番茄早疫病高光谱图像早期判别及可视化研究

目的 番茄是世界范围内产量高、种植面积广的经济作物之一，具有较高的经济效益。番茄早疫病感染速度快、传播范围广、破坏性强，导致番茄减产减收带来严重的经济损失。番茄早疫病早期病状的判别可以为病害的科学防治提供参考，实现病害区域的可视化定位，精准指导病害防治。本文使用高光谱图像结合机器学习算法建立了番茄早疫病早期病状的判别模型，实现了番茄早疫病早期判别和病害区域的可视化定位。方法 针对高光谱图像的噪声干扰，利用鲁棒主成分分析（RPCA）实现高光谱图像的去噪处理；为了避免主观选择感兴趣区域造成信息表征不足的问题，使用最大类间方差法（OTSU）算法从背景中有效提取了番茄叶片，并以整个番茄叶片的平均光谱作为研究对象，结合多元散射校正（MSC）算法以及标准化建立了光谱预处理的综合方法；针对预处理后的光谱，为了提高模型的判别能力，建立了基于特征波长和线性核函数SVM的番茄早疫病早期判别模型。结果 较全光谱波长建模在测试集上的准确率提高8.33%；对SVM模型的参数进行优化，当参数C=1.64时，训练集和测试集上准确率分别达到了91.67%和94.44%，较参数优化前的模型在训练集上的准确率提高了1.19%，而测试集准确率保持不变，有效缓解了模型欠拟合问题。结论 本文建立了番茄早疫病高光谱图像早期判别模型并实现了早期病状的可视化定位，基于特征波长和线性核函数SVM的判别模型可以有效判别番茄早疫病病害的早期病状；利用患病概率的形式对番茄早疫病早期病状进行可视化定位，可视化分析更直观地发现早期病害并采取防治措施。本研究为植物病害早期病状的判别和可视化研究提供了参考，对作物病害的监测识别和科学防治具有重要意义。