病害面积进行分割后,得到识别病斑准确率达到97%;进一步分析侵染白粉病和条锈病的叶片病斑区域的光谱特征差异,选择第二主成分图像筛选两种病害的敏感波段,得到识别白粉病的敏感波段为519、643、696、764、795、813 nm,条锈病的敏感波段为494、630、637、698、755、805 nm。最后对筛选出的敏感波段建立白粉病和条锈病支持向量机(SVM)判别模型并验证,得到两种病害的区分精度为92%。综上,利用高光谱图像协同解析可在叶片尺度实现小麦白粉病和条锈病的有效判别,这为开发病害区分仪器提供了重要的理论基础。

English Abstract

参考文献 (19)

目录

    /

    返回文章
    返回