南疆紅棗病蟲危害等級識別模型的研究與實現(xiàn)

周鵬+郭頌+牛曉太+等

摘要：南疆紅棗病蟲害成為制約南疆紅棗產(chǎn)業(yè)發(fā)展的主要因素，因而紅棗內(nèi)在品質(zhì)成為評判優(yōu)質(zhì)等級的關(guān)鍵。首先利用光譜技術(shù)提取南疆紅棗相關(guān)參數(shù)，分析紅棗在460～2 260 nm波長范圍內(nèi)的光譜特性參數(shù)。運(yùn)用主成分分析法分析黑斑病紅棗一、二階微分光譜的前10個主成分解釋的變異百分比，比對光譜特征參數(shù)和重采樣光譜對紅棗病害等級識別的影響因素。最后以光譜參數(shù)為徑向基網(wǎng)絡(luò)輸入量，分析確定核函數(shù)和分類函數(shù)，構(gòu)建南疆紅棗病蟲害等級識別支持向量機(jī)模型。結(jié)果表明，運(yùn)用主成分分析法和帶懲罰系數(shù)及核參數(shù)的支持向量機(jī)技術(shù)構(gòu)建的支持向量機(jī)模型對南疆紅棗病蟲危害等級識別正確率為98.8%，實現(xiàn)了對南疆紅棗病蟲害進(jìn)行精確的等級識別。

關(guān)鍵詞：新疆紅棗；病蟲害等級；光譜技術(shù)；主成分分析；支持向量機(jī)；等級識別

中圖分類號： S126文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2014）06-0354-04

收稿日期：2013-09-26

基金項目：國家自然科學(xué)基金（編號：61162018）；河南省基礎(chǔ)與前沿技術(shù)研究項目（編號：132300410422）；河南省科技攻關(guān)計劃（編號：132102210049）。

作者簡介：周鵬（1969—），男，河南信陽人，碩士，教授，從事嵌入式系統(tǒng)、模式識別、遙感監(jiān)測和物聯(lián)網(wǎng)工程研究。E-mail：zpzqxy@163.com。南疆地處歐亞大陸的腹地，降雨量少，蒸發(fā)量大，空氣干燥，光熱資源豐富，根據(jù)紅棗的生物學(xué)特性，非常適合發(fā)展紅棗產(chǎn)業(yè)。近年來，隨著南疆紅棗種植面積不斷增加，病蟲害也逐年嚴(yán)重。南疆紅棗病蟲害除造成產(chǎn)量損失外，還造成紅棗內(nèi)在品質(zhì)的下降，甚至產(chǎn)生對人體有毒、有害的物質(zhì)，紅棗病蟲害的發(fā)生越來越成為制約南疆紅棗產(chǎn)業(yè)發(fā)展的主要因素。以南疆紅棗原始光譜、對數(shù)光譜、一階和二階微分光譜等光譜數(shù)據(jù)形式為研究對象，篩選對南疆紅棗病蟲害脅迫響應(yīng)敏感的光譜區(qū)域和波段。運(yùn)用主成分分析法和帶懲罰系數(shù)C的支持向量機(jī)技術(shù)，構(gòu)建南疆紅棗病蟲危害等級識別模型。

1材料與方法

1.1檢測的儀器設(shè)備

本次檢測使用的是美國ASD（Analytical Spectral Device）公司制造的便攜式Field Spec Pro FR 2500光譜輻射儀，測試的波段范圍為350～2 500 nm。當(dāng)采樣間隔為1.4 nm時，要求檢測的波段為350～1 000 nm，光譜分辨率為3 nm；當(dāng)采樣間隔為2 nm時，檢測的波段為1 000～2 500 nm，光譜分辨率為10 nm；模擬光源與光譜輻射儀配套的150 W鹵素?zé)簦筋^視場角25°。

1.2光譜采集方法

試驗前設(shè)計一個簡易南疆紅棗樣品高光譜批量快速采集遴選裝置（圖1），其中轉(zhuǎn)臺和光纖多角度調(diào)節(jié)架是測試裝置的主要部件。在轉(zhuǎn)臺的水平上呈圓形結(jié)構(gòu)上的星形虛線部位為添加紅棗的卡槽，方便對紅棗進(jìn)行固定；圖中的橢圓形陰影為待檢測的紅棗，三維光學(xué)調(diào)節(jié)臺采用的光纖調(diào)節(jié)支架，能夠根據(jù)需要改變二者之間的距離與測試的角度。光源發(fā)射光照射在紅棗后，紅棗吸收部分光線，會在紅棗的內(nèi)部發(fā)生漫反射出的光線。根據(jù)測試需要，可以調(diào)節(jié)光纖支架的測量距離和角度，調(diào)節(jié)反射光線的角度，并將反射光線漫反射至光纖接收并將其輸送至光譜輻射儀，也有利于減少紅棗皮或棗核對反射光線的影響，方便光譜輻射儀進(jìn)行分析。在檢測過程中，通過緩慢移動改變光纖支架的距離和角度來獲取不同狀態(tài)的測量光譜信息，根據(jù)光譜的變化情況來分析紅棗內(nèi)部的變化情況，通常采用選取樣品的漫反射或漫透射光譜平均值作為測量結(jié)果。

采用批量采集檢測裝置和便攜式光譜輻射儀聯(lián)合測試，通過對紅棗進(jìn)行旋轉(zhuǎn)，方便對紅棗病蟲害開展具體實施的操作分析[1]。其中z軸表示紅棗的吸光度，x軸為光譜的波數(shù)，y軸為檢測的時間。隨著時間變化，對紅棗的檢測光譜進(jìn)行分析，形成測試紅棗不同部位的三維光譜圖。發(fā)生不同病蟲害的紅棗由于結(jié)構(gòu)發(fā)生變化，吸收光線的能力不一樣，這樣就形成兩側(cè)的糖度和內(nèi)部結(jié)構(gòu)有明顯不同。由于紅棗直徑一般約2～3 cm，整體的結(jié)構(gòu)差異較小，糖度差異較小，在測試時，做3次掃描糖度，就能夠滿足測試的要求。

1.3吸收光譜特征的提取

棗銹病、棗瘋病、黑斑病、縮果病危害等級不同的南疆紅棗，其內(nèi)在品質(zhì)的各成分含量和吸收光譜有所不同，根據(jù)發(fā)生病蟲害的紅棗對光譜的吸收，可以確定紅棗光譜的化學(xué)成分，能夠有效確定病蟲害的類型。通過吸收光譜的吸收深度和吸收面積，可以有效分析病蟲害的主要特征。采用包絡(luò)線消除法對獲取的光譜數(shù)據(jù)進(jìn)行處理，能夠有效壓抑背景光譜，提高吸收光譜的特征，便于進(jìn)行詳細(xì)的分析。在光譜提取前，要求對光譜的吸收數(shù)據(jù)進(jìn)行歸一化處理，提高數(shù)據(jù)的分析精度，采用光譜波長為480、560、760、850、1 250、1 450 nm，圖2為發(fā)生黑斑病的紅棗的光譜反射率信號并通過數(shù)據(jù)歸一化處理后的光譜反射數(shù)據(jù)圖。

圖2中紅棗樣品的光譜反射率曲線由離散樣點組成，形成一個連續(xù)、完整的曲線，獲得近似表示樣本反射率包絡(luò)線，通過曲線可以分析紅棗的黑斑病情況。由于采用相同的光譜波段值，所得的分析結(jié)果即為該波段去包絡(luò)化后的歸一化光譜值，其值為[0，1]，即為紅棗黑斑病的特征離散曲線。根據(jù)歸一化光譜值計算方式和處理方法，確定紅棗的吸收深度（Depth）和病蟲害紅棗光譜吸收面積（Area）之間的關(guān)系，相應(yīng)的計算公式為：[2]

Depth=1-min（Rc）Iλ2λ1（1）

其中：Rc為歸一化光譜曲線值，λ1、λ2為吸收光譜特征的波段范圍，Area為光譜吸收峰到包絡(luò)線之間的積分面積。通過Area可以分析紅棗黑斑病發(fā)生的程度，即輕度、中度、重度、特重度，表1為波段在660 nm附近的紅棗光譜的吸收深度、吸收面積。

黑斑病紅棗的光譜吸收深度（Dept）和吸收面積（Area）

樣本數(shù)輕度中度重度特重度DepthAreaDepthAreaDepthAreaDepthArea10.52159.150.57173.660.66196.890.74226.3520.53162.150.57173.450.66205.010.75227.75290.52158.640.64193.890.67202.280.74225.42300.52158.630.64193.880.67202.290.74226.85

1.4紅邊光譜特征值的提取

發(fā)生病害紅棗的紅邊光譜特征參數(shù)[紅邊位置Rep和紅谷位置Lo]代表紅棗的葉綠素含量。其中紅邊光譜特征參數(shù)測試采用光譜微分技術(shù)，通過吸收光譜可以進(jìn)行紅邊光譜特征值的提取，便于對發(fā)生不同程度病害紅棗的區(qū)別。對輕度、中度、重度、特重度4個不同級別的黑斑病紅棗在光譜波長480～760 nm進(jìn)行光譜測試，表2為在光譜反射率取值達(dá)到最大時，紅邊位置（Rep）波段和紅谷位置（Lo）的波段。

黑斑病紅棗的紅邊位置（Rep）和紅谷位置（Rep）光譜

樣本數(shù)輕度中度重度特重度RepLoRepLoRepLoRepLo170175270175269875270175127027556997536977527017522969975569975269775269975130698754699752698751701751

1.5紅棗指數(shù)的提取

由于紅棗指數(shù)是由紅棗在光譜吸收、反射與背景之間的關(guān)系決定，通常由多種指標(biāo)構(gòu)成。通過分析輕度、中度、重度、特重度4個不同級別黑斑病紅棗，在光譜波長460～2 260 nm范圍內(nèi)獲得的光譜數(shù)據(jù)，發(fā)現(xiàn)紅棗的紅邊波長集中在680 nm波段范圍，利用式NDVI_m=|Rl-Rm|Rl+Rm（式中l(wèi)表示固定的紅邊波長，m表示檢測紅棗的紅邊波段，Rl表示紅棗固定光譜反射率值，Rm表示相應(yīng)的紅棗光譜反射率值） 進(jìn)行歸一化處理，得到的相關(guān)數(shù)據(jù)見表3。

歸一化紅棗光譜指數(shù)值

等級數(shù)據(jù)黑斑病紅棗樣品數(shù)12…2930輕度NDVI-10.048 820.044 49…0.052 050.052 07NDVI-20.667 510.650 14…0.653 450.653 46 NDVI-60.013 220.012 26…0.014 010.014 04中度NDVI-10.051 770.048 21…0.056 960.056 97NDVI-20.630 880.667 29…0.668 180.668 19 NDVI-60.011 110.011 42…0.011 850.011 88重度NDVI-10.745 380.733 03…0.761 050.761 06NDVI-20.058 270.046 78…0.051 140.051 15 NDVI-60.010 770.008 92…0.009 330.009 33特重度NDVI-10.745 390.733 04…0.761 060.761 06NDVI-20.058 270.045 77…0.051 170.051 16 NDVI-60.010 780.00 891…0.009 350.009 36注：NDVI-1至NDVI-6入選波長分別是460、550、680、730、1 200、1 860 nm。

2結(jié)果與分析

2.1發(fā)生病蟲害紅棗的光譜主成分及等級識別相關(guān)度分析

在保證紅棗的光譜信息的前提下，對光譜的相關(guān)信息進(jìn)行主成分分析，解決分析過程中出現(xiàn)的高光譜波段過多、譜帶重疊的問題[3-5]。利用波段選擇法確定主要成分的波段，結(jié)合PCA的波段選擇算法為等級識別提供變量因子，其中表4和表5分別表示基于PCA黑斑病紅棗一階和二階微分光譜的前10個主成分解釋的變異百分比。在確定主成分后，并進(jìn)行分類處理，保證原始圖像的相關(guān)信息沒有任何改變。表4發(fā)生病害紅棗一階微分光譜的前10個主成分所占比重（%）

主成分棗銹病紅棗棗瘋病紅棗縮果病紅棗黑斑病紅棗460～850 nm851～1 450 nm460～850 nm851～1 450 nm460～850 nm851～1 450 nm460～850 nm851～1 450 nmPC180.41356.28647.16843.28961.01652.65991.59147.202PC27.03818.41237.31226.57120.41312.4623.39129.491PC33.0799.3494.28814.0563.819.7511.01113.431PC42.1325.2492.8295.7562.9813.0280.7526.251PC51.8953.7212.0534.0221.7762.1280.7381.648PC61.0682.1590.8912.1861.1421.8830.4850.785PC70.8131.5380.6010.9050.8421.6990.3860.461PC80.4060.4980.5010.4810.7291.6350.3450.279PC90.3610.3980.4130.4490.6481.2770.2530.101PC100.2990.2890.3570.3680.5561.2460.1760.082總和97.50497.89996.41398.08393.91387.76899.12899.731

發(fā)生病害紅棗二階微分光譜的前10個主成分所占比重（%）

主成分棗銹病紅棗棗瘋病紅棗縮果病紅棗黑斑病紅棗460～850 nm851～1 450 nm460～850 nm851～1 450 nm460～850 nm851～1 450 nm460～850 nm851～1 450 nmPC147.11251.93928.50843.78745.07274.33466.77160.159PC211.88325.40218.88927.04214.12818.3596.38122.374PC310.1216.4786.2918.6917.0382.7225.0726.324PC47.0725.9294.5034.5194.4811.1684.0963.437PC54.6682.5164.0462.7083.7410.3883.2562.501PC62.6761.4013.4142.1491.8350.3482.7211.742PC72.1481.2693.0911.7791.6780.3032.0830.962PC81.9681.0582.8461.4151.4970.2531.7160.697PC91.4290.5882.5071.1751.3510.2381.4480.407PC101.2680.5592.2571.0191.2120.1981.2790.352總和90.34597.13976.35294.28482.03398.31194.82398.955

2.1.1光譜特征參數(shù)與發(fā)生病害紅棗危害等級識別相關(guān)度分析采用線性和多項式擬合相結(jié)合的方法進(jìn)行光譜特征參數(shù)與不同等級病害紅棗相關(guān)性分析，確定模型構(gòu)建參數(shù)[4]。光譜特征參數(shù)與不同等級病害紅棗相關(guān)性見表6。

光譜特征參數(shù)與紅棗病蟲等級的相關(guān)性

特征參數(shù)線性擬合多項式擬合相關(guān)系數(shù)誤差相關(guān)系數(shù)誤差Rep0.924 80.2910.913 80.245Lo0.721 10.5730.569 60.545Depth0.789 80.5050.802 70.374Area0.700 60.5020.808 90.371NDVI-10.431 50.7830.238 60.779NDVI-20.679 80.5810.633 50.583NDVI-30.763 50.5150.948 80.198NDVI-40.699 80.5390.616 60.535NDVI-50.158 10.8330.061 50.823NDVI-60.347 80.7980.098 80.779

2.1.2基于重采樣光譜PCA-RBFN不同病害等級的識別分析在對紅棗的原始光譜進(jìn)行合適的重新采樣后，仍有196個波段，如果采用全部數(shù)據(jù)輸入徑向基網(wǎng)絡(luò)RBFN（radial basis function neural network），數(shù)據(jù)的計算量十分龐大。圖3為經(jīng)過光譜儀進(jìn)行重采樣光譜的第一主成分（PC1）在檢測的波段范圍內(nèi)的載荷圖。PC1與波長738～1 299 nm的光反射值具有負(fù)向比例的關(guān)系，在可見光（<713 nm）和短波紅外（>1 343 nm）波段范圍內(nèi)的相關(guān)性較弱。但是，當(dāng)Spread為0.000 5時，光譜儀測試結(jié)果的RMSE為65.1%，對紅棗檢測的觀測值和模擬值的相關(guān)系數(shù)為0.141。這說明，經(jīng)過重采樣光譜進(jìn)行壓縮處理后，對紅棗病蟲害的等級識別，還不能滿足檢測的要求。

2.2南疆紅棗病蟲危害等級識別模型

2.2.1模型構(gòu)建設(shè)X為模型的判斷輸入空間，X={xi}∈Rn，Rn為n維數(shù)據(jù)特征空間值，Y為模型的輸出域，矩陣的判斷主要由2類點組成數(shù)據(jù)方陣，Y={-1，+1}。對于n維數(shù)據(jù)特征樣本值組成的樣本集合S=[（x1，y1），…，（xn，yn）]（X×Yn），構(gòu)建一個分析病蟲害的數(shù)據(jù)目標(biāo)函數(shù)，將非線性不可分的輸入空間映射到高維空間，通過形成的數(shù)據(jù)映像，可以有效地形成一個數(shù)據(jù)平面，使得訓(xùn)練集中的點距離滿足線性要求，經(jīng)過歸一化后，對于紅棗光譜2類線性不可分?jǐn)?shù)據(jù)樣本集（xn，yn）的分類超平臺應(yīng)滿足：

yi（<ω·xi>+b）-1+ζi≥0（3）

相應(yīng)的數(shù)據(jù)處理，就轉(zhuǎn)化為分類數(shù)據(jù)的間隔1/‖ω‖最大值等價于‖ω‖2最小，紅棗優(yōu)化平面的數(shù)據(jù)問題可以轉(zhuǎn)化為約束優(yōu)化問題[6]：

φ（ω，b，λ）=12‖ω‖2+C∑ni=1ζi-∑ni，j=1λiλj{yiyj[K（xi，xj）+b]-1}（4）

最終求出最優(yōu)解為：

ω=∑ni=1λiyixi，b=1-ωxs（5）

其中：φ代表Lagrange的函數(shù)值，病蟲害的識別模型轉(zhuǎn)變?yōu)閷Ζ睾蚥求φ函數(shù)的極小值和特征差異值。公式（5）代表垂直于紅棗分類超平面的法向量，代表數(shù)據(jù)的分類閾值，為病蟲害光譜值有效范圍，采用相應(yīng)的計算公式可以求得；xi為紅棗病蟲害識別模型的輸入向量；C為懲罰系數(shù)；ζi為函數(shù)的松弛因子。

從表6中看出光譜特征參數(shù)Rep、Lo、Eepth、NDVI-2、NDVI-4 和紅棗病蟲害等級線性相關(guān)，Area、NDVI-3和紅棗病蟲害等級呈明顯多項式，而NDVI-1、NDVI-5、NDVI-6和紅棗病蟲害等級相關(guān)性較小，因此，能夠確定輸入向量Rep、Lo、Depth、Area、NDVI-2、NDVI-3、NDVI-4。測試結(jié)果表明，采用不同核函數(shù) 將獲得不同的分類結(jié)果。根據(jù)紅棗病蟲害等級和光譜特征參數(shù)，確定采用徑向基函數(shù)（RBF）形式的核函數(shù)，其表達(dá)式為：

K（xi，xj）=exp{-γ‖xi-xj‖2}（6）

γ為核參數(shù)，構(gòu)建南疆紅棗病蟲害等級識別支持向量機(jī)模型為圖4。

2.2.2核參數(shù)及懲罰系數(shù)和分類函數(shù)的確定為獲得較高識別精度，需要對核參數(shù)γ和懲罰系數(shù)C進(jìn)行測試與分析[7]。其中γ和C取值范圍為[2-12，212]。根據(jù)表7中的數(shù)據(jù)，可以區(qū)分南疆紅棗病蟲害等級的支持向量，以及紅棗病蟲害識別模型的的重要影響參數(shù)：核參數(shù)（γ）和懲罰系數(shù)（C）。通過計算，取得它們最佳值分別為C=210，γ=2-8。將核參數(shù)（γ）代入式（6），得到核函數(shù)K（xi，xj），將C和K（xi，xj）代入式（7），通過迭代計算，計算出南疆紅棗病蟲害等級分類超平面的垂直法向量ω和分類閾值b。

ω=-2.081 8

2.569 8，b=-0.280 6

-0.113 5

由此，得到分類函數(shù)為：

y=ωx+b=-2.081 8

2.569 8x+-0.280 6

-0.113 5（7）

不同核參數(shù)和懲罰系數(shù)判定準(zhǔn)確率

C不同γ下的判定準(zhǔn)確率（%）2624222-12-22-42-62-8212878787879197988721089898989919699892888888888889696882683838383838895832472727272727284722262626262626272622-241414141414154412-438383838383843382-63737373737374037

模型對南疆紅棗病蟲害等級識別正確率為98.8%，結(jié)果如表8所示。

樣本識別結(jié)果

級別樣本數(shù)

（個）識別結(jié)果（個）C1C2C3識別正確率

（%）C11201200098.8C212001200C312004116

3結(jié)論

采用高光譜技術(shù)在460～2 260 nm波長對南疆紅棗的吸收光譜的相關(guān)參數(shù)及光譜特性參數(shù)進(jìn)行提取，并計算輕度、中度、重度、特重度4個不同級別黑斑病紅棗光譜特征參數(shù)與紅棗病蟲害等級識別的相關(guān)度。通過測試和模型識別計算，本研究結(jié)果表明，運(yùn)用主成分分析法和帶懲罰系數(shù)及核參數(shù)的支持向量機(jī)技術(shù)，構(gòu)建的模型能夠?qū)崿F(xiàn)南疆紅棗病蟲害等級識別，識別正確率為98.8%，實現(xiàn)了對南疆紅棗病蟲害進(jìn)行精確的等級識別。

參考文獻(xiàn)：

[1]羅華平，盧啟鵬，丁海泉，等. 南疆紅棗品質(zhì)近紅外光譜在線模型參數(shù)的實驗研究[J]. 光譜學(xué)與光譜分析，2012，32（5）：1225-1229.

[2]陳兵，李少昆，王克如，等. 病害脅迫下棉花葉片色素含量高光譜遙感估測研究[J]. 光譜學(xué)與光譜分析，2010，30（2）：421-425.

[3]劉占宇，祝增榮，趙敏，等. 基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)的稻穗健康狀態(tài)的高光譜識別[J]. 浙江農(nóng)業(yè)學(xué)報，2011，23（3）：607-616.

[4]周鵬，張小剛，徐彪，等. 基于高光譜的南疆紅棗病蟲害特征譜段選擇模式[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（4）：108-111.

[5]何勇，李曉麗，邵詠妮. 基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學(xué)與光譜分析，2006，26（5）：850-853.

[6]王秀珍，黃敬峰，李云梅，等. 水稻葉面積指數(shù)的高光譜遙感估算模型[J]. 遙感學(xué)報，2004，8（1）：81-88.

[7]高洪智，盧啟鵬，丁海泉. 近紅外無創(chuàng)生化檢測中不同光程的光譜校正模型研究[J]. 光譜學(xué)與光譜分析，2012，32（5）：1423-1426.葉小嶺，趙二擺，朱春陽. 基于Android智能手機(jī)的戶用沼氣池管理系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（6）：358-360.

2.1.1光譜特征參數(shù)與發(fā)生病害紅棗危害等級識別相關(guān)度分析采用線性和多項式擬合相結(jié)合的方法進(jìn)行光譜特征參數(shù)與不同等級病害紅棗相關(guān)性分析，確定模型構(gòu)建參數(shù)[4]。光譜特征參數(shù)與不同等級病害紅棗相關(guān)性見表6。

光譜特征參數(shù)與紅棗病蟲等級的相關(guān)性

特征參數(shù)線性擬合多項式擬合相關(guān)系數(shù)誤差相關(guān)系數(shù)誤差Rep0.924 80.2910.913 80.245Lo0.721 10.5730.569 60.545Depth0.789 80.5050.802 70.374Area0.700 60.5020.808 90.371NDVI-10.431 50.7830.238 60.779NDVI-20.679 80.5810.633 50.583NDVI-30.763 50.5150.948 80.198NDVI-40.699 80.5390.616 60.535NDVI-50.158 10.8330.061 50.823NDVI-60.347 80.7980.098 80.779

2.1.2基于重采樣光譜PCA-RBFN不同病害等級的識別分析在對紅棗的原始光譜進(jìn)行合適的重新采樣后，仍有196個波段，如果采用全部數(shù)據(jù)輸入徑向基網(wǎng)絡(luò)RBFN（radial basis function neural network），數(shù)據(jù)的計算量十分龐大。圖3為經(jīng)過光譜儀進(jìn)行重采樣光譜的第一主成分（PC1）在檢測的波段范圍內(nèi)的載荷圖。PC1與波長738～1 299 nm的光反射值具有負(fù)向比例的關(guān)系，在可見光（<713 nm）和短波紅外（>1 343 nm）波段范圍內(nèi)的相關(guān)性較弱。但是，當(dāng)Spread為0.000 5時，光譜儀測試結(jié)果的RMSE為65.1%，對紅棗檢測的觀測值和模擬值的相關(guān)系數(shù)為0.141。這說明，經(jīng)過重采樣光譜進(jìn)行壓縮處理后，對紅棗病蟲害的等級識別，還不能滿足檢測的要求。

2.2南疆紅棗病蟲危害等級識別模型

2.2.1模型構(gòu)建設(shè)X為模型的判斷輸入空間，X={xi}∈Rn，Rn為n維數(shù)據(jù)特征空間值，Y為模型的輸出域，矩陣的判斷主要由2類點組成數(shù)據(jù)方陣，Y={-1，+1}。對于n維數(shù)據(jù)特征樣本值組成的樣本集合S=[（x1，y1），…，（xn，yn）]（X×Yn），構(gòu)建一個分析病蟲害的數(shù)據(jù)目標(biāo)函數(shù)，將非線性不可分的輸入空間映射到高維空間，通過形成的數(shù)據(jù)映像，可以有效地形成一個數(shù)據(jù)平面，使得訓(xùn)練集中的點距離滿足線性要求，經(jīng)過歸一化后，對于紅棗光譜2類線性不可分?jǐn)?shù)據(jù)樣本集（xn，yn）的分類超平臺應(yīng)滿足：

yi（<ω·xi>+b）-1+ζi≥0（3）

相應(yīng)的數(shù)據(jù)處理，就轉(zhuǎn)化為分類數(shù)據(jù)的間隔1/‖ω‖最大值等價于‖ω‖2最小，紅棗優(yōu)化平面的數(shù)據(jù)問題可以轉(zhuǎn)化為約束優(yōu)化問題[6]：

φ（ω，b，λ）=12‖ω‖2+C∑ni=1ζi-∑ni，j=1λiλj{yiyj[K（xi，xj）+b]-1}（4）

最終求出最優(yōu)解為：

ω=∑ni=1λiyixi，b=1-ωxs（5）

其中：φ代表Lagrange的函數(shù)值，病蟲害的識別模型轉(zhuǎn)變?yōu)閷Ζ睾蚥求φ函數(shù)的極小值和特征差異值。公式（5）代表垂直于紅棗分類超平面的法向量，代表數(shù)據(jù)的分類閾值，為病蟲害光譜值有效范圍，采用相應(yīng)的計算公式可以求得；xi為紅棗病蟲害識別模型的輸入向量；C為懲罰系數(shù)；ζi為函數(shù)的松弛因子。

從表6中看出光譜特征參數(shù)Rep、Lo、Eepth、NDVI-2、NDVI-4 和紅棗病蟲害等級線性相關(guān)，Area、NDVI-3和紅棗病蟲害等級呈明顯多項式，而NDVI-1、NDVI-5、NDVI-6和紅棗病蟲害等級相關(guān)性較小，因此，能夠確定輸入向量Rep、Lo、Depth、Area、NDVI-2、NDVI-3、NDVI-4。測試結(jié)果表明，采用不同核函數(shù) 將獲得不同的分類結(jié)果。根據(jù)紅棗病蟲害等級和光譜特征參數(shù)，確定采用徑向基函數(shù)（RBF）形式的核函數(shù)，其表達(dá)式為：

K（xi，xj）=exp{-γ‖xi-xj‖2}（6）

γ為核參數(shù)，構(gòu)建南疆紅棗病蟲害等級識別支持向量機(jī)模型為圖4。

2.2.2核參數(shù)及懲罰系數(shù)和分類函數(shù)的確定為獲得較高識別精度，需要對核參數(shù)γ和懲罰系數(shù)C進(jìn)行測試與分析[7]。其中γ和C取值范圍為[2-12，212]。根據(jù)表7中的數(shù)據(jù)，可以區(qū)分南疆紅棗病蟲害等級的支持向量，以及紅棗病蟲害識別模型的的重要影響參數(shù)：核參數(shù)（γ）和懲罰系數(shù)（C）。通過計算，取得它們最佳值分別為C=210，γ=2-8。將核參數(shù)（γ）代入式（6），得到核函數(shù)K（xi，xj），將C和K（xi，xj）代入式（7），通過迭代計算，計算出南疆紅棗病蟲害等級分類超平面的垂直法向量ω和分類閾值b。

ω=-2.081 8

2.569 8，b=-0.280 6

-0.113 5

由此，得到分類函數(shù)為：

y=ωx+b=-2.081 8

2.569 8x+-0.280 6

-0.113 5（7）

不同核參數(shù)和懲罰系數(shù)判定準(zhǔn)確率

C不同γ下的判定準(zhǔn)確率（%）2624222-12-22-42-62-8212878787879197988721089898989919699892888888888889696882683838383838895832472727272727284722262626262626272622-241414141414154412-438383838383843382-63737373737374037

模型對南疆紅棗病蟲害等級識別正確率為98.8%，結(jié)果如表8所示。

樣本識別結(jié)果

級別樣本數(shù)

（個）識別結(jié)果（個）C1C2C3識別正確率

（%）C11201200098.8C212001200C312004116

3結(jié)論

采用高光譜技術(shù)在460～2 260 nm波長對南疆紅棗的吸收光譜的相關(guān)參數(shù)及光譜特性參數(shù)進(jìn)行提取，并計算輕度、中度、重度、特重度4個不同級別黑斑病紅棗光譜特征參數(shù)與紅棗病蟲害等級識別的相關(guān)度。通過測試和模型識別計算，本研究結(jié)果表明，運(yùn)用主成分分析法和帶懲罰系數(shù)及核參數(shù)的支持向量機(jī)技術(shù)，構(gòu)建的模型能夠?qū)崿F(xiàn)南疆紅棗病蟲害等級識別，識別正確率為98.8%，實現(xiàn)了對南疆紅棗病蟲害進(jìn)行精確的等級識別。

參考文獻(xiàn)：

[1]羅華平，盧啟鵬，丁海泉，等. 南疆紅棗品質(zhì)近紅外光譜在線模型參數(shù)的實驗研究[J]. 光譜學(xué)與光譜分析，2012，32（5）：1225-1229.

[2]陳兵，李少昆，王克如，等. 病害脅迫下棉花葉片色素含量高光譜遙感估測研究[J]. 光譜學(xué)與光譜分析，2010，30（2）：421-425.

[3]劉占宇，祝增榮，趙敏，等. 基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)的稻穗健康狀態(tài)的高光譜識別[J]. 浙江農(nóng)業(yè)學(xué)報，2011，23（3）：607-616.

[4]周鵬，張小剛，徐彪，等. 基于高光譜的南疆紅棗病蟲害特征譜段選擇模式[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（4）：108-111.

[5]何勇，李曉麗，邵詠妮. 基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學(xué)與光譜分析，2006，26（5）：850-853.

[6]王秀珍，黃敬峰，李云梅，等. 水稻葉面積指數(shù)的高光譜遙感估算模型[J]. 遙感學(xué)報，2004，8（1）：81-88.

[7]高洪智，盧啟鵬，丁海泉. 近紅外無創(chuàng)生化檢測中不同光程的光譜校正模型研究[J]. 光譜學(xué)與光譜分析，2012，32（5）：1423-1426.葉小嶺，趙二擺，朱春陽. 基于Android智能手機(jī)的戶用沼氣池管理系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（6）：358-360.

2.1.1光譜特征參數(shù)與發(fā)生病害紅棗危害等級識別相關(guān)度分析采用線性和多項式擬合相結(jié)合的方法進(jìn)行光譜特征參數(shù)與不同等級病害紅棗相關(guān)性分析，確定模型構(gòu)建參數(shù)[4]。光譜特征參數(shù)與不同等級病害紅棗相關(guān)性見表6。

光譜特征參數(shù)與紅棗病蟲等級的相關(guān)性

特征參數(shù)線性擬合多項式擬合相關(guān)系數(shù)誤差相關(guān)系數(shù)誤差Rep0.924 80.2910.913 80.245Lo0.721 10.5730.569 60.545Depth0.789 80.5050.802 70.374Area0.700 60.5020.808 90.371NDVI-10.431 50.7830.238 60.779NDVI-20.679 80.5810.633 50.583NDVI-30.763 50.5150.948 80.198NDVI-40.699 80.5390.616 60.535NDVI-50.158 10.8330.061 50.823NDVI-60.347 80.7980.098 80.779

2.1.2基于重采樣光譜PCA-RBFN不同病害等級的識別分析在對紅棗的原始光譜進(jìn)行合適的重新采樣后，仍有196個波段，如果采用全部數(shù)據(jù)輸入徑向基網(wǎng)絡(luò)RBFN（radial basis function neural network），數(shù)據(jù)的計算量十分龐大。圖3為經(jīng)過光譜儀進(jìn)行重采樣光譜的第一主成分（PC1）在檢測的波段范圍內(nèi)的載荷圖。PC1與波長738～1 299 nm的光反射值具有負(fù)向比例的關(guān)系，在可見光（<713 nm）和短波紅外（>1 343 nm）波段范圍內(nèi)的相關(guān)性較弱。但是，當(dāng)Spread為0.000 5時，光譜儀測試結(jié)果的RMSE為65.1%，對紅棗檢測的觀測值和模擬值的相關(guān)系數(shù)為0.141。這說明，經(jīng)過重采樣光譜進(jìn)行壓縮處理后，對紅棗病蟲害的等級識別，還不能滿足檢測的要求。

2.2南疆紅棗病蟲危害等級識別模型

2.2.1模型構(gòu)建設(shè)X為模型的判斷輸入空間，X={xi}∈Rn，Rn為n維數(shù)據(jù)特征空間值，Y為模型的輸出域，矩陣的判斷主要由2類點組成數(shù)據(jù)方陣，Y={-1，+1}。對于n維數(shù)據(jù)特征樣本值組成的樣本集合S=[（x1，y1），…，（xn，yn）]（X×Yn），構(gòu)建一個分析病蟲害的數(shù)據(jù)目標(biāo)函數(shù)，將非線性不可分的輸入空間映射到高維空間，通過形成的數(shù)據(jù)映像，可以有效地形成一個數(shù)據(jù)平面，使得訓(xùn)練集中的點距離滿足線性要求，經(jīng)過歸一化后，對于紅棗光譜2類線性不可分?jǐn)?shù)據(jù)樣本集（xn，yn）的分類超平臺應(yīng)滿足：

yi（<ω·xi>+b）-1+ζi≥0（3）

相應(yīng)的數(shù)據(jù)處理，就轉(zhuǎn)化為分類數(shù)據(jù)的間隔1/‖ω‖最大值等價于‖ω‖2最小，紅棗優(yōu)化平面的數(shù)據(jù)問題可以轉(zhuǎn)化為約束優(yōu)化問題[6]：

φ（ω，b，λ）=12‖ω‖2+C∑ni=1ζi-∑ni，j=1λiλj{yiyj[K（xi，xj）+b]-1}（4）

最終求出最優(yōu)解為：

ω=∑ni=1λiyixi，b=1-ωxs（5）

其中：φ代表Lagrange的函數(shù)值，病蟲害的識別模型轉(zhuǎn)變?yōu)閷Ζ睾蚥求φ函數(shù)的極小值和特征差異值。公式（5）代表垂直于紅棗分類超平面的法向量，代表數(shù)據(jù)的分類閾值，為病蟲害光譜值有效范圍，采用相應(yīng)的計算公式可以求得；xi為紅棗病蟲害識別模型的輸入向量；C為懲罰系數(shù)；ζi為函數(shù)的松弛因子。

從表6中看出光譜特征參數(shù)Rep、Lo、Eepth、NDVI-2、NDVI-4 和紅棗病蟲害等級線性相關(guān)，Area、NDVI-3和紅棗病蟲害等級呈明顯多項式，而NDVI-1、NDVI-5、NDVI-6和紅棗病蟲害等級相關(guān)性較小，因此，能夠確定輸入向量Rep、Lo、Depth、Area、NDVI-2、NDVI-3、NDVI-4。測試結(jié)果表明，采用不同核函數(shù) 將獲得不同的分類結(jié)果。根據(jù)紅棗病蟲害等級和光譜特征參數(shù)，確定采用徑向基函數(shù)（RBF）形式的核函數(shù)，其表達(dá)式為：

K（xi，xj）=exp{-γ‖xi-xj‖2}（6）

γ為核參數(shù)，構(gòu)建南疆紅棗病蟲害等級識別支持向量機(jī)模型為圖4。

2.2.2核參數(shù)及懲罰系數(shù)和分類函數(shù)的確定為獲得較高識別精度，需要對核參數(shù)γ和懲罰系數(shù)C進(jìn)行測試與分析[7]。其中γ和C取值范圍為[2-12，212]。根據(jù)表7中的數(shù)據(jù)，可以區(qū)分南疆紅棗病蟲害等級的支持向量，以及紅棗病蟲害識別模型的的重要影響參數(shù)：核參數(shù)（γ）和懲罰系數(shù)（C）。通過計算，取得它們最佳值分別為C=210，γ=2-8。將核參數(shù)（γ）代入式（6），得到核函數(shù)K（xi，xj），將C和K（xi，xj）代入式（7），通過迭代計算，計算出南疆紅棗病蟲害等級分類超平面的垂直法向量ω和分類閾值b。

ω=-2.081 8

2.569 8，b=-0.280 6

-0.113 5

由此，得到分類函數(shù)為：

y=ωx+b=-2.081 8

2.569 8x+-0.280 6

-0.113 5（7）

不同核參數(shù)和懲罰系數(shù)判定準(zhǔn)確率

C不同γ下的判定準(zhǔn)確率（%）2624222-12-22-42-62-8212878787879197988721089898989919699892888888888889696882683838383838895832472727272727284722262626262626272622-241414141414154412-438383838383843382-63737373737374037

模型對南疆紅棗病蟲害等級識別正確率為98.8%，結(jié)果如表8所示。

樣本識別結(jié)果

級別樣本數(shù)

（個）識別結(jié)果（個）C1C2C3識別正確率

（%）C11201200098.8C212001200C312004116

3結(jié)論

采用高光譜技術(shù)在460～2 260 nm波長對南疆紅棗的吸收光譜的相關(guān)參數(shù)及光譜特性參數(shù)進(jìn)行提取，并計算輕度、中度、重度、特重度4個不同級別黑斑病紅棗光譜特征參數(shù)與紅棗病蟲害等級識別的相關(guān)度。通過測試和模型識別計算，本研究結(jié)果表明，運(yùn)用主成分分析法和帶懲罰系數(shù)及核參數(shù)的支持向量機(jī)技術(shù)，構(gòu)建的模型能夠?qū)崿F(xiàn)南疆紅棗病蟲害等級識別，識別正確率為98.8%，實現(xiàn)了對南疆紅棗病蟲害進(jìn)行精確的等級識別。

參考文獻(xiàn)：

[1]羅華平，盧啟鵬，丁海泉，等. 南疆紅棗品質(zhì)近紅外光譜在線模型參數(shù)的實驗研究[J]. 光譜學(xué)與光譜分析，2012，32（5）：1225-1229.

[2]陳兵，李少昆，王克如，等. 病害脅迫下棉花葉片色素含量高光譜遙感估測研究[J]. 光譜學(xué)與光譜分析，2010，30（2）：421-425.

[3]劉占宇，祝增榮，趙敏，等. 基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)的稻穗健康狀態(tài)的高光譜識別[J]. 浙江農(nóng)業(yè)學(xué)報，2011，23（3）：607-616.

[4]周鵬，張小剛，徐彪，等. 基于高光譜的南疆紅棗病蟲害特征譜段選擇模式[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（4）：108-111.

[5]何勇，李曉麗，邵詠妮. 基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學(xué)與光譜分析，2006，26（5）：850-853.

[6]王秀珍，黃敬峰，李云梅，等. 水稻葉面積指數(shù)的高光譜遙感估算模型[J]. 遙感學(xué)報，2004，8（1）：81-88.

[7]高洪智，盧啟鵬，丁海泉. 近紅外無創(chuàng)生化檢測中不同光程的光譜校正模型研究[J]. 光譜學(xué)與光譜分析，2012，32（5）：1423-1426.葉小嶺，趙二擺，朱春陽. 基于Android智能手機(jī)的戶用沼氣池管理系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（6）：358-360.