马铃薯晚疫病检测方法研究及装置设计

这是一篇关于马铃薯晚疫病,无损检测,深度学习,光谱技术,嵌入式检测仪的论文, 主要内容为由致病疫霉侵染引起的晚疫病是马铃薯生产中的毁灭性病害,该病可危害马铃薯整个生育期,严重时可导致马铃薯绝收。为实现马铃薯晚疫病的快速检测,本文以离体马铃薯叶片为研究对象,分别基于深度学习和光谱技术实现了马铃薯晚疫病害的检测判别及早期预测,并使用树莓派、摄像头、光纤光谱仪及温湿度传感器等硬件进行二次开发,研制了一种体积小、操作简单、适应性强的马铃薯晚疫病检测仪,其既可根据叶片外部形态特征划分病害程度,又能够基于叶片光谱信息实现在无症状显现时对病害的早期判别和流行期的预测,此外还可基于检测结果发布预警防控信息,以利于晚疫病害的防治。本文主要研究内容及结论如下:(1)基于深度学习的马铃薯晚疫病害检测判别。构建了单一和复杂背景下的马铃薯叶片病害数据集,其包含7类马铃薯叶片图像,采用数据增强方法对其进行扩增,改善了类不平衡问题。以准确率、推理速度、参数量为指标综合评价了7种预训练模型对马铃薯叶片病害细粒度划分的性能,从中选出泛化能力较好且推理速度更快的Shuffle Net V2 2×模型并加以改进,提出了引入注意力机制模块、减少网络深度、减少1×1卷积个数三种改进策略,通过消融实验探究了其对基础模型性能的影响,并确定了最佳的改进形式,改进模型的参数量和计算量均减少了约23%、分类准确率上升了0.14%、CPU推理速度提升至30.2帧·s-1,对7类图像的识别精确率均在85%以上、召回率均在90%以上。此外,还提出了一种适用于嵌入式设备的轻量级分割网络S-UNet,其使用带有ECA模块的Shuffle Net V2作为U-Net的主干网络进行特征提取,对背景、叶片、早疫病害和晚疫病害四类像素进行分割的m Io U、m PA、m Precision及m Recall分别为88.54%、93.23%、94.43%和93.23%。进一步使用剪枝和量化方法对S-UNet模型进行优化,压缩后的模型模型保持了较高的分割精度,模型大小减小至21.56 M,在GPU和CPU上的推理速度分别提升至26.5帧·s-1和21.4帧·s-1。建立的两种深度学习模型分别实现了马铃薯叶片病害程度的判别及病斑区域的分割,且具有较高的识别精度和较快的推理速度,为实现马铃薯晚疫病害的自动识别提供了重要的技术支持。(2)基于光谱技术的马铃薯晚疫病害早期预测。通过分析不同疾病阶段下光谱透射率和理化值的响应发现,光谱透射率会随病情的加重而降低、POD活性先稍微降低后明显上升、SPAD值持续下降,说明透射率和理化值的变化可以反映患病程度。其次系统地结合预处理、降维和分类方法分别基于光谱透射率和理化值实现了对病害等级的判别,对于基于透射率的分类模型而言,分类方法的选择最为重要,其次是降维方法,建立的MC-NCA-KNN分类模型分类效果最好,准确率高达96.89%,且利用直接校正算法进行模型传递有助于建立稳健的光谱诊断模型,而建立高性能的理化值预测模型是基于理化值实现病害程度分类的前提,SG用于预处理并结合UVE用于波长选择可提高两种理化值的预测能力,再利用GBDT基于预测的理化值进行分级的准确率为95.35%。进一步探究了理化值随时间发展的响应规律,其中湿度和培育时间是影响理化值变化的两个重要因素,基于这两个因素建立的拟合POD活性和SPAD值回归模型的Rp2分别为0.9432和0.8754,最终结合基于理化值的回归和分类模型实现对晚疫病害流行时期的预测,准确率为92.8%。研究表明,基于光谱技术快速无损测定叶片理化值以实现晚疫病害定性判别及流行期预测是可行的,为马铃薯晚疫病害的早期检测和防治提供了理论参考。(3)设计并研制了一种马铃薯晚疫病检测仪,并对其进行了性能测试。首先基于功能要求对检测仪的硬件系统进行了总体设计,明确了各模块的功能及硬件组成,所设计的检测仪包括采集模块、控制模块、显示模块、电源模块四部分,其中采集模块包括温湿度传感器、摄像头、光谱仪及其附件,以获取马铃薯植株的表型信息及环境温湿度,控制模块采用ARM控制板,以实现与采集模块各硬件的通信并对其进行供电,显示模块使用触摸显示屏,方便用户进行交互,电源模块采用不间断电源以满足田间使用要求,此后对各功能模块硬件进行选型,并基于硬件系统的连接关系进行检测仪外壳的结构设计。之后基于Python语言并采用分层架构对软件进行总体设计,明确人机交互层、功能模块层和设备驱动层间的对应关系,根据各软件功能设计并编写相应程序,并使用Qtdesigner和Py Qt5进行交互界面设计,完成了可移植GUI应用程序的开发。最后从稳定性、准确性、实时性三方面对检测仪进行了性能测试,在测试过程中,CPU占有率和内存占有率均保持在50%以下,且基于图像和光谱对晚疫病进行分类的准确率分别为94%和92%,基于光谱对晚疫病流行期预测的准确率为87%,图像检测及光谱检测所需平均时间分别为10.9 s和6.2 s,结果表明检测仪软硬件运行稳定可靠,检测准确率较高,该装置具有实际应用价值。

马铃薯晚疫病检测方法研究及装置设计

这是一篇关于马铃薯晚疫病,无损检测,深度学习,光谱技术,嵌入式检测仪的论文, 主要内容为由致病疫霉侵染引起的晚疫病是马铃薯生产中的毁灭性病害,该病可危害马铃薯整个生育期,严重时可导致马铃薯绝收。为实现马铃薯晚疫病的快速检测,本文以离体马铃薯叶片为研究对象,分别基于深度学习和光谱技术实现了马铃薯晚疫病害的检测判别及早期预测,并使用树莓派、摄像头、光纤光谱仪及温湿度传感器等硬件进行二次开发,研制了一种体积小、操作简单、适应性强的马铃薯晚疫病检测仪,其既可根据叶片外部形态特征划分病害程度,又能够基于叶片光谱信息实现在无症状显现时对病害的早期判别和流行期的预测,此外还可基于检测结果发布预警防控信息,以利于晚疫病害的防治。本文主要研究内容及结论如下:(1)基于深度学习的马铃薯晚疫病害检测判别。构建了单一和复杂背景下的马铃薯叶片病害数据集,其包含7类马铃薯叶片图像,采用数据增强方法对其进行扩增,改善了类不平衡问题。以准确率、推理速度、参数量为指标综合评价了7种预训练模型对马铃薯叶片病害细粒度划分的性能,从中选出泛化能力较好且推理速度更快的Shuffle Net V2 2×模型并加以改进,提出了引入注意力机制模块、减少网络深度、减少1×1卷积个数三种改进策略,通过消融实验探究了其对基础模型性能的影响,并确定了最佳的改进形式,改进模型的参数量和计算量均减少了约23%、分类准确率上升了0.14%、CPU推理速度提升至30.2帧·s-1,对7类图像的识别精确率均在85%以上、召回率均在90%以上。此外,还提出了一种适用于嵌入式设备的轻量级分割网络S-UNet,其使用带有ECA模块的Shuffle Net V2作为U-Net的主干网络进行特征提取,对背景、叶片、早疫病害和晚疫病害四类像素进行分割的m Io U、m PA、m Precision及m Recall分别为88.54%、93.23%、94.43%和93.23%。进一步使用剪枝和量化方法对S-UNet模型进行优化,压缩后的模型模型保持了较高的分割精度,模型大小减小至21.56 M,在GPU和CPU上的推理速度分别提升至26.5帧·s-1和21.4帧·s-1。建立的两种深度学习模型分别实现了马铃薯叶片病害程度的判别及病斑区域的分割,且具有较高的识别精度和较快的推理速度,为实现马铃薯晚疫病害的自动识别提供了重要的技术支持。(2)基于光谱技术的马铃薯晚疫病害早期预测。通过分析不同疾病阶段下光谱透射率和理化值的响应发现,光谱透射率会随病情的加重而降低、POD活性先稍微降低后明显上升、SPAD值持续下降,说明透射率和理化值的变化可以反映患病程度。其次系统地结合预处理、降维和分类方法分别基于光谱透射率和理化值实现了对病害等级的判别,对于基于透射率的分类模型而言,分类方法的选择最为重要,其次是降维方法,建立的MC-NCA-KNN分类模型分类效果最好,准确率高达96.89%,且利用直接校正算法进行模型传递有助于建立稳健的光谱诊断模型,而建立高性能的理化值预测模型是基于理化值实现病害程度分类的前提,SG用于预处理并结合UVE用于波长选择可提高两种理化值的预测能力,再利用GBDT基于预测的理化值进行分级的准确率为95.35%。进一步探究了理化值随时间发展的响应规律,其中湿度和培育时间是影响理化值变化的两个重要因素,基于这两个因素建立的拟合POD活性和SPAD值回归模型的Rp2分别为0.9432和0.8754,最终结合基于理化值的回归和分类模型实现对晚疫病害流行时期的预测,准确率为92.8%。研究表明,基于光谱技术快速无损测定叶片理化值以实现晚疫病害定性判别及流行期预测是可行的,为马铃薯晚疫病害的早期检测和防治提供了理论参考。(3)设计并研制了一种马铃薯晚疫病检测仪,并对其进行了性能测试。首先基于功能要求对检测仪的硬件系统进行了总体设计,明确了各模块的功能及硬件组成,所设计的检测仪包括采集模块、控制模块、显示模块、电源模块四部分,其中采集模块包括温湿度传感器、摄像头、光谱仪及其附件,以获取马铃薯植株的表型信息及环境温湿度,控制模块采用ARM控制板,以实现与采集模块各硬件的通信并对其进行供电,显示模块使用触摸显示屏,方便用户进行交互,电源模块采用不间断电源以满足田间使用要求,此后对各功能模块硬件进行选型,并基于硬件系统的连接关系进行检测仪外壳的结构设计。之后基于Python语言并采用分层架构对软件进行总体设计,明确人机交互层、功能模块层和设备驱动层间的对应关系,根据各软件功能设计并编写相应程序,并使用Qtdesigner和Py Qt5进行交互界面设计,完成了可移植GUI应用程序的开发。最后从稳定性、准确性、实时性三方面对检测仪进行了性能测试,在测试过程中,CPU占有率和内存占有率均保持在50%以下,且基于图像和光谱对晚疫病进行分类的准确率分别为94%和92%,基于光谱对晚疫病流行期预测的准确率为87%,图像检测及光谱检测所需平均时间分别为10.9 s和6.2 s,结果表明检测仪软硬件运行稳定可靠,检测准确率较高,该装置具有实际应用价值。

基于光谱技术的云茯苓鉴别研究

这是一篇关于云茯苓,产地鉴别,部位鉴别,光谱技术,化学计量学的论文, 主要内容为目的:茯苓作为“药食同源”道地药材真菌,以干燥菌核入药。其内部(白茯苓)和表皮(茯苓皮)分别作为两种传统中药使用。由于影响茯苓质量的因素复杂多样,以及资源发展存在供需不平衡、缺少系统的资源评价等一系列问题,导致茯苓质量参差不齐,严重阻碍了其发展。随着“中医药+互联网”的到来且中药多成分、多靶点、整体性等特点,传统的评价方法不能满足多源数据的快速分析,亟需建立一种稳健、高效、全面的资源评价方式,以期能够保证其(原料)品质的一致性。因此,拟通过全面收集云茯苓样品,获取具有整体表征性的多源光谱信息,结合化学计量学、二维相关光谱图像、深度学习等现代化分析技术对不同产地、部位的云茯苓进行多层次、高效率及全面性的鉴别研究,并利用网络药理学初步筛选白茯苓和茯苓皮间的差异化合物。方法:1、基于傅立叶变换近红外光谱(FT-NIR,Fourier transform near-infrared spectroscopy)和中红外光谱(FT-MIR,Fourier transform mid-infrared spectroscopy)的多源信息融合策略,建立偏最小二乘判别分析(PLS-DA,Partial least squares discriminant analysis)、支持向量机(SVM,Support vector machines)和极限学习机(ELM,Extreme learning machine)模型,以对不同产地云茯苓进行整体鉴别分析和比较。2、共获得3528张同步、异步和综合二维相关光谱图像,结合残差卷积神经网络(Res Net,Residual convolution neural network)和PLS-DA模型,用于不同部位和产地的云茯苓鉴别分析。比较和分析三种类型的二维相关光谱图像,包括原始光谱和经过二阶导数预处理的全波段、特征波段(8900-6850 cm-1、6300-5150 cm-1和4450-4050 cm-1)。3、利用化学指纹图谱、机器学习和网络药理学的可测量性与有效性的角度筛选云茯苓不同部位的初步潜在质量标志物。结果:1、通过预处理可以优化光谱数据,统计学分析方法可对不同产地和部位云茯苓样本进行聚类。相比FT-MIR,单一、低级数据或中级数据融合(连续投影算法除外)FT-NIR光谱的ELM模型具有优越性,可有效、快速地鉴别不同产地的云茯苓。2、同步SD 2DCOS光谱图像更适用于白茯苓和茯苓皮的特征波段小且复杂混合系统的识别和分析。PLS-DA和Res Net模型均可成功识别白茯苓和茯苓皮的产地鉴别,准确率达到100%。3、从有效性和可测性角度整合分析得到,松苓新酸、茯苓新酸A和茯苓酸可作为白茯苓和茯苓皮的初步潜在质量标志物。结论:经过光谱预处理、数据融合策略均能提高传统模型云茯苓的识别精度,直接运用二维相关光谱图像结合Res Net模型识别不同产地和部位的云茯苓具有优越性,并且结合网络药理学筛选出白茯苓和茯苓皮的初步潜在质量标志物。该方法为寻找白茯苓和茯苓皮的潜在质量标志物提供了一种新策略,为解释其他药用植物的临床应用和非传统药用部位的多途径利用提供重要参考,有助于促进区域经济发展,推进药用资源的绿色可持续发展。

基于光谱技术的油菜叶片水分检测仪器研制

这是一篇关于油菜,光谱技术,叶片含水率,偏最小二乘回归,检测仪器的论文, 主要内容为油菜是我国第一大油料作物,在农业生产中占有重要的地位。水分胁迫容易导致油菜发育迟缓、诱发病症,造成产量降低。叶片含水率的测定有利于对油菜进行健康状况分析和施水灌溉指导,对保障油菜产业的高质量发展有重要的意义。常规的含水率检测方法为烘干法,虽然测量精度高,但耗时周期长,并且需要破坏检测样本。光谱检测技术具有快速、无损和精度高等优点,研究学者已将其成功应用于农作物叶片的水分检测,并取得了阶段性进展。本文通过高光谱成像系统获取油菜叶片光谱数据,提取与叶片水分相关度较高的特征波段,利用反射光路和微型互补金属氧化物半导体(Complementary Metal-Oxide-Semiconductor,CMOS)传感器进行软硬件开发,基于偏最小二乘回归(Partial Least Squares Regression,PLSR)预测模型研制出一种便携式油菜叶片水分检测仪器。本仪器具有无损、便捷和测量精度较高的优点,能够有效的为油菜种植提供健康状况分析和施水灌溉指导。主要的研究内容和结论成果如下:(1)采用无土栽培的方式培育油菜植株,实验设置不同的水分梯度,并获取各水分梯度的油菜叶片样本数据。利用可见-近红外高光谱成像系统采集了样本的高光谱图像,将整个油菜叶片区域作为感兴趣区域(Region of Interest,ROI),将ROI中所有像素的平均光谱作为样本原始光谱,并使用烘干法测定油菜叶片的含水率。对光谱数据进行Savitzky-Golay平滑滤波,使用连续投影算法(Successive Projections Algorithm,SPA)提取了11个特征波长(484、517、539、558、671、684、708、720、741、885、965 nm)。(2)叶片水分检测仪器的器件选型和结构设计。分析各种类型光源的应用场景和光谱特性,使用微型低功耗卤素光源作为光源产生部件。分析光电传感器的原理,采用CMOS光电传感器作为光谱数据输出器件。针对油菜叶片薄且扁平的生理性状,设计了带有黑/白板切换的叶片光谱测量夹具。基于反射光路设计出一种便携式油菜叶片水分检测仪器结构。(3)基于光电传感器对叶片水分检测仪器进行软硬件开发。硬件设计包括功耗的预估、电源的布局分布、光电传感器的外围电路搭建、高速模数转换电路、主控芯片数字逻辑电路及印制电路板制作。软件设计包括界面显示、按键控制、光电传感器光谱数据采集等。(4)对叶片水分检测仪器进行功能验证和性能测试。软硬件调试阶段验证了光源的输出强度和输出稳定性、电路板的电压精度和稳定性、模数转换数据精度和稳定性及光电传感器数据的线性度和稳定性等,结果表明效果良好。利用最小二乘拟合法对光电传感器的波长进行标定,确认特征波段下的反射光谱数据的取值区间。(5)在不同水分梯度下,共计摘取150片油菜叶片作为试验样本,使用仪器测量特征波段下的光谱数据,并使用烘干法测定真实含水率。以3:1比例划分训练集和测试集,利用671、684、708、720、741、885、965 nm 7个特征波段建立偏最小二乘回归预测模型。结果表明,训练集相关系数RC和均方根误差RMSEC分别为0.9078和0.1538;测试集相关系数RP和均方根误差RMSEP分别为0.8917和0.1387。综上所述,本文研制的仪器能够实现对油菜叶片含水率的无损、便捷和准确检测。

马铃薯晚疫病检测方法研究及装置设计

这是一篇关于马铃薯晚疫病,无损检测,深度学习,光谱技术,嵌入式检测仪的论文, 主要内容为由致病疫霉侵染引起的晚疫病是马铃薯生产中的毁灭性病害,该病可危害马铃薯整个生育期,严重时可导致马铃薯绝收。为实现马铃薯晚疫病的快速检测,本文以离体马铃薯叶片为研究对象,分别基于深度学习和光谱技术实现了马铃薯晚疫病害的检测判别及早期预测,并使用树莓派、摄像头、光纤光谱仪及温湿度传感器等硬件进行二次开发,研制了一种体积小、操作简单、适应性强的马铃薯晚疫病检测仪,其既可根据叶片外部形态特征划分病害程度,又能够基于叶片光谱信息实现在无症状显现时对病害的早期判别和流行期的预测,此外还可基于检测结果发布预警防控信息,以利于晚疫病害的防治。本文主要研究内容及结论如下:(1)基于深度学习的马铃薯晚疫病害检测判别。构建了单一和复杂背景下的马铃薯叶片病害数据集,其包含7类马铃薯叶片图像,采用数据增强方法对其进行扩增,改善了类不平衡问题。以准确率、推理速度、参数量为指标综合评价了7种预训练模型对马铃薯叶片病害细粒度划分的性能,从中选出泛化能力较好且推理速度更快的Shuffle Net V2 2×模型并加以改进,提出了引入注意力机制模块、减少网络深度、减少1×1卷积个数三种改进策略,通过消融实验探究了其对基础模型性能的影响,并确定了最佳的改进形式,改进模型的参数量和计算量均减少了约23%、分类准确率上升了0.14%、CPU推理速度提升至30.2帧·s-1,对7类图像的识别精确率均在85%以上、召回率均在90%以上。此外,还提出了一种适用于嵌入式设备的轻量级分割网络S-UNet,其使用带有ECA模块的Shuffle Net V2作为U-Net的主干网络进行特征提取,对背景、叶片、早疫病害和晚疫病害四类像素进行分割的m Io U、m PA、m Precision及m Recall分别为88.54%、93.23%、94.43%和93.23%。进一步使用剪枝和量化方法对S-UNet模型进行优化,压缩后的模型模型保持了较高的分割精度,模型大小减小至21.56 M,在GPU和CPU上的推理速度分别提升至26.5帧·s-1和21.4帧·s-1。建立的两种深度学习模型分别实现了马铃薯叶片病害程度的判别及病斑区域的分割,且具有较高的识别精度和较快的推理速度,为实现马铃薯晚疫病害的自动识别提供了重要的技术支持。(2)基于光谱技术的马铃薯晚疫病害早期预测。通过分析不同疾病阶段下光谱透射率和理化值的响应发现,光谱透射率会随病情的加重而降低、POD活性先稍微降低后明显上升、SPAD值持续下降,说明透射率和理化值的变化可以反映患病程度。其次系统地结合预处理、降维和分类方法分别基于光谱透射率和理化值实现了对病害等级的判别,对于基于透射率的分类模型而言,分类方法的选择最为重要,其次是降维方法,建立的MC-NCA-KNN分类模型分类效果最好,准确率高达96.89%,且利用直接校正算法进行模型传递有助于建立稳健的光谱诊断模型,而建立高性能的理化值预测模型是基于理化值实现病害程度分类的前提,SG用于预处理并结合UVE用于波长选择可提高两种理化值的预测能力,再利用GBDT基于预测的理化值进行分级的准确率为95.35%。进一步探究了理化值随时间发展的响应规律,其中湿度和培育时间是影响理化值变化的两个重要因素,基于这两个因素建立的拟合POD活性和SPAD值回归模型的Rp2分别为0.9432和0.8754,最终结合基于理化值的回归和分类模型实现对晚疫病害流行时期的预测,准确率为92.8%。研究表明,基于光谱技术快速无损测定叶片理化值以实现晚疫病害定性判别及流行期预测是可行的,为马铃薯晚疫病害的早期检测和防治提供了理论参考。(3)设计并研制了一种马铃薯晚疫病检测仪,并对其进行了性能测试。首先基于功能要求对检测仪的硬件系统进行了总体设计,明确了各模块的功能及硬件组成,所设计的检测仪包括采集模块、控制模块、显示模块、电源模块四部分,其中采集模块包括温湿度传感器、摄像头、光谱仪及其附件,以获取马铃薯植株的表型信息及环境温湿度,控制模块采用ARM控制板,以实现与采集模块各硬件的通信并对其进行供电,显示模块使用触摸显示屏,方便用户进行交互,电源模块采用不间断电源以满足田间使用要求,此后对各功能模块硬件进行选型,并基于硬件系统的连接关系进行检测仪外壳的结构设计。之后基于Python语言并采用分层架构对软件进行总体设计,明确人机交互层、功能模块层和设备驱动层间的对应关系,根据各软件功能设计并编写相应程序,并使用Qtdesigner和Py Qt5进行交互界面设计,完成了可移植GUI应用程序的开发。最后从稳定性、准确性、实时性三方面对检测仪进行了性能测试,在测试过程中,CPU占有率和内存占有率均保持在50%以下,且基于图像和光谱对晚疫病进行分类的准确率分别为94%和92%,基于光谱对晚疫病流行期预测的准确率为87%,图像检测及光谱检测所需平均时间分别为10.9 s和6.2 s,结果表明检测仪软硬件运行稳定可靠,检测准确率较高,该装置具有实际应用价值。