基于光谱特性分析的冬油菜苗期田间杂草识别.pdf
《基于光谱特性分析的冬油菜苗期田间杂草识别.pdf》由会员分享,可在线阅读,更多相关《基于光谱特性分析的冬油菜苗期田间杂草识别.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 29 卷 第 20 期 农 业 工 程 学 报 Vol.29 No.20 128 2013 年 10 月 Transactions of the Chinese Society of Agricultural Engineering Oct.2013 基于光谱特性分析的冬油菜苗期田间杂草识别 白敬1,徐友2,魏新华1,张进敏1,沈宝国3(1.江苏大学现代农业装备与技术教育部重点实验室,镇江 212013;2.南京农业大学工学院,南京 210031;3.江苏省联合职业技术学院镇江分院,镇江 212016)摘 要:杂草识别是自动除草的关键环节,运用光谱分析技术可以快速识别杂草。该文以冬油菜苗、
2、冬油菜苗期杂草和土壤为研究对象,通过 ASD 便携式光谱分析仪采集光谱数据。对每个样本连续采集 5 组数据,经平均、一阶导数、压缩等预处理后,得到 368 组波长在 4002 300 nm 范围内的光谱数据。采用逐步判别分析法,按统计量 Wilks Lambda 最小值原则选择变量,选取了 710、755、950 和 595 nm 共 4 个特征波长。运用 4 个特征波长分别建立了典型判别函数模型和贝叶斯判别函数模型。用这 2 组模型分别对预测集进行预测,典型判别函数模型的正确识别率为 97.78%,在不同的先验概率下贝叶斯判别函数模型的正确识别率分别为 98.89%和 97.78%。结果表明
3、:当先验概率根据类别大小计算时,以特征波长建立的贝叶斯判别函数模型能较好的识别冬油菜苗期田间杂草,而且模型稳定。该研究结果可为杂草探测光谱传感器的开发提供参考。关键词:图像识别,光谱分析,判别分析,冬油菜苗,杂草识别,贝叶斯判别 doi:10.3969/j.issn.1002-6819.2013.20.018 中图分类号:O657.3 文献标志码:A 文章编号:1002-6819(2013)-20-0128-07 白 敬,徐友,魏新华,等.基于光谱特性分析的冬油菜苗期田间杂草识别J.农业工程学报,2013,29(20):128134.Bai Jing,Xu You,Wei Xinhua,et
4、al.Weed identification from winter rape at seedling stage based on spectrum characteristics analysisJ.Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2013,29(20):128134.(in Chinese with English abstract)0 引 言 油菜是中国的主要油料作物,种植面积和总产量长期居世界第一位1。但油菜田受杂草危害比较严重,尤其是冬
5、油菜区,杂草与油菜幼苗竞争激烈,导致油菜大量减产。因此,对于冬油菜区,苗期的杂草防治是关键。传统的化学除草是粗放式的大面积均匀施药,除草剂有效利用率低,且污染农业生态环境2,而要实现除草剂的精确喷施必须首先正确识别杂草3-4。在杂草自动识别方面,国内外学者对不同作物的田间杂草识别方法进行了大量研究5-13。其中,光谱检测分析技术根据一定波段内被测物体反射率的差异进行识别,具有速度快、无污染以及不破坏样品等优点,在区分水果种类14-15、农产品 收稿日期:2013-04-03 修订日期:2013-09-17 基金项目:中国博士后科学基金资助项目(20110491360);江苏高校优势学科建设工程
6、资助项目(苏财教(2011)8 号);江苏大学高级专业人才科研启动基金资助项目(10JDG026)作者简介:白敬(1987),女,主要从事光谱分析及光谱传感器开发方面的研究。镇江 江苏大学现代农业装备与技术教育部重点实验室,212013。Email: 通讯作者:魏新华(1972),博士,副教授,主要从事智能化农业装备和农药变量喷施技术方面的研究。镇江 江苏大学现代农业装备与技术教育部重点实验室,212013。Email:wei_ 快速鉴别16-17及杂草识别18-19等方面应用广泛。Piron 等20利用二次判别分析法选取 450、550和 700 nm 作为识别胡萝卜和杂草的特征波长点,对胡
7、萝卜和杂草的识别率达到 72%。M.T.Gmez-Casero 等21采用逐步判别分析法,选取主要集中在蓝、绿、红和近红外波段的特征波长,对小麦、野燕麦和金丝雀草的正确识别率为 100%。邓巍等22-23利用便携式野外光谱仪在田间测量了玉米、马唐和稗草植株冠层在 3502 500 nm 波长范围内的光谱数据,采用支持向量机(support vector machine,SVM)建立分类模型,识别精度达到 80%以上,并研究了基于光谱的绿色植物靶标探测器。陈树人等24使用 ASD 光谱仪进行了棉花、刺儿菜、水稻和稗草的实验室识别研究,利用 385、415 和 435 nm 3个特征波长可 100
8、%地从棉花中识别出刺儿菜,利用 375、465、585、705 和 1 035 nm 5 个特征波长可 100%地从水稻中识别出稗草。但在冬油菜苗期杂草识别方面的研究相对较少。本文拟对冬油菜苗、土壤与冬油菜苗期杂草的近红外反射光谱特性进行研究,应用逐步判别分析法提取特征波长并建立判别模型,实现冬油菜苗期杂草的快速识别,为基于光谱传感器的杂草自动识第 20 期 白敬等:基于光谱特性分析的冬油菜苗期田间杂草识别 129 别装置的开发奠定基础。1 试验材料和方法 1.1 仪器设备与样本 光谱数据采集采用 FieldSpec3 便携式光谱分析仪(美国,ASD 公司),光源采用与光谱仪配套的卤素灯。光谱
9、仪主要参数如下:光谱范围:3502 500 nm;采样间隔:1.4 nm(3501 000 nm区间)和2 nm(1 0002 500 nm 区间);光谱分辨率:3 nm(3501 000 nm 区间)和10 nm(1 0002 500 nm 区间)。样本选用长江流域常见的冬油菜苗,杂草选用婆婆纳、荠菜、小飞蓬、刺儿菜和粘毛卷耳等冬油菜苗期田间常见杂草。由于室外采集光谱容易受到光线和天气等外界条件的干扰,影响试验效果,光谱采集在实验室内进行。2012 年 12 月 15 日,采集冬油菜苗、5 种杂草和干湿 2 种土壤,并即刻放入保鲜袋,带回实验室立即进行光谱采集。1.2 试验方法 采集样本前对
10、光谱仪预热,并用白板对光谱仪校准,准备试验。在采样过程中每隔半小时校准一次。光谱仪探头视场角为 25,采集光谱时光谱仪光纤探头距离样本表面 2 cm,光源距离样本中心大约 30 cm,且与水平面成 45夹角。光谱仪进行点测量,采集叶面反射率,为测量方便,试验采用黑色背景。光谱仪设置为一次测量得到 5 组数据,油菜采集 60 次,干、湿土壤各采集 30 次,每种杂草采集 50 次,共3705组数据。2 数据处理 2.1 光谱预处理 观察采集到的光谱曲线,剔除差别较大的光谱数据,并对每次测量的 5 组数据进行平均,以减少原始光谱的随机误差,最后得到参与后续处理的368 组样本,并将其随机分为训练集
11、和预测集,如表 1 所示。由于光谱数据在小于 400 nm 和大于 2 300 nm 的波段范围内噪声较大,因此选用 4002 300 nm 波段作为有效光谱数据进行后续分析。每个样本包含 1 901 个数据点。为消除设备影响、基线漂移和其他背景干扰,分辨重叠峰,提高分辨率和灵敏度,使用 ASD 软件对光谱数据进行修正和一阶导数处理,然后以ASCII 码形式导出。为减少处理时间,再对导出的数据进行压缩,每隔 5 nm 选取 1 个数据点,将样本的数据点(波段数)压缩为 381 个。表 1 训练集和预测集样本数量 Table 1 Sample amount of training set and
12、 prediction set 类别Category 名称 Name 训练集 Training set 预测集 Prediction set 总组数 Total groups油菜 Rape 冬油菜苗Winter rape40 20 60 干土壤 Dry soil 20 10 30 土壤 Soil 湿土壤 Wet soil 20 10 30 婆婆纳Speedwell39 10 49 刺儿菜 Thistle 40 10 50 荠菜 Capsella 40 10 50 小飞蓬 Horseweed39 10 49 杂草 Weed 粘毛卷耳 Cerastium viscosum 40 10 50 总计
13、Total 278 90 368 2.2 特征波长选择 特征波长选择采用逐步判别分析方法进行。逐步判别分析是将判别变量一个接一个地选入判别函数,而且每次在选入变量之前对已进入判别函数的变量逐个检验,当每个变量因新的变量的进入变得不显著时,就将这个变量移出,使得判别函数中入选变量全部为有显著判别能力的变量。即将判别能力显著的变量“筛选”出来建立“最优”判别函数。以各个数据点的反射率为自变量,每个样本的类别为因变量,用 SPSS19 进行逐步判别分析,按统计量 Wilks Lambda 最小值原则,以 F 值作为判断统计量,设定合适的 F“输入”值与“剔除”值,进行变量筛选,提取特征波长。2.3
14、判别模型建模 典型判别分析和贝叶斯判别分析是常用的判别模型建模方法。典型判别分析的准则是找出一个有原始自变量组成的线性函数使组间差异和组内差异的比值最大化,其思路直观、计算简单易行。贝叶斯判别分析利用多元正态分布的概率密度提供的信息计算后验概率,能充分利用先验概率。结合逐步判别分析提取的特征波长点分别建立典型判别函数模型和贝叶斯判别函数模型,用模型对预测集进行分析,比较其判别精度,并优选精度高的判别方法。3 结果与分析 3.1 光谱曲线 采集的部分光谱曲线如图 1 所示。农业工程学报 2013 年 130 图 1 样本反射率光谱曲线 Fig.1 Reflectance spectra of t
15、he samples 由图 1 可知,植物和土壤的光谱曲线有明显区别,可以直观的对土壤和植物进行判别;油菜和杂草的光谱曲线有一定的差异,但当样本曲线增多时,各类植物的光谱曲线会交叉重叠,很难通过直接观察来区分杂草和油菜。3.2 提取特征波长 为了选择合适的波长,综合考虑模型判别效果和变量尽可能少的原则,设定F的“输入”值为50.0、“剔除”值为 45.0,由此选出 710、755、950 和 595 nm 4 个特征波长点。表 2 为变量筛选过程,显示了每一步分析进入判别函数的变量、删除此变量的 F 值以及每步对应的 Wilks Lambda 值。第一步方程只有波长 710 nm 处的光谱数据
16、,第二步包含波长 710和 755 nm 处的光谱数据,以此类推。表 2 筛选特征波长 Table 2 Selecting characteristic wavelengths 步骤 Process 波长Wavelengths/nm 要删除的 F 值 Deleted F Wilks Lambda 值 1 710 1 947.201 710 1 257.357 0.308 2 755 1 62.045 0.066 710 1 557.490 0.233 755 187.947 0.045 3 950 82.731 0.030 710 208.365 0.033 755 281.008 0.040
17、 950 81.008 0.021 4 595 60.415 0.019 3.3 典型判别函数模型 在 SPSS 中选择典型判别分析法对训练集进行分析处理,得到典型判别函数 1 和典型判别函数 2如公式(1)、(2)所示,同时获取典型判别函数在各组的质心如表 3 所示,函数 1 在土壤组的质心为-11.770,在油菜组的质心为 2.854,在杂草组的质心为 1.801。各类别质心位置在图 2 中显示出。对判别函数进行 Wilks Lambda 检验,P0.05,说明以筛选出的特征波长组成的判别函数具有显著意义。表 3 组质心处的函数 Table 3 Functions at group cen
18、troids 类别 Category 土壤 Soil 油菜 Rape 杂草 Weed函数 1 Function 1-11.77 2.854 1.801 质心 Centroid函数 2 Function 2-0.265-3.421 0.745 将各个波长点处的反射率分别代入典型判别函数,计算每个样本的得分,并据此进行分类。图2 显示了各个训练集和预测集样本在 2 个典型判别函数组成的判别空间中的分布情况,由图可知:各样本可以清晰分类,并表示了预测集的分类情况。在训练集中有 6 个杂草(2 刺儿菜、3 小飞蓬、1 荠菜)被误判为油菜,模型正确率为 97.84%。预测集分类结果如表 4 所示,有 2
19、 组不同的杂草(刺儿菜、荠菜)被误判为油菜,模型正确率为 97.78%。图 2 基于典型判别分析的差异距离分布 Fig.2 Differential distance distribution based on canonical discriminant analysis 1123410.3532762.979727.8541904.5601056.889yxxxx=+(1)212340.7503306.653591.5247608.8991394.792yxxxx=+(2)式中,1y为典型判别函数 1;2y为典型判别函数 2;1234xxxx、为波长595、710、755和950 nm处的
20、反射率。第 20 期 白敬等:基于光谱特性分析的冬油菜苗期田间杂草识别 131 表 4 预测集分类结果 1 Table 4 Classification results 1 of prediction set 类别 Category 预测集样本数 Prediction set samples 预测结果 Predicted results 误判样本数 Miscalculation samples 分类正确率Classification accuracy/%油菜 Rape 20 22 2 土壤 Soil 20 20 0 婆婆纳 Peedwell 10 10 0 刺儿菜 Thistle 10 9 1
21、 荠菜 Capsella 10 9 1 小飞蓬Horseweed 10 10 0 粘毛卷耳Cerastium viscosum 10 10 0 97.78 3.4 贝叶斯判别函数模型 建立贝叶斯判别分析函数模型需预先设定先验概率,但是冬油菜苗期田间杂草种类较多,先验概率很难精确确定,故选择在先验概率根据类别大小计算和各类别先验概率相等2种情况下进行建模。3.4.1 先验概率根据类别大小计算 当先验概率根据类别大小计算时,通过SPSS软件分析得到土壤、油菜和杂草的贝叶斯判别函数分别为式(3)(5)。根据各贝叶斯判别函数计算每个样品的判别函数值,从而将该样品分到判别函数值较大的一类。123414.
22、33932490.6802190.5479237.112668.861yxxxx=+土壤(3)1234108.7312518.09814701.2035393.04520525.913yxxxx=+油菜(4)123485.0798345.77211470.66124295.79713602.847yxxxx=+杂草(5)通过贝叶斯判别函数模型分析,278个训练集中有276个被正确分类,2个杂草被误判为油菜,模型分类正确率为99.28%。通过训练集对模型进行交叉验证,正确率为98.92%。用该模型对待分类的90个预测集进行分类,结果由表5所示,有1组杂草(刺儿菜)被误判为油菜,模型正确率为98.
23、89%。表 5 预测集分类结果 2 Table 5 Classification results 2 of prediction set 类别 Category 预测集样本数Prediction set samples 预测结果 Predicted results 误判样本数Miscalculation samples 分类正确率Classification accuracy/%油菜 Rape 20 21 1 土壤 Soil 20 20 0 婆婆纳Speedwell 10 10 0 刺儿菜 histle 10 9 1 荠菜 Capsella 10 10 0 小飞蓬Horseweed 10 10
24、 0 粘毛卷耳Cerastium viscosum 10 10 0 98.89 3.4.2 各类别先验概率相等 当各类别先验概率相等时,通过SPSS软件分析得到土壤、油菜、杂草的贝叶斯判别函数分别为式(6)(8)。123413.49832490.6802190.5479237.112668.861yxxxx=+土壤(6)1234107.8912518.09814701.2035393.04520525.913yxxxx=+油菜(7)123485.8388345.77211470.66124295.79713602.847yxxxx=+杂草(8)表 6 预测集分类结果 3 Table 6 Cla
25、ssification results 3 of prediction set 类别 Category 预测集样本数Prediction set samples 预测结果 Predicted results 误判样本数Miscalculation samples 分类正确率Classification accuracy/%油菜 Rape 20 22 2 土壤 Soil 20 20 0 婆婆纳 Speedwell10 10 0 刺儿菜 Thistle10 9 1 荠菜 Capsella10 9 1 小飞蓬Horseweed 10 10 0 粘毛卷耳 Cerastium viscosum 10 1
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 光谱 特性 分析 油菜 苗期 田间 杂草 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【二***】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【二***】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。