详情

原文传递基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法

专利名称：	基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法
摘要：	本发明涉及基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法，与现有技术相比解决了遥感领域尚无以单穗为载体进行小麦赤霉病研究的缺陷。本发明包括以下步骤：数据获取；近地高光谱数据预处理；建模特征的选择；费氏线性判别与支持向量机相结合模型的建立；获得小麦穗高光谱识别结果。本发明实现了针对于单穗小麦的赤霉病识别。
专利类型：	发明专利
国家地区组织代码：	安徽;34
申请人：	安徽大学
发明人：	黄林生;吴照川;黄文江;赵晋陵;张东彦;翁士状;曾玮;郑玲
专利状态：	有效
申请日期：	2019-07-19T00:00:00+0800
发布日期：	2019-10-18T00:00:00+0800
申请号：	CN201910652829.2
公开号：	CN110346312A
代理机构：	合肥国和专利代理事务所(普通合伙)
代理人：	张祥骞
分类号：	G01N21/31(2006.01);G;G01;G01N;G01N21
申请人地址：	230601 安徽省合肥市经济技术开发区九龙路111号
主权项：	1.一种基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法，其特征在于，包括以下步骤： 11)数据获取：获取光谱仪所测定冬小麦单穗光谱数据，冬小麦单穗光谱数据包括每株穗正面、侧面和直立三个角度的高光谱数据； 12)近地高光谱数据预处理：对冬小麦单穗光谱数据进行标准化处理，并分别进行一阶微分计算、连续统去除计算以及常用植被指数计算，获得对应的微分特征、连续统去除特征以及植被指数特征； 13)建模特征的选择：筛选与赤霉病严重度相关性高且极显著的光谱特征以及三种严重程度类间差异显著的特征； 14)费氏线性判别与支持向量机相结合模型的建立：通过地面高光谱测量以及严重度调查的数据构建费氏线性判别与支持向量机相结合模型； 15)获得小麦穗高光谱识别结果：把近地高光谱数据的最优特征集作为输入变量，分别输入费氏线性判别与支持向量机相结合模型，得到冬小麦穗赤霉病的识别结果。 2.根据权利要求1所述的基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法，其特征在于，所述的近地高光谱数据预处理包括以下步骤： 21)高光谱数据标准化：选取A区域的健康样本光谱数据作为标准样本，并且以病害样本光谱数据和健康样本光谱数据作为基准，分别用A区域的健康样本光谱数据的均值除以B区域和C区域健康样本光谱数据的均值，得到两条比值曲线，这两条比值曲线用于反映两组光谱测量的差异性，i波长下的比率Ratioi计算公式为：其中i表示波长，∑指区域内所有健康样本在波长i处的反射率之和，Ref表示反射率，A、B和C分别代表A区域、B区域和C区域；将B区域和C区域获取的每一条样本的原始光谱数据与相应的比率曲线相乘，即得到标准化后的光谱数据，i波长下的标准化的计算公式为：其中，表示B区域或C区域样本光谱在波长i处的反射率，表示标准化后的反射率； 22)获取一阶微分光谱数据，对标准化后的光谱采用差分方法近似计算，其计算公式如下： ρ'(λi)＝[ρ(λi+1)-ρ(λi-1)]/(2Δλ)，其中，λi为每个波段波长，ρ'(λi)为波长λi一阶微分，Δλ为波长λi-1到λi的间隔，再求得一阶微分特征；获取连续统去除特征：选取光谱的550nm-750nm波段进行连续统去除获得相对光谱反射率，在此基础上分别求出波段深度、吸收峰面积、波段宽度以及吸收特征的波段位置；获取植被指数：根据经验选择若干个常用植物胁迫研究的植被指数，根据每个植被指数对应计算公式获取相应的指数特征。 3.根据权利要求1所述的基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法，其特征在于，所述建模特征的选择包括以下步骤： 31)对数据预处理得到的一阶微分特征、连续统去除特征以及植被指数三种光谱特征分别与冬小麦赤霉病的严重度进行相关性分析，获得相关系数以及P-value值，利用阈值法筛选出与赤霉病高相关性R2>0.49且极显著相关P-value<0.001的光谱特征； 32)分别对健康、轻度、重度三类样本两两组合，采用独立样本T检验方法筛选出在三个类别组合中均呈现显著差异的特征； 33)将以上两个条件筛选的两个光谱特征集取交集，获得对赤霉病敏感且在三类不同病害严重度类间有显著差异的最优光谱特征集； 34)从正面、侧面以及直立三个角度重复上述步骤分别获得适合其赤霉病识别的最优光谱特征集。 4.根据权利要求1所述的基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法，其特征在于，所述费氏线性判别与支持向量机相结合模型的建立包括以下步骤： 41)设定费氏线性判别模型：利用费氏线性判别模型将高维的特征进行降维，将数据投影到一维空间，寻找一个使类内离散度最小、类间离散度最大的最佳投影方向； 42)设定支持向量机模型：通过非线性变换将输入空间变换到高维空间，然后在新空间中求最优分类面，从而将原空间中的非线性问题转化成新空间中的线性问题进行求解； 43)设定费氏线性判别与支持向量机相结合模型：利用费氏线性判别方法将数据进行降维，将其得到的一维特征特征向量作为支持向量机模型的输入变量； 44)将冬小麦穗赤霉病样本数据分为健康、轻度和重度三类，其中随机选取样本数据作为训练样本，训练样本作为输入，训练费氏线性判别与支持向量机相结合模型。 5.根据权利要求1所述的基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法，其特征在于，所述的获得小麦穗高光谱识别结果包括以下步骤： 51)将穗正面、侧面以及直立三个角度分别筛选出来的一阶微分特征、连续统去除特征以及植被指数相结合形成单穗尺度不同角度赤霉病的最优光谱特征集； 52)将每个角度获得的光谱特征集作为训练后模型的输入变量，训练后的费氏线性判别模型和训练后的支持向量机模型分别输出从正面、侧面以及直立三个角度对赤霉病严重度识别的结果。 6.根据权利要求4所述的基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法，其特征在于，所述的设定费氏线性判别模型包括以下步骤： 61)将原获取的N个单穗高光谱数据定义为集合X，X中包含N个高维样本x1、x2、...、xn，将所有样本根据赤霉病病情严重程度分为健康、轻度和重度3类，其中N1个属于W1类的样本记为子集X1，N2个属于W2类的样本记为子集X2，N3个属于W3类的样本记为子集X3，各类样本的均值向量mi：样本类内离散度矩阵Si为：总类内离散度矩阵Sw为: Sw＝S1+S2+S3；样本类间离散度矩阵Sb为：其中m是所有样本的均值向量在投影后的一维空间Y，各类的均值样本类内离散度和总类内离散度 62)投影后，寻找最佳投影方向，使各类样本尽可能分开，则希望各类间均值之差越大越好，类内离散度越小越好，定义fisher准则函数：令分母等于非零常数，即ωTSwω＝C≠0，定义Lagrange函数为 L(ω,λ)＝ωTSbω-λ(ωTSwω-c) 式中λ为Lagrange乘字，将Fisher准则函数对ω求偏导数并且令偏导数等于零，得到： Sbω＝λSwω 其中ω*是Fisher准则函数取极大值的解，也就是高维X空间到一维Y空间的最优投影方式。 7.根据权利要求4所述的基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法，其特征在于，所述的设定支持向量机模型包括以下步骤： 71)原特征空间的支持向量机决策函数是其中αi，i＝1,...,n是下列二次优化问题的解；对原特征x进行非线性变换，记新特征为则新特征空间里构造的支持向量机决策函数是相应的优化问题变成 72)原特征空间中的两个样本内积(xi.xj)变成新特征空间的新特征空间的内积也是原特征的函数，记作核函数新空间的支持向量机决策函数写成其中，系数α是优化问题的最优解；选择一个合适的核函数就可以构建非线性的支持向量机，在此选择径向基核函数来构建非线性的支持向量机。
所属类别：	发明专利