Метод классификации для идентификации рапса и сорняков с использованием гиперспектральной съемки

Рапс является важным источником пищевого масла в моей стране, занимая первое место среди пяти основных масличных культур. Моя страна является

основным производителем рапса в мире, и ее

площадь рапса и урожайность занимают первое место в мире. Однако сорняки очень вредны для рапса во время его роста. Традиционная химическая

прополка загрязняет сельскохозяйственную

экологическую среду, а эффективность использования гербицидов относительно низкая. Поэтому ключом к правильному определению сорняков

является точное распыление

гербицидов.

Технология гиперспектральной визуализации — это новая технология, которая объединяет обработку изображений и спектральный анализ. Данные

изображений могут действительно отображать поверхностные повреждения и

внешние характеристики сельскохозяйственных культур, в то время как спектральные данные отражают внутреннюю структуру и состав сельскохозяйств

енных культур. Поэтому в последние годы технология гиперспектральной визуализации

все чаще используется для классификации и идентификации сорняков и неразрушающего контроля качества сельскохозяйственной продукции.

В этой работе используются различные методы предварительной обработки и методы извлечения характерных длин волн для обработки гиперспектр

альных данных изображений рапса и сорняков

и устанавливаются модели классификации на основе полного спектра и характерных длин волн соответственно. Анализируя и сравнивая результаты

различных моделей классификации, можно получить влияние различного времени спектрального получения и различных сортов рапса на классификаци

ю и идентификацию сорняков.

1 Экспериментальная часть

1.1 Образцы

Образцы рапса и четыре сорняка, используемые в эксперименте, — это Echinochloa crus-galli, Hemeng, Ramulus velutipes и Bidens pilosa, все из которых являются распространенными

видами сорняков, оказывающими большое влияние на поля рапса и имеющими цикл роста, аналогичный рапсу. На рисунке 1 показаны изображения образцов, используемых в эксперименте.

1.2 Получение спектрального изображения

Используется гиперспектральная камера 400-1000 нм, а продукт FS13 компании Hangzhou Caipu Technology Co., Ltd. может использоваться для соответ

ствующих исследований. Спектральный диапазон составляет

400-1000 нм, разрешение по длине волны лучше 2,5 нм и до 1200 спектральных каналов. Скорость получения может достигать 128 кадров в секунду в

полном спектре, а

максимальная после выбора диапазона составляет 3300 Гц (поддержка выбора многозонного диапазона).

Сбор гиперспектральной информации о рапсе и сорняках был разделен на три периода, которые были определены как 1, 2 и 3. Кроме того, во время каждого процесса сбора данных, поскольку рапс и сорняки растут, необходимо настраивать внутренние параметры, такие как время экспозиции камеры и высота сбора, чтобы получить гиперспектральное изображение с наименьшими искажениями. В таблице 1 показаны внутренние параметры гиперспектрального формирователя изображений во время трех экспериментов.

1.3 Извлечение признаков данных

Для гиперспектральных изображений рапса и сорняков извлекается интересующая область каждого растения, и вся область образца после удаления фона

берется в качестве ROI. Средний спектр каждой полосы в ROI рассчитывается и подсчитывается для достижения преобразования спектра для окончате

льной обработки данных.

Один из принципов извлечения ROI заключается в максимальном удалении области, отличной от растительного полога, чтобы изображение области п

олога и фоновое

изображение могли быть высоко сегментированы. Метод сегментации полога следующий:

(1) Проанализируйте и сравните спектральную информацию, соответствующую точкам пикселей в области ROI и области, не входящей в ROI, найдите

полосу, которая может различать эти

точки, и, наконец, выберите изображение полосы 800 нм в качестве маски и установите порог для бинаризации для построения маски;

(2) В изображении маски фоновая область становится 0, а область информации об образце становится 1, и исходное гиперспектральное изображение

маскируется, чтобы

достичь эффекта удаления фоновой области. На рисунке 2 показан процесс получения ROI на основе псевдоцветного изображения RGB в трех полосах

гиперспектральных 662, 554 и 450 нм.

1.4 Метод обработки данных

1.4.1 Метод предварительной обработки

Нормальное преобразование переменных, удаление тренда, коррекция многомерного рассеяния, сглаживание скользящего среднего, сглаживание

полиномиальной свертки, коррекция базовой линии

и нормализация используются для предварительной обработки гиперспектральных данных выборки.

1.4.2 Метод извлечения характерных длин волн

Для извлечения характерных длин волн используются метод нагрузки главного компонента, метод коэффициента нагрузки, метод коэффициента ре

грессии и алгоритм непрерывной проекции. Нагрузка главного компонента выбирает характерные длины волн в основном потому, что значения

нагрузки при разных главных компонентах указывают на различную

важность длин волн. Поэтому пиковые и минимальные значения на диаграмме нагрузки главного компонента выбираются в качестве характерных

длин волн; метод коэффициента нагрузки (x-LW) выбирает характерные длины волн в соответствии с кривой x-LW, где длина волны с большим абс

олютным значением и пиком является характерной длиной волны; пик, впадина и точка перегиба на кривой RC являются характерными длинами

волн, выбранными методом коэффициента регрессии) [12]. SPA

анализирует множественные непрерывные проекции векторов, содержащихся в наборе данных, чтобы уменьшить избыточность содержимого дан

ных и повысить эффективность и

скорость расчета.

2 Результаты и обсуждение

2.1 Средние спектральные кривые рапса и сорняков

Были собраны спектральные данные ближнего инфракрасного диапазона 512 полос в диапазоне длин волн 380–1034 нм. Поскольку шум, очевидно,

влияет на передний и задний концы спектра, шумовые полосы на переднем и заднем концах были удалены, и для анализа использовался спектр из

380 полос между 453 и 934 нм. Средние спектральные кривые отражения рапса и сорняков были установлены, как показано на рисунке 3. Как видно

из рисунка, рапс и четыре сорняка имеют схожие тенденции, кривые сорняков более разбросаны, череда волосистая и рапс перекрываются, но есть

четкая разница в отражательной способности на пике 550 нм.

Образцы были разделены на модельный набор и прогнозный набор в соотношении 3:1, с 72 образцами рапса и 48 сорняков в модельном наборе

и 24 образцами рапса

и 16 образцами сорняков в прогнозном наборе. Следует отметить, что в модельном наборе имеется 12 образцов каждого из четырех сорняков и

четыре образца каждого

в прогнозном наборе.

2.2 Анализ главных компонентов Качественный анализ

Анализ главных компонентов спектральных данных рапса и сорняков показал, что совокупный коэффициент вклада PC1 и PC2 в трех экспериментах

составил 99%, и PC1 и PC2 могли объяснить большинство переменных [4]. Распределение оценок главных компонентов трех экспериментов показано

на рисунке 4.

Как видно из рисунка, рапс и сорняки сгруппированы вместе на карте оценок, что дополнительно показывает, что рапс и сорняки можно эффективно

идентифицировать

. Далее мы продолжим использовать спектральные данные для анализа и обработки.

2.3 Результаты классификации и распознавания на основе всего диапазона

Спектр был предварительно обработан путем удаления тренда, а моделирование всего спектра было выполнено на основе трех алгоритмов.

Точность распознавания показана в

Таблице 3. Как показано в Таблице 3, эффект классификации алгоритма PLS во втором тесте не достиг 90,00%, а алгоритмы SVM и ELM были лучше,

особенно алгоритм ELM, который имел лучшую точность классификации, достигнув 100,00% во всех трех тестах.

2.4 Результаты классификации и распознавания характерных длин волн

На основе предварительной обработки De-trending в качестве входной

переменной используется отражательная способность, соответствующая характерным длинам волн, извлеченным четырьмя указанными выше методами.

Поскольку эффект дискриминации модели ELM, основанной на полном спектре, лучше между различными партиями экспериментов, модель анализа

дискриминации ELM устанавливается на основе характерной длины волны. Результаты классификации показаны в Таблице 4.

Как видно из Таблицы 4, все четыре метода извлечения достигли относительно хороших результатов классификации. Эффект классификации модели

распознавания, установленной характерными длинами волн, извлеченными с помощью нагрузок PCA, весов x-нагрузки и SPA, очень хорош. Эффект

классификации набора моделирования и набора прогнозирования достиг 100,00%.