针对马铃薯早疫病不同染病时期光谱数据受到杂散光和噪声等因素的干扰,以及波段数众多、数据量大且谱带复杂会对光谱的定量和定性分析产生不利影响,研究9种光谱预处理方法,结合实验结果,将预处理方法进行排列组合,扩展改进为16种光谱预处理方法,并与连续投影算法、竞争自适应重加权算法和遗传算法3种特征波段提取方法进行组合得到64种光谱处理方法对原始光谱数据进行优化处理.在卷积神经网络(CNN)分类模型中,大部分经过光谱处理方法优化后的光谱数据分类精度相比原始数据的总体分类精度86.67％明显提高,其中12种光谱处理方法的分类精度达到100％,实现对马铃薯早疫病不同染病时期的理想分类.为进一步对马铃薯早疫病不同染病时期进行定量分析,将经过光谱处理方法处理后的光谱数据使用构建的CNN定量估算模型进行定量分析,结果表明,光谱预处理在优化数据的同时,也会损失数据中对目标变量有用的光谱信息,从而导致经过光谱分析方法处理后的数据结果相对于原始光谱数据的R2和RMSE会出现下降的结果,通过研究使用的融合光谱处理方法对原始光谱数据优化能够进一步提升模型性能,其中基于均值中心化、多元散射校正、移动平均平滑相结合的光谱处理方法的CNN定量估算模型取得了最好的结果,其R2为1说明估算的马铃薯早疫病不同染病时期和实际值拟合程度达到100％拟合,其RMSE仅为0.0011,表明马铃薯早疫病不同染病时期的估算值与真实值之间的偏差接近0,说明该模型能够对马铃薯早疫病不同染病时期进行完美预测.结果表明提出的CNN能够对马铃薯早疫病不同染病时期进行有效地分类检测和定量分析,将各类预处理和特征波段提取方法按优化目的进行有效组合能够有效提高建模效果,为农作物病害无损、精准、智能化检测提供理论和技术支持.
NETL
NSTL
万方数据
