基于高光谱成像技术和稀疏表示模型的温室黄瓜病害早期诊断研究

Early diagnosis of disease is still unsolved problem in the safe and efficient production of greenhouse cucumber. The existing methods are effective only when symptoms are evident，which leads to improper or excessive dosage of pesticide, causing reduction and food safety issues. To solve these problems, this study presents early diagnosis technique under the condition that symptom not yet occurred or is extremely unobvious. Firstly, the characteristics of hyperspectral data of different diseases at the early stage of infection are analyzed. To strengthen the similarity of hyperspectral data of the same disease and weaken the similarity of hyperspectral data of different diseases, a transform algorithm is constructed steered by the constraints of classifier decision criterion and spatial distribution, thus features of spectral layer are extracted which reflect the inner tissues changes. Then, in low-dimensional feature space, regularization term is designed by mining the prior knowledge of spectral feature, construct appropriate algorithm to train a discriminative sub-dictionary for each disease, after cascading a feature dictionary which can distinguish different diseases is formed. Finally, online recognition criterion is constructed to accomplish early diagnosis. This study has positive significance on the prevention and cure of disease and reducing economic losses. Besides, the research results can be applied to other greenhouse vegetable crops.

病害早期诊断是温室黄瓜安全高效生产尚未解决的难题。现有方法需病症明显才能确切诊断，其滞后性导致施药不及时或盲目过度施药，继而引发减产和食品安全问题。针对上述问题，本项目拟研究染病初期叶片尚未显症或症状极不明显情况下黄瓜病害早期诊断技术。首先研究染病初期不同病害高光谱数据的特点，以降低数据维数、强化同种病害高光谱数据的相似性和弱化不同病害高光谱数据的相似性为准则，设计变换算法将原始高光谱数据变换到低维特征空间中，提取出反映内部组织变化的光谱层面特征。然后在特征空间，根据病害特征光谱曲线的特点设计正则化约束项，并与稀疏表示模型相结合来构建合适算法为每种病害训练一个具有判别性的子字典，级联后形成可以区分不同病害的特征字典，最后基于稀疏表示系数的判别性建立在线识别准则实现病害的早期诊断。本研究对指导病害防治、减少经济损失有着积极的意义，研究成果可推广应用于其它温室蔬菜作物。

快速、准确、无损的病害早期诊断对于温室黄瓜的安全高效生产而言至关重要。本研究旨在提出一系列的基于高光谱成像技术和协同表示模型的病害早期诊断方法，为实际农业生产提供指导。本研究首先提出了一种图约束和协同表示分类器引导的判别性映射矩阵学习方法并用于病害的诊断。该方法研究了染病初期不同病害高光谱数据的特点，以降低数据维数、强化同种病害高光谱数据的相似性和弱化不同病害高光谱数据的相似性为准则，设计了变换算法将原始高光谱数据变换到低维特征空间中，提取出可反映内部组织和外部形态变化的光谱层面特征。在低维特征空间中，根据特征光谱曲线数据的特点构建具有判别性的光谱字典，并基于协同表示系数的判别性建立在线识别准则实现了病害的早期诊断。鉴于获取大量的有标签训练样本会耗费较高的人力物力和时间成本。针对此问题，在小样本情况下，本研究提出了基于扩展的协同表示模型的黄瓜病害诊断方法。该方法将实际获取到的光谱曲线视作纯净光谱曲线与线性干扰的叠加，通过设计纯净光谱字典和差异光谱字典进行病害的区分和线性干扰的消除。本研究提出的病害诊断方法该均具有较高的诊断精度和较短的诊断时间，在实际生产中具有广阔的应用前景。