农业机械学报

作者：刘莉，陶红燕，方静，郑文娟，王良龙，金秀

单位：安徽农业大学,安徽农业大学,安徽农业大学,安徽农业大学,安徽农业大学,安徽农业大学,

关键词：砀山酥梨;炭疽病;黑斑病;高光谱;特征波长;识别模型

基金：财政部和农业农村部：国家现代农业产业技术体系建设专项（CARS-29-14）、国家重点研发计划项目（2018YFD0201401）和安徽省教育厅项目（KJ2019A0212）

针对梨炭疽病和黑斑病发病症状很相似，难以区分，导致实际生产中不便对症施药的问题，以砀山酥梨叶片为研究对象，探究利用高光谱技术来识别梨叶片炭疽病与黑斑病的可行性。首先，运用高光谱成像系统采集砀山酥梨正常叶片、炭疽病叶片和黑斑病叶片的高光谱图像，提取图像的平均光谱反射率。采用多元散射校正法(Multiplicative scatter correction, MSC)、Savitzky-Golay卷积平滑法和标准正态变换法(Standard normal variate, SNV)分别对原始光谱数据进行预处理。然后，采用主成分分析算法(Principal component analysis, PCA)、连续投影算法(Successive projections algorithm, SPA)、无信息变量消除法(Uniformative variable elimination, UVE)、竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)、随机蛙跳算法(Shuffled frog leaping algorithm, SFLA)提取特征波长，分别获取了27、12、15、26、20条特征波长，并将其作为后期建模的输入变量。经对比发现，在各基于特征波长建立的支持向量机(SVM)分类识别模型以及BP神经网络分类识别模型中，SPA-SVM识别模型效果最佳，测试集准确率为93.25%，建模集准确率为94.80%。试验结果证明，利用高光谱技术能够有效识别砀山酥梨叶片的黑斑病与炭疽病。

来源：2022年第2期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2022年第2期