喬紅波, 師 越, 司海平, 吳 旭,郭 偉, 時(shí) 雷, 馬新明, 周益林
(1.河南糧食作物協(xié)同創(chuàng)新中心,河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院,鄭州 450002; 2.植物病蟲害生物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100193)
基于無人機(jī)數(shù)字圖像與高光譜數(shù)據(jù)融合的小麥全蝕病等級(jí)的快速分類技術(shù)
喬紅波1,2*, 師 越1, 司海平1, 吳 旭1,郭 偉1, 時(shí) 雷1, 馬新明1, 周益林2
(1.河南糧食作物協(xié)同創(chuàng)新中心,河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院,鄭州 450002; 2.植物病蟲害生物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100193)
小麥全蝕病是檢疫性的土傳病害,對(duì)小麥生產(chǎn)危害極大,對(duì)其發(fā)生的監(jiān)測(cè)是治理的根本。遙感技術(shù)可實(shí)時(shí)、宏觀地監(jiān)測(cè)病害發(fā)生發(fā)展,尤其是將光譜信息與高分辨率數(shù)字圖像進(jìn)行融合,可直觀、精準(zhǔn)地對(duì)病害識(shí)別和分類。本文基于計(jì)算機(jī)視覺技術(shù),通過光譜數(shù)據(jù)與高分辨率數(shù)字圖像結(jié)合的方法,對(duì)小麥全蝕病等級(jí)進(jìn)行快速分類。首先,通過ASD非成像光譜儀獲取小麥全蝕病的光譜信息,提取全蝕病特征光譜,建立光譜比。其次,利用無人機(jī)獲取的實(shí)時(shí)田間數(shù)碼圖像,對(duì)其顏色特征進(jìn)行重量化。最后,利用基于支持向量機(jī)的決策樹分類對(duì)圖像視場(chǎng)中的不同全蝕病等級(jí)進(jìn)行分類。結(jié)果表明,4個(gè)全蝕病等級(jí)的分類精度均大于86%(Kappa>0.81),平均運(yùn)算時(shí)間小于30 s。通過與實(shí)地調(diào)查的小麥全蝕病的白穗率等級(jí)做比對(duì),驗(yàn)證分類結(jié)果的準(zhǔn)確性,結(jié)果表明該方法基本可以實(shí)現(xiàn)對(duì)小麥全蝕病等級(jí)的實(shí)時(shí)監(jiān)測(cè)。
小麥全蝕病; 計(jì)算機(jī)視覺技術(shù); 快速多分類; 顏色模型; 支持向量機(jī)
基于顏色特征的圖像融合,強(qiáng)調(diào)光譜比和顏色特征之間的對(duì)應(yīng),并不突出像元的對(duì)應(yīng),在處理上避免了像元重采樣等方面的誤差。由于它強(qiáng)調(diào)對(duì)顏色特征和光譜比進(jìn)行關(guān)聯(lián)處理,把特征分為有意義的組合,因而它對(duì)特征屬性的判斷具有更高的可信度和準(zhǔn)確性,圍繞輔助決策的針對(duì)性更強(qiáng),且數(shù)據(jù)處理量大大減少,有利于實(shí)時(shí)處理[1011]。
本研究的目的是發(fā)展一種基于支持向量機(jī)分類樹的小麥全蝕病等級(jí)的快速分類技術(shù)。首先,利用非成像光譜儀(ASD Hand Held,ASD Inc,以下簡(jiǎn)稱ASD非成像光譜儀)獲取小麥全蝕病冠層的高光譜數(shù)據(jù),建立特征譜段的光譜比。其次,利用無人機(jī)設(shè)備獲取航拍數(shù)碼圖像,并建立基于HSV色彩空間的顏色特征模型。最后通過基于支持向量機(jī)的決策樹分類,實(shí)現(xiàn)對(duì)圖像中小麥全蝕病等級(jí)的快速分類。
1.1 試驗(yàn)設(shè)計(jì)
1.1.1 試驗(yàn)區(qū)域
試驗(yàn)于2013年4月到6月在河南省原陽(yáng)縣(114.09°N,35.14°E)進(jìn)行,供試小麥品種為‘鄭麥366’,2012年10月播種。利用12.5%硅噻菌胺懸浮劑3個(gè)濃度梯度(1∶250,1∶500,1∶1 000)拌種,每濃度3個(gè)重復(fù)。于收獲前2周測(cè)定其冠層的高光譜數(shù)據(jù)和航拍數(shù)碼圖像,并對(duì)試驗(yàn)區(qū)域進(jìn)行抽樣調(diào)查,每個(gè)點(diǎn)調(diào)查1 m2區(qū)域內(nèi)的小麥,記錄小麥全蝕病白穗率。試驗(yàn)期間,田間平均溫度為19.4℃。
1.1.2 冠層光譜測(cè)定和航空?qǐng)D像采集
本研究中所有數(shù)據(jù)均在無云的晴天進(jìn)行收集,采集時(shí)間在10:00到13:00之間,試驗(yàn)利用ASD非成像光譜儀獲取小麥全蝕病成像光譜數(shù)據(jù)。利用無人機(jī)進(jìn)行航空?qǐng)D像的拍攝。
ASD非成像光譜儀的光譜范圍為350~1 000 nm,視場(chǎng)角為25°,數(shù)據(jù)傳輸方式為USB 2.0,將采集到數(shù)據(jù)直接存儲(chǔ)在便攜式計(jì)算機(jī)中,并對(duì)遙感圖像中的機(jī)內(nèi)暗電流,零響應(yīng)偏移進(jìn)行校正[12]。在ENVI 5.0的環(huán)境下,采集的高光譜數(shù)據(jù)通過基于地面控制點(diǎn)(ground control point,GCP)的正射校正算法的有理多項(xiàng)式系數(shù)(rational polynomial coefficient,RPC)進(jìn)行幾何校正。通過暗像素法(dark object subtraction,DOS)進(jìn)行輻射校正,每個(gè)波段的閾值均設(shè)為1%。航拍設(shè)備包括一架配備數(shù)碼相機(jī)(Sony Nex-5)的小型無人機(jī)以及一個(gè)控制臺(tái)。圖像拍攝角度與地面垂直,高度100 m,圖片分辨率為4 912×2 760像素,儲(chǔ)存格式為TIFF(圖1)。
1.2 光譜可分性檢驗(yàn)與特征譜段比
1.2.1 特征光譜可分性檢驗(yàn)
光譜的可分性檢驗(yàn)用于檢驗(yàn)主成分特征波段的顯著性,光譜的可分性通過計(jì)算特征波段的反射率均值間的Jeffries-Matusita距離來判斷其可分性。Jeffries-Matusita距離的取值范圍為[0,2],本研究中設(shè)置閥值為1.85,即當(dāng)波段間的Jeffries-Matusita距離大于1.85的時(shí)候,即認(rèn)為兩個(gè)波段是可分的[13]。
1.2.2 特征波段比
正常小麥在510~580 nm的綠波段呈現(xiàn)反射峰,在630~690 nm的紅波段呈現(xiàn)吸收谷,這種“峰谷現(xiàn)象”是正常小麥光譜曲線的典型特征[14]。而小麥全蝕病的主要特征是出現(xiàn)“白穗”,通過小麥冠層的白穗率來衡量全蝕病等級(jí),其光譜的“峰谷現(xiàn)象”不再明顯[15-16]。
1.3 HSV顏色特征模型
1.3.1 顏色分量重量化
利用有效的數(shù)據(jù)標(biāo)簽來選取訓(xùn)練樣本可以有效地增加分類精度,減少訓(xùn)練時(shí)間。本研究利用16∶4∶4的量化方案(表1)對(duì)圖像的色調(diào)、飽和度和亮度(hue,saturation and value;HSV)進(jìn)行重量化,建立顏色特征模型[17]。量化后的顏色特征具有更高的檢索效率,并使圖像中的像素按其顏色特征進(jìn)行排列,從而建立有效的特征檢索標(biāo)簽。
圖1 試驗(yàn)區(qū)域示意圖以及航空拍攝圖像示例Fig.1 The aerial photo of the study areas in Yuanyang County,Henan,China
1.3.2 顏色特征索引的建立
對(duì)于圖像中的像素矩陣,利用公式(1)對(duì)量化后的HSV顏色分量進(jìn)行融合,得到顏色特征的第一個(gè)特征向量T1。再利用量化后的3個(gè)顏色分量的均值μH、μS、μV,方差σH、σS、σV,和三階矩mH、mS、mV,建立9個(gè)特征索引T2~T10
[17]。
式中,DH,DS,DV是色調(diào)(H)、飽和度(S)、亮度(V)量化后的值。QS和QV分別是飽和度和亮度的量化的等級(jí)數(shù)。
1.3.3 基于特征索引的顏色聚類
對(duì)于兩個(gè)像素矩陣A和B,Ti(A)和Ti(B)是其對(duì)應(yīng)的顏色特征索引。利用公式(2)可以求出第i個(gè)特征的相似性:
式中{A+B}是矩陣A和矩陣B中的不重復(fù)像素的總和。{|Ti(A)-Ti(B)|>α}表示矩陣A與B中對(duì)應(yīng)元素相減后其絕對(duì)值大于αi的元素個(gè)數(shù),這里αi為相似度的參數(shù)。
再利用公式(3)計(jì)算像素矩陣A和矩陣B的總相似度,從而確定兩個(gè)矩陣的顏色聚類。
這里T是顏色特征索引的個(gè)數(shù),本研究中T= 10。SIMI的范圍是[0,1]。SIMI越大相似性越強(qiáng)。
表1 HSV色彩空間的量化方案Table 1 Quantification scenario of HSV color space
1.4 支持向量機(jī)(SVM)與決策樹分類
1.4.1 支持向量機(jī)
本研究在Matlab 2013a的環(huán)境下,使用徑向基核函數(shù)(radial basis function,RBF)作為訓(xùn)練樣本xi,xj間支持向量分類機(jī)的核函數(shù),支持向量機(jī)采用風(fēng)險(xiǎn)最小化原理,在樣本誤差最小化的同時(shí)減小模型誤差的上界,避免了過學(xué)習(xí)現(xiàn)象[18]。通常,分類問題都是非線性的,而非線性問題可以通過變換轉(zhuǎn)化為高維空間的線性問題,在變換后的高維空間中求最優(yōu)解[19]。支持向量機(jī)通過核函數(shù)解決了問題從低維向高維影射的過程。公式4為RBF核函數(shù),其參數(shù)γ=0.004 59,懲罰系數(shù)為100:
1.4.2 決策樹分類
本研究將決策樹分類分為兩層。首先,將無人機(jī)獲取的圖像轉(zhuǎn)換為像素單元的矩陣,其次,利用綠、紅波段比對(duì)每個(gè)像素進(jìn)行預(yù)分類,最后,通過支持向量機(jī)對(duì)兩個(gè)子類進(jìn)行再分類(圖2)。在運(yùn)算過程中加入計(jì)時(shí)器,測(cè)量計(jì)算時(shí)間與訓(xùn)練樣本規(guī)模之間的關(guān)系。
1.4.3 分類精度
將分類結(jié)果與實(shí)地調(diào)查數(shù)據(jù)對(duì)比,得到分類精度的混淆矩陣(confusion matrix),并通過公式(5)計(jì)算其穩(wěn)定性指標(biāo)(Kappa值)[20]:
式中:r是混淆矩陣的總列數(shù);xii是混淆矩陣的第i行、第i列的像元數(shù)量;xixi是第i行和第i列總像元數(shù)量;N是整個(gè)圖像的總像元數(shù)量。
圖2 決策樹分類的流程圖Fig.2 Flow diagram of decision tree classification
2.1 光譜可分性檢驗(yàn)
光譜可分性分析對(duì)紅、綠、藍(lán)三個(gè)特征光譜的顯著性以及可分離的程度進(jìn)行對(duì)比(表2)。結(jié)果表明,在閥值=1.85的條件下,紅、綠波段間具有顯著的可分性(即Jeffries-Matusita距離均顯著的大于1.85),這表明紅、綠波段能夠反映不同小麥全蝕病等級(jí)的光譜特征。
表2 小麥全蝕病光譜的紅、綠、藍(lán)波段光譜可分性檢驗(yàn)Table 2 Spectral separability about the bands of red, greed and blue of wheat take-all
2.2 圖像重量化結(jié)果
應(yīng)用16∶4∶4重量化方案對(duì)無人機(jī)獲取的數(shù)字圖像進(jìn)行重量化,量化后各顏色的分布直方圖如圖3所示。從結(jié)果中可以看出,量化后的顏色明顯呈現(xiàn)出4個(gè)聚類特征,其DN值為19~25(白色),36~41(淡黃色),51~55(黃綠色),64~68(綠色)。
圖3 重量化后的顏色分布直方圖Fig.3 Histogram of the color features after quantization
2.3 分類結(jié)果及精度
利用ASD光譜數(shù)據(jù)建立波段比的參考值,并與田間調(diào)查的小麥全蝕病白穗率對(duì)比,結(jié)果表明,綠波段與紅波段比值大于或等于1時(shí),小麥白穗率在0~50%之間,小麥冠層顏色呈綠色或黃綠色;波段比小于1時(shí),白穗率在50%~100%之間,小麥冠層顏色呈淡黃色或白色。
為了便于計(jì)算機(jī)視覺識(shí)別,并提高數(shù)據(jù)處理速度,本研究輸出的分類圖像為灰度圖。利用4個(gè)灰度級(jí)來表示4個(gè)全蝕病的等級(jí)在決策樹分類的第一層中,利用波段比對(duì)各個(gè)圖像像素進(jìn)行預(yù)分類,分類結(jié)果如圖4a所示。在第二層決策中,在每一個(gè)顏色聚類中選擇1 000個(gè)像素點(diǎn)作為訓(xùn)練樣本,然后利用支持向量機(jī)進(jìn)行再分類,結(jié)果如圖4b所示,在視場(chǎng)內(nèi)的小麥田地中,正常小麥(白穗率為0~10%)占視場(chǎng)內(nèi)小麥的14.56%,不同白穗率的全蝕病小麥占85.44%,其中輕度發(fā)病的小麥(白穗率為10%~50%)廣泛分布在嚴(yán)重發(fā)病的小麥中間(白穗率為50%~90%),二者分別占29.53%和26.06%,死亡小麥(白穗率為90%~100%)在圖像中呈區(qū)域分布,占29.85%。
利用該分類算法在內(nèi)存為4 GB DDR3、CPU型號(hào)為intel core i7 860的微型計(jì)算機(jī)上,對(duì)所采集的15幅經(jīng)校正的航拍圖像進(jìn)行分類,經(jīng)過對(duì)不同訓(xùn)練樣本規(guī)模進(jìn)行對(duì)比評(píng)價(jià),發(fā)現(xiàn)訓(xùn)練樣本數(shù)量大于1 000像素的時(shí)候,分類精度高于85%,其最短計(jì)算時(shí)間為23.1 s,最長(zhǎng)計(jì)算時(shí)間為31 s,平均計(jì)算時(shí)間約為29 s。通過混淆矩陣及Kappa值來評(píng)價(jià)分類精度(表3),評(píng)價(jià)結(jié)果表明,所有類別的Kappa值均大于0.8,表明分類效果良好。健康小麥和死亡小麥的分類精度最低,其主要原因是健康小麥與輕度病害小麥、死亡小麥與嚴(yán)重病害小麥間的顏色特征差異不顯著,容易造成錯(cuò)分。
圖4 決策樹分類第一層(a)及第二層(b)結(jié)果Fig.4 Results of first(a)and second (b)stages of the decision tree
表3 決策樹分類的混淆矩陣及Kappa值Table 3 Confusion matrix and Kappa value of the decision tree
2.4 分類結(jié)果的驗(yàn)證
為了進(jìn)一步驗(yàn)證圖像的分類結(jié)果,利用田間抽樣調(diào)查的全蝕病等級(jí)數(shù)據(jù),與分類圖像對(duì)應(yīng)區(qū)域進(jìn)行對(duì)比。結(jié)果表明,田間小麥白穗率在10%以內(nèi),分類結(jié)果吻合,為健康;白穗率在10%~50%之間的為輕度全蝕病;其中2處試驗(yàn)小區(qū)調(diào)查的白穗率為66%和69%,其分類結(jié)果應(yīng)為嚴(yán)重,按照顏色模型的結(jié)果,其分類結(jié)果為死亡,因此,嚴(yán)重病害的小麥和死亡小麥間還存在一定的誤分。
本文通過ASD非成像光譜儀獲取高光譜數(shù)據(jù)進(jìn)行波段可分性分析,研究小麥全蝕病的綠、紅波段比特征,再利用航拍數(shù)碼圖像高分辨率的特性對(duì)圖像像素進(jìn)行快速的多分類。從獲取的數(shù)據(jù)看,ASD非成像光譜儀獲取的數(shù)據(jù)能更準(zhǔn)確地反映不同全蝕病小麥白穗率的光譜特征,原因是其擁有更高的波譜分辨率[21]。通過本研究可以證明光譜數(shù)據(jù)與高分辨率數(shù)字圖像進(jìn)行數(shù)據(jù)融合的可行性,利用該方法對(duì)不同小麥全蝕病的像元進(jìn)行訓(xùn)練和分類,可以大大減少計(jì)算量,提高分類速度。
遙感圖像數(shù)據(jù)融合是遙感對(duì)地監(jiān)測(cè)研究的熱點(diǎn),但以往的研究多偏向于不同遙感器的成像光譜數(shù)據(jù)之間的融合[22-23]。但由于儀器操作專業(yè)性強(qiáng)、計(jì)算周期長(zhǎng)、圖像分辨率有限(大于20 m),在我國(guó)小而分散的耕作模式下,尤其在中部平原地區(qū),很難將成像光譜設(shè)備直接利用于作物病害的監(jiān)測(cè)活動(dòng)中。本研究通過從光譜中提取特征波段的波段比,并作用于高分辨率的數(shù)碼圖像,對(duì)全蝕病發(fā)病區(qū)域不同田塊的發(fā)病程度進(jìn)行非監(jiān)督的快速多分類。在實(shí)際的小麥全蝕病病情的評(píng)估過程中,降低了對(duì)人為主觀經(jīng)驗(yàn)的要求,提高了病情的識(shí)別度和計(jì)算速度。
本文利用顏色模型對(duì)小麥全蝕病進(jìn)行分類與監(jiān)測(cè),主要得出如下結(jié)論:
1)通過對(duì)不同小麥全蝕病等級(jí)的波段提取,確定波段比閾值。并利用波段比進(jìn)行預(yù)分類,結(jié)果表明不同全蝕病等級(jí)的小麥波段比差異較顯著。
2)本研究采用支持向量機(jī)的算法,把顏色特征引入到訓(xùn)練樣本的提取及訓(xùn)練目標(biāo)的設(shè)計(jì)上。該算法一方面考慮分類目標(biāo)的特征差異,另一方面兼顧計(jì)算速度。與傳統(tǒng)監(jiān)督分類算法相比,該方法的分類精度大于86%,并大幅減少了監(jiān)督分類的時(shí)間,為病害的實(shí)時(shí)監(jiān)控提供指導(dǎo)。
[1] Cook R J.Take-all of wheat[J].Physiological and Molecular Plant Pathology,2003,62(2):73-86.
[2] Clapperton M J,Lee N O,Binet F,et al.Earthworms indirectly reduce the effects of take-all(Gaeumannomyces graminis var.tritici) on soft white spring wheat(Triticum aestivum cv.Fielder)[J]. Soil Biology and Biochemistry,2001,33(11):1531-1538.
[3] 孫海燕,李琦,杜文珍,等.不同殺菌劑拌種防治小麥全蝕病研究[J].植物保護(hù),2012,38(3):155-158.
[4] Graeff S,Link J,Claupein W.Identification of powdery mildew(Erysiphe graminis sp.tritici)and take-all(Gaeumannomyces graminis sp.tritici)disease in wheat(Triticum aestivum L.)by means of leaf reflectance measurements[J].Central European Journal of Biology,2006,1(2):275-288.
[5] 宋曉宇,王紀(jì)華,薛緒掌,等.利用航空成像光譜數(shù)據(jù)研究土壤供氮量及變量施肥對(duì)冬小麥長(zhǎng)勢(shì)影響[J].農(nóng)業(yè)工程學(xué)報(bào), 2004,20(4):45-49.
[6] Otazu X,González-Audicana M,Fors O,et al.Introduction of sensorspectral response into image fusion methods.Application to wavelet-based methods[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(10):2376-2385.
[7] 顧清,鄧勁松,陸超,等.基于光譜和形狀特征的水稻掃描葉片氮素營(yíng)養(yǎng)診斷[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(8):170-174.
[8] 李霖,佘夢(mèng)媛,羅恒.ZY-3衛(wèi)星全色與多光譜影像融合方法比較[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(16):157-165.
[9] Mirik A,Michels GJ,Kassymzhanova-Mirik S,et al.Using digital image analysis and spectral reflectance data to quantify damage by greenbug(Hemiptera:Aphididae)in winter wheat[J].Computers and Electronics in Agriculture,2006,51(1/2):86-98.
[10]Jin Xiaoying,Davis C H.An integrated system for automatic road mapping from high-resolution multi-spectral satellite imagery by information fusion[J].Information Fusion,2005,6(4):257-273.
[11]Xie Xing,Liu Mengliang,Wang Leiguang.A remote sensing image segmentation method based on spectral and texture information fusion[C]∥Proceedings of the 2009 Sixth International Conference on Information Technology:New Generations,USA:IEEEE,2009:22-27.
[12]Spank U,Bernhofer C.Another simple method of spectral correction to obtain robust eddy-covariance results[J].Boundary-Layer Meteorology,2008,128(3):403-422.
[13]Tolpekin V A,Stein A.Quantification of the effects of land-coverclass spectral separability on the accuracy of Markov-random-fieldbased superresolution mapping[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(9):3283-3297.
[14]鞠昌華,田永超,朱艷,等.小麥疊加葉片的葉綠素含量光譜反演研究[J].麥類作物學(xué)報(bào),2008,28(6):1068-1074.
[15]喬紅波,馬新明,程登發(fā),等.基于TM影像的小麥全蝕病危害信息提取[J].麥類作物學(xué)報(bào),2009,29(4):716-720.
[16]蔡健榮,王建黑,陳全勝,等.波段比算法結(jié)合高光譜圖像技術(shù)檢測(cè)柑橘果銹[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(1):127-131.
[17]冀亞麗,程小平,康海東,等.具有魯棒性的彩色圖像檢索方法[J].測(cè)繪學(xué)院學(xué)報(bào),2005,22(3):194-196.
[18]Liu Y,Zhang B,Wang L,et al.A self-trained semisupervised SVM approach to the remote sensing land cover classification [J].Computers and Geosciences,2013,59:98-107.
[19]Maulik U,Chakraborty D.A self-trained ensemble with semisupervised SVM:Anapplication to pixel classification of remote sensing imagery[J].Pattern Recognition,2011,44(3):615-623.
[20]Ben-David A.Comparison of classification accuracy using Cohen’s Weighted Kappa[J].Expert Systems with Applications,2008,34(2):825-832.
[21]Herold M,Gardner M E,Roberts D A.Spectral resolution requirements for mapping urban areas[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(9):1907-1919.
[22]徐佳,關(guān)澤群,何秀鳳,等.基于傳感器光譜特性的全色與多光譜圖像融合[J].遙感學(xué)報(bào),2009,12(1):97-102.
[23]劉哲,郝重陽(yáng),劉曉翔,等.多光譜圖像與全色圖像的像素級(jí)融合研究[J].數(shù)據(jù)采集與處理,2003,18(3):296-301.
(責(zé)任編輯:楊明麗)
調(diào)查研究
Investigations
Fast multi-classification of wheat take-all levels based on the fusion of unmanned aerial vehicle digital images and spectral data
Qiao Hongbo1,2, Shi Yue1, Si Haiping1, Wu Xu1, Guo Wei1, Shi Lei1, Ma Xinming1, Zhou Yilin2
(1.Collaborative Innovation Center of Henan Grain Crops,College of Information and Management Science,Henan Agricultural University,Zhengzhou 450002,China;2.State Key Laboratory for Biology of Plant Diseases and Insect Pests,Beijing 100193,China)
Wheat take-all will lead to a disaster in wheat production without timely monitoring and management. Traditional remote sensing approaches in wheat take-all have failed to fast and accurately recognize the multi-level disease conditions due to relatively coarse spatial resolution and the experience-based features selection.This study developed a method to achieve the fast multi-classification of wheat take-all based on the computer vision and the data fusion technology.Firstly,ASD Hand Held sensor was used to extract the spectral feature ratio.Then the color model was established to quantify the UAV aerial photo.Finally,the wheat take-all were classified using the decision tree which based on the support vector machine(SVM).The results showed that an overall accuracy was greater than 86%(Kappa>0.81)for classifying all of take-all levels,and computation rate was less than 30 seconds,which is meaningful for automatic real-time monitoring of take-all conditions.
wheat take-all; computer vision technology; multi-classification; color model; SVM
S 435.1,S 127
A
10.3969/j.issn.0529-1542.2015.06.029
2014-10-11
2015-01-13
國(guó)家自然科學(xué)基金項(xiàng)目(31301604);河南省科技攻關(guān)項(xiàng)目(122102110045);植物病蟲害生物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室開放課題(SKLOF201302)
小麥全蝕病是嚴(yán)重危害小麥的一種土傳性病害。小麥的整個(gè)生長(zhǎng)期,其根部和莖基部都很容易受到病菌侵害[1]。小麥全蝕病傳染性很強(qiáng),整個(gè)發(fā)病周期從局部發(fā)病發(fā)展到大片死亡不到4年,全蝕病
*通信作者 E-mail:qiaohb@126.com發(fā)展后期造成小麥植株成簇枯死形成“白穗”,麥田穗粒數(shù)及千粒重下降,發(fā)病輕微區(qū)域?qū)е聹p產(chǎn)30%~40%,嚴(yán)重區(qū)域減產(chǎn)50%以上甚至絕收[24]。高光譜遙感數(shù)據(jù)能準(zhǔn)確反映田間不同程度小麥全蝕病的光譜差異,從而準(zhǔn)確提取其發(fā)生程度和范圍[5]。但由于高光譜遙感技術(shù)存在數(shù)據(jù)量大,計(jì)算周期長(zhǎng),空間分辨率有限等缺點(diǎn),難以直接應(yīng)用于實(shí)際的作物病害監(jiān)測(cè)。而數(shù)字圖像可以有效地提高空間分辨率,有利于地物信息的快速分類[67]?;诟叻直媛蕯?shù)字圖像和高光譜數(shù)據(jù)的圖像融合技術(shù)可以有效地提高作物病害監(jiān)測(cè)分類的運(yùn)算速度和精度,例如,國(guó)內(nèi)李霖等利用ZY-3衛(wèi)星2.1 m全色/5.8 m多光譜分辨率平面圖像進(jìn)行數(shù)據(jù)融合,結(jié)果表明融合后數(shù)據(jù)的空間分辨率有所提高,而且保持了原始數(shù)據(jù)的光譜信息[8];國(guó)外Mirik等利用數(shù)字圖像與光譜反射率相融合的分析方法對(duì)冬小麥?zhǔn)茺溠疗茐牡某潭冗M(jìn)行了監(jiān)測(cè)評(píng)估[9]。