摘要
果实与树叶是果树的两个重要组成部分，树叶的健康状况与果实的品质能够反映果树的生长发育情况。受气候环境和管理水平等多方面因素的影响，果树的树叶易受病毒和细菌的侵袭，从而影响果实的发育。水果是一种重要的经济农产品，针对水果品质以及果树树叶的无损检测对于农业的发展具有重要意义。高光谱成像技术是一项新兴无损检测技术，在农业监测、农产品分类质检等领域都有广泛的应用。对于高光谱无损检测技术的研究，主要集中于从繁杂的数据中提取有效的关键信息，多数存在着缺乏考虑数据相关性、精度不够高以及数据利用不够充分等问题。现有数据提取方法根据研究数据对象的不同可分为波段选择方法与空间特征提取方法，本文分别针对两种信息提取方法提出改进方案并应用于水果品质和果树树叶的健康检测领域。在波段选择方法方面，对现有波段选择方法加入波段之间的相关性分析，并拓宽算法的应用场景；在空间特征提取方面，对空间信息与光谱信息有效融合方法展开研究，并结合深度学习应用于分类任务中。本文以库尔勒香梨与枇杷树叶为研究对象，主要贡献如下： （1）针对MIA波段选择算法缺乏波段相关性考虑以及无法适应定量分析的问题，提出GsMIA波段选择方法，并应用于库尔勒香梨糖度的定量分析研究。分析光谱数据中不同波段之间的相关性，提出GsMIA波段选择算法，分三个阶段选择关键波段。首先使用ReliefF算法选择出最具区分度的波段，并以选出的波段作为聚类中心，使用k-means算法对全波段进行分组；然后使用改进的MIA算法以组为单位计算各个波段的重要性，初步选择关键波段；最后使用UVE算法去除冗余波段，完成关键波段的选择。基于关键波段建立SVR预测模型，实现对库尔勒香梨糖度的定量预测。 （2）针对传统分类器难以提高分类精度的问题，提出基于波段选择算法与人工神经网络的果树树叶健康状况检测方法。以枇杷树叶为例，按照成熟程度和健康状况将采集的枇杷树叶分为四类，使用高光谱成像仪获取其光谱数据，以叶片健康程度为依据选取感兴趣区域并提取该区域光谱数据，提出波段选择方法与人工神经网络结合的分类方法并设计三组实验证明方法的优越性。分别为：基于全波段搭建三种人工神经网络、基于特征波段的机器学习分类方法以及基于特征波段的人工神经网络分类方法。实验结果证明，波段选择方法与人工神经网络结合能够得到更好的结果且能够节约计算资源。 （3）针对高光谱图像数据利用不充分的问题，提出基于图谱融合技术与迁移学习的果树树叶病害诊断方法。以枇杷树叶研究对象，按照发生病害程度将树叶划分为三个级别。使用PCA特征图提取技术提取图像前三个主成分并为RGB通道赋值合成假彩色图像。为解决数据集不充分以及图片大小不一的问题，采取等尺寸切割图像的方法扩充数据集，并进行数据增强。使用VGG-16预训练模型并进行模型微调，利用迁移学习技术实现对枇杷树叶病害的分级诊断。
NETL