北京理加联合科技有限公司

LICA United Technology Limited

服务热线: 13910499761 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: 144

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
2024 - 06 - 11
摘要土壤有机质(SOM)在全球碳循环中起着非常重要的作用,而高光谱遥感已被证明是一种快速估算SOM含量的有前景方法。然而,由于忽略了土壤物理性质的光谱响应,SOM预测模型的准确性和时空可迁移性较差。本研究旨在通过减少土壤物理性质对光谱的耦合作用来提高SOM预测模型的时空可迁移性。基于卫星高光谱图像和土壤物理变量,包括土壤湿度(SM)、土壤表面粗糙度(均方根高度,RMSH)和土壤容重(SBW),建立了基于信息解混方法的土壤光谱校正模型。选取中国东北的两个重要粮食产区作为研究区域,以验证光谱校正模型和SOM含量预测模型的性能和可迁移性。结果表明,基于四阶多项式和XG-Boost算法的土壤光谱校正具有优异的准确性和泛化能力,几乎所有波段的残余预测偏差(RPD)均超过1.4。基于XG-Boost校正光谱的SOM预测精度最 高,决定系数(R2)为0.76,均方根误差(RMSE)为5.74 g/kg,...
2024 - 05 - 20
北京,这座拥有千年历史的城市,见证了无数历史的变迁和现代文明的飞跃。然而,随之而来的是空气质量问题,尤其是由机动车尾气排放引发的大气污染。据相关研究显示,机动车尾气中含有大量的有害物质,包括一氧化碳、氮氧化物、挥发性有机化合物以及细颗粒物等,这些污染物不仅对人体健康构成威胁,还会导致城市雾霾的形成,影响城市的视觉美感和居民的生活质量。在众多污染物中,氨气作为一种典型的碱性气体,其来源多样,包括农业活动、工业生产、生活垃圾处理等。在北京市城区车辆排放是否是氨气的主要来源?据此,来自中国科学院大气物理研究所的研究团队进行了相关研究。北京城区NH3排放源-机动车尾气背景介绍氨气是大气中重要的碱性气体,在中和酸性气体,形成二次气溶胶方面发挥着重要作用。NH3在大气中滞留时间短,因此NH3浓度日变化显著。一般特征为在早上大约07:00~10:00,NH3浓度到达峰值。然而以前的研究局限于单一季节,无...
2024 - 05 - 17
菱透浮萍绿锦池,夏莺千啭弄蔷薇透过浮萍,诗人的眼里看到的是其和水中菱叶相映成趣的景象,是夏日池塘的勃勃生机。而在科研学者的眼中,看到的是天南星目浮萍科的水生植物,是潜藏在水稻种植中的双刃剑。营养物质的争夺?自然光照的遮挡?生存空间的占据?在一片生机之下,浮萍和水稻之间塑造着另一番景象..由于气候变暖/或灌溉水富营养化的影响,稻田中的浮萍(DGP)大幅增加。本研究考虑到生态因素、光合能力、光谱变化和植物生长等因素,对三个代表性水稻品种进行了田间试验,以确定DGP对水稻产量的影响。结果表明,DGP显著降低pH值0.6,日水温降低0.6℃,水稻抽穗期提前1.6天,并平均增加了叶片的SPAD和光合速率分别为10.8%和14.4%。DGP还显着提高了RARSc、MTCI、GCI、NDVI705、CI、CIrededge、mND705、SR705、GM等多种植被指数的数值,并且水稻冠层反射光谱的一阶导...
2024 - 05 - 08
在城市污水处理与农村生活废弃物管理中,化粪池作为一种常见的粪便处理设施,承担着重要角色。然而,化粪池在分解过程中会产生包括氨气在内的恶臭气体,这些气体不仅对周围环境造成异味污染,还可能对人体健康构成威胁。以下论文中,来自上海市环境科学研究院的研究团进行了化粪池的相关研究,以降低化粪池氨气排放对环境的负面影响,促进生态平衡和可持续发展,为相关领域的政策制定和技术改进提供理论依据和实践指导。中国城市潜在NH3排放源-化粪池背景介绍在中国高度污染的城市大气中,大气新粒子形成可能是由于硫酸和胺的成核机制,而目前尚不清楚为什么中国的城市大气中富含胺。在城市中,尽管抽水马桶的普及率接近100%,但人类排泄物大多储存在建筑物下面的化粪池中,而不是直接运往污水处理厂。化粪池中大量NH3是微生物分解的产物,可以通过连接屋顶的塑料管释放到大气中。鉴于胺与氨是共同排放的,有理由认为人类排泄物也可能是中国城市中胺...
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:13910499761 13910499762 010-51292601
传真:010-82899770-8014
邮箱:info@li-ca.com
邮编:100085

 

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

 


 


  • 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