北京理加联合科技有限公司

LICA United Technology Limited

服务热线: 010-51292601
企业邮箱
应用支持 Application Support
News 应用支持

植物病害的高光谱图像解译识别:3D-CNN与显著图模型

日期: 2020-07-09
浏览次数: 83

植物病害的高光谱图像解译识别:3D-CNN与显著图模型

本文旨在利用高光谱数据建立一个准确、可解释的植物病害识别模型。由真菌引起的大豆炭腐病是一种严重影响大豆产量的世界性病害。在383-1032 nm范围内,Resonon高光谱成像仪在240个不同的波长处捕获高光谱图像。针对大豆炭腐病,科学家建立了3D卷积分网络模型,模型分类精度为95.73%,并利用可视化显著图检验训练模型、敏感像素位置以及分类的特征敏感波段,发现:敏感特征波段为733 nm,这和常用的鉴别植物健康程度的特征波段范围(700-1000nm)是一致的。

【试验方法】

感染炭腐病的大豆:分别在第3691215天采集健康的和受感染的大豆茎秆样品,在测量病害程度之前,实时采集健康的和收到感染的茎秆的高光谱图像。

测量仪器:美国Resonon高光谱成像仪,型号:Pika XC (包含安装支架、移动平台、操作软件和270 w卤素灯)。

Pika XC性能:光谱通道数:240;波段范围400-1000 nm;分辨率:2.5 nm


植物病害的高光谱图像解译识别:3D-CNN与显著图模型

a)室内高光谱成像系统

植物病害的高光谱图像解译识别:3D-CNN与显著图模型

(b)不同光谱波段的大豆茎秆样品高光谱图像 (c)大豆茎秆内外部RGB图像病害程度比较

3D-CNN模型由两个连接的卷积分模型组成,其中,一个小的构架用于防止训练模型过饱和。2个图层(3*3mm空间维度,16个波段的光谱维度)作为第一个卷积分分层,4个3*3*16的图层作为第二个卷积分层,修正线性输入模型作为输出层。

植物病害的高光谱图像解译识别:3D-CNN与显著图模型

【结果分析】

1.  539个测试图像用于3d-cnn模型的精度评估。

如表1所示:模型分类准确为95.73%0.92的分类精度也体现了不同病害阶段的普适性。

植物病害的高光谱图像解译识别:3D-CNN与显著图模型

2.  可视化显著图评价

植物病害的高光谱图像解译识别:3D-CNN与显著图模型

我们可视化了用显著图分类出来的部分图像, 最大分类得分的输入图像用于判别敏感像素位置。图三为感染病害和健康图像的显著图。每个像素的级别大小用于评价其在分类过程中的重要性。受感染茎秆图像的显著图比图像中严重感染区域(红棕色)对应的位置具有更高的数值。这表明,严重感染的图像区域包含最敏感的像素位置,可以预测受感染分数。无论是健康图像还是感染图像,显著图高值都集中在茎的中部区域。

植物病害的高光谱图像解译识别:3D-CNN与显著图模型


测试图像的直方图数据,代表了每个波长最大显著图的图像像元百分比C*=130 (733 nm)

1)在测试数据中,近红外区的波长733 nm (C*=130)是所有波长中最敏感的;

2)在703 ~ 744 nm的光谱范围内,15个波长在测试图像的像素位置中占33%,是梯度值的最大值;

3)受感染样本的可见光谱波长(400-700 nm)比健康样本更敏感。

【结果分析】

数据结果证明了3D-CDD模型可以有效地学习高维的高光谱数据,应用于大豆炭腐病鉴别领域。从生理学机理角度,可视化显著图解释了高光谱特征波段在分类中的重要性,使模型更具有说服力。因此,我们对于该模型更加自信,在未来,基于鲁棒可解释机制的波段选择将有助于高光谱数据的降维,也将有助于设计高通量表型分析的多光谱摄成像系统。

植物病害的高光谱图像解译识别:3D-CNN与显著图模型.pdf


News / 相关新闻 More
2022 - 01 - 24
改进积雪密度的估计是目前雪研究的一个关键问题。表征密度时空变异性对于水当量的估算、水力发电和自然灾害(雪崩洪水等)的评估至关重要。高光谱成像是一种监测和估计其物理特性的有前途且可靠的工具。事实上,雪的光谱反射率在一定程度上受其物理特性变化的控制,尤其是在光谱的近红外(NIR)部分。为此,已经设计了几种模型根据光谱信息估算积雪密度。然而,还没有一个实现满意的结果。主要困难之一是积雪密度和光谱反射率之间的关系是非双射的(满射的)。事实上,几个反射振幅与相同的密度相关,反之亦然,所以密度和光谱反射率之间的相关性可能非常弱。基于此,为了解决该问题,本研究中提出了基于光谱数据的积雪密度估计混合模型。主要研究目标是利用高光谱NIR成像(PIKA NIR,RESONON Company)(900-1700 nm)以5.5 nm的光谱分辨率测试混合模型(HM)估计季节性积雪密度的性能。混合模型结合了一个分...
2022 - 01 - 20
PROSDM:PROSPECT模型与光谱导数和相似性度量相结合从双向反射率中提取叶片生化性状的适用性叶片生化性状为理解植物光合功能、动态生长、养分循环和初级生产提供了有价值的信息。叶片叶绿素含量(Cab)、类胡萝卜素含量(Cxc)、含水量(Cw)和干物质含量(Cm)是四个重要的叶片生化性状,与植物光合作用、氮素、胁迫和衰老等健康和生长状态密切相关。能够对这些叶片生化性状进行高通量测量的方法对于表征植物生理状态和关键功能过程至关重要。PROSPECT模型是目前最常用的叶片辐射传输模型之一,可从叶片定向半球反射因子(DHRF)光谱来提取叶片生化性状,然而,在应用于叶片双向反射因子(BRF)光谱提取叶片生化性状方面尚待探索。叶片表面反射率和各向异性性状的存在可能是限制PROSPECT从叶片BRF光谱评估叶片生化性状的主要问题。基于此,在本研究中,研究者们提出了一个方法,整合了PROSPECT模型...
2022 - 01 - 18
生态系统呼吸(Re)和甲烷(CH4)通量是两个重要的土壤-大气碳交换过程,已经在局地尺度上得到充分记录。然而,在流域尺度上,对青藏高原多年冻土区这些过程的空间格局和控制因素尚不清楚。基于此,为了填补研究空白,在本研究中,来自四川大学、中国科学院成都山地灾害与环境研究所、山西农业大学、中国科学院西北生态环境资源研究院和西南民族大学青藏高原研究所的研究团队在青藏高原风火山(34°40′-34°46′ N和92°50′–92°62′ E;4580-5410 m a.s.l.;图1a)测量了两个生长季节(2017年和2018年)不同坡向(北向(阴坡)和南向(阳坡))和不同海拔(低、中和高坡位)的生态系统呼吸(Re)和CH4通量,旨在阐明青藏高原草地流域尺度的Re和CH4通量模式并量化生物和非生物因子调节Re和CH4通量的相对贡献。作者利用LGR UGGA便携...
2021 - 01 - 15
全球气候变化引起的预计人口增长以及土地和农业资源可利用性的压力使未来几十年全球粮食供应的需求增加。提高光合作用能力已成为实现作物增产的目标。目前,测量光合作用的方法是耗时的且具破坏性的,这会减慢鉴定具高光合能力的农作物种质的研究和育种工作。作者在1分钟内收集样地(~2 m×2 m)向阳叶片像素的高光谱反射率以量化光合作用参数和色素含量。在两个生长季节(2017年和2018年)利用田间生长的经基因改变了光合途径的烟草,建立了8个光合参数和色素性状的预测模型。利用偏最小二乘法(PLSR)分析可见近红外(400-900 nm)光谱相机测得的植物反射像素,预测了Rubisco最大羧化速率(Vc,max,R2=0.79)和最大电子传递速率(J1800,R2=0.59),最大光饱和光合作用(Pmax,R2=0.54),叶绿素含量(R2=0.87),叶绿素a/b(...
关闭窗口】【打印
Copyright ©2018-2023 北京理加联合科技有限公司
犀牛云提供企业云服务

北京理加联合科技有限公司

地址:北京市海淀区安宁庄东路18号光华创业园5号楼(生产研发)
          光华创业园科研楼四层
电话:010-51292601
传真:010-82899770-8014
邮箱:info@li-ca.com
邮编:100085

深圳办事处:

地址:深圳市宝安区创业二路玖悦雅轩商业裙楼3层瑞思BEEPLUS 3029室 手机:13910499772

武汉办事处:

地址:武汉市洪山区民族大道124号龙安港汇城A座1108 手机:13910499761


  • 您的姓名:
  • *
  • 公司名称:
  • *
  • 地址:
  • *
  • 电话:
  • *
  • 传真:
  • *
  • 电子邮箱:
  • *
  • 邮政编码:
  • *
  • 留言主题:
  • *
  • 详细说明:
  • *
在线留言
关注我们
  • 官方微信
  • 官方手机端
友情链接:
X
1

QQ设置

3

SKYPE 设置

4

阿里旺旺设置

等待加载动态数据...

等待加载动态数据...

5

电话号码管理

  • 010-51292601
6

二维码管理

等待加载动态数据...

等待加载动态数据...

展开