论文部分内容阅读
近年来随着气候变化,小麦病害呈多发、重发和叠发趋势,导致部分麦田大量减产甚至绝收,严重制约我国粮食持续丰产。传统小麦病害识别与监测主要依靠植保人员长期观察判断小麦患病类型及发病严重程度,而病害准确识别估算是精确防控的基础和前提,开展无损、高效和智能化小麦病害监测方法具有重要意义。本文针对当前作物病害监测存在的信息化技术手段不足,重点开展小麦叶片病害分割与识别及小麦白粉病无人机影像遥感监测。以小麦白粉病、条锈病和叶枯病为研究对象,通过智能手机获取小麦叶片病害图像,基于Grabcut分割算法和自适应阈值算法提取病害纯净像元,构建复杂背景下小麦病害部位分割模型,并利用卷积神经网络算法构建小麦病害识别诊断模型。同时,选择发病严重的小麦白粉病田块,以六旋翼无人机为遥感平台,通过搭载的多光谱和热红外相机获取小麦白粉病影像,基于多数据源融合和机器学习算法对小麦白粉病进行监测。本研究为小麦病害精确诊断提供关键技术支持,对于作物病害精确防控及农业可持续发展具有十分重要的意义。主要结果如下:（1）针对大田环境条件下小麦病害图像分割难的问题,本文根据病害特点及绿色像素特性对常规Grabcut算法进行优化,将生成的ROI标记替代人机交互标记框,增强了病害分割的自动化水平及效率。同时,使用自适应阈值算法来减弱Grabcut算法对于边缘病害区域的过分割,改进算法的Precision、Recall、MPA和MIOU分别为0.854、0.917、0.912和0.776,与常规Grabcut算法相比,Precision、Recall和MIOU分别提高4.27%、8%和8.38%,而MPA提高幅度较小（1.11%）。（2）从分割的病斑像元中提取颜色和纹理特征,并作为模型参数输入,利用最邻近节点算法（K-Nearest Neighbor,KNN）、支持向量机（Support Vector Machines,SVM）和随机森林（Random Forest,RF）进行病害分类识别。通过RF模型将颜色和纹理特征相结合,病害分类结果最佳,准确率为97.59%,其次为SVM（97.21%）和KNN（95.44%）。（3）利用分割后大田病害区域图像为数据集,采用五种卷积神经网络（VGGNet,Goog Le Net、Res Net、Dense Net和Mobile Net）进行训练和验证,并利用网络数据集进行测试。Dense Net模型在验证和测试集精度均最高,准确率分别为99.47%和94.14%,其次为Res Net（98.98%、90.92%）、Goog Le Net（98.94%、89.75%）、Mobile Net（98.22%、85.36%）和VGGNet（97.64%、81.26%）。（4）选用白粉病严重的小麦田块,利用无人机影像提取三种遥感数据源,利用多元线性回归（Multiple Linear Regression,MLR）、后向传播神经网络（Back Propagation,BP）、极限学习机（Extreme Learning Machine,ELM）和随机森林（Random Forest,RF）建模。其中,植被指数（VI）最适宜小麦白粉病严重度估算,其次为温度（TP）信息,纹理特征（TF）最差。将不同信息源融合,三种信息源融合模型的精度最高（R~2=0.836）,其次为植被指数与温度融合模型（R~2=0.758）,而植被指数与纹理融合模型（R~2=0.676）,温度与纹理融合模型（R~2=0.647）较差;无论利用单一数据或多源信息融合,RF模型的监测精度均高于其他算法模型,更适合无人机遥感监测小麦白粉病发病状况。