專利名稱：一種水稻冠層葉瘟病快速診斷系統與方法
技術領域：
本發(fā)明涉及一種水稻冠層葉瘟病的快速診斷系統與方法，尤其是用于根據某特定
組合模擬波長結合判別算法進行水稻冠層葉瘟病快速診斷判別。
背景技術：
稻瘟病是水稻病害中最為常見的一種，嚴重發(fā)病情況下可使水稻減產40% 50%。目前，水稻葉瘟的診斷多依靠人眼進行分級測報，在發(fā)病早期，病斑不顯著，則難以實 現快速準確判別，從而錯過防治的有利時期。同時，人眼識別的主觀性強，需要的時間和精 力較多，無法滿足現代農業(yè)的發(fā)展要求。 專利申請?zhí)枮閆L200910097341. 4的專利申請公開了一種基于多光譜圖像處理的 水稻稻葉瘟病檢測分級方法。利用可見/近紅外多光譜攝像機實時采集綠光波段、紅光波 段、近紅外波段三個波段通道的單色灰度圖像，然后使用MATLAB軟件，通過圖象處理方法 編寫應用軟件，進行圖像處理。包括背景及噪聲、干擾等的消除和作物病斑信息的識別分 析，實現植物是否發(fā)病及病斑位置和分級的準確快速處理。但本方法及其采用的設備都比 較復雜、昂貴，不利于田間普及。 因此，研究一種既能快速、準確對水稻葉瘟進行判別，又簡單、成本低的系統和方 法是非常必要的。

發(fā)明內容
本發(fā)明提供一種基于組合模擬波段算法的能快速、準確又簡便、低成本的診斷水 稻冠層葉瘟病的系統和方法。 —種基于組合模擬波段算法的水稻冠層葉瘟病快速診斷系統，包括 (a)光譜發(fā)射系統，用于發(fā)射可見-近紅外范圍的連續(xù)光； (b)光譜接收系統，用于采集可見-近紅外范圍的光譜反射率數據； (c)調節(jié)支架，用于實現光譜接收系統上下方向和360°范圍的旋轉操作； (d)計算機數據處理系統，用于對光譜接收系統采集的反射率數據的存儲、預處
理、模型建立及水稻冠層葉瘟病的快速診斷判別、結果顯示、存儲； (e)作物操作平臺，用于調節(jié)作物水平位置高低； 光譜發(fā)射系統發(fā)射的光照射在水稻冠層上，反射光被光譜接收系統采集，得到水 稻冠層光譜反射率數據，光譜反射率數據傳入計算機數據處理系統，通過水稻冠層葉瘟病 快速診斷方法進行數據預處理和判別公式的判別，實現水稻冠層葉瘟病的快速診斷識別。
所述的光譜發(fā)射系統發(fā)射可見_近紅外連續(xù)光的波長為380 1100nm，既包括人 眼能識別的可見光380 780nm波譜范圍，又包括人眼不能看到的近紅外780 1100nm的 波譜范圍，可有效的與專家判別進行對比分析。 所述的調節(jié)支架進行光譜接收系統上下方向高度的調節(jié)范圍為0. 2 2. Om。能更
好地調節(jié)光譜接收系統的探頭到水稻冠層平面的垂直距離。
3
基于組合模擬波段算法的水稻冠層葉瘟病快速診斷方法，包括如下步驟
1)對采集到的波長范圍為400 lOOOnm的水稻冠層光譜反射率數據進行預處理 并提取最優(yōu)值；方法為首先進行直接正交信號校正處理，設定計算的成分數為2 20，允 許的偏差(tolerance)為0. 0005 0. 0015 ;對直接正交信號校正處理后的組合模擬波長 400 1000nm的數據再進行連續(xù)投影算法處理，設定最大選中波長點數量為2 30，經連 續(xù)投影算法處理后，選定直接正交信號校正處理后的組合模擬波段775nm處的數據為最優(yōu) 值，作為水稻葉瘟病判別公式的輸入值； 2)將直接正交信號校正處理后組合模擬波段775nm處的數據代入水稻葉瘟病判
別公式Y = 5. 283X。判別公式中X為經過預處理后組合模擬波段775nm處對應的數據，Y
為判別結果，當Y > 0. 5時，該樣本為健康樣本，當Y < 0. 5時，該樣本為染病樣本。 對于其他植物的葉瘟病的診斷，所建立的判別公式是不適應的，需要采用本發(fā)明
所述方法步驟重新建立判別公式。 本發(fā)明具有的有益效果是 (1)本發(fā)明應用組合模擬波段算法和判別公式Y二 5.283X進行快速判別，縮短了 病害判別時間，減少人眼判別的失誤率和主觀性，可用于實時的病害防治和對點噴藥措施， 有利于實現水稻病害防治的精細化管理和作業(yè)，同時此系統結構簡單、成本較低，利于普及 應用； (2)可根據實際情況，利用該方法選擇其他特征組合模擬波長，建立相應模型，用 于作物其它生長信息的快速檢測和判別。


圖1是水稻冠層葉瘟病快速診斷系統結構示意圖。 其中1、光譜發(fā)射系統；2、光譜接收系統；3、調節(jié)支架；4、計算機數據處理系統； 5、電源系統；6、作物操作平臺。
圖2是水稻冠層葉瘟病快速診斷方法流程圖。
圖3是水稻冠層原始可見_近紅外反射光譜圖。
圖4是應用水稻葉瘟病判別公式的判別結果示意圖。
具體實施方式

實施例1 如附圖1所示，本發(fā)明水稻冠層葉瘟病快速診斷系統包括光譜發(fā)射系統1、光譜接 收系統2、調節(jié)支架3、計算機數據處理系統4、電源系統5和作物操作平臺6。
將光譜發(fā)射系統1、光譜接收系統2和作物操作平臺6的高度和角度調整好，具體 布置應使光譜發(fā)射系統的光照射在水稻冠層上，光線入射角度為45° ，水稻冠層大體分布 在一個平面上。光譜接收系統對準水稻冠層，光譜接收系統的探頭距水稻冠層平面的垂直 距離大約為150mm。開機啟動該診斷系統后，待光譜發(fā)射系統和光譜接收系統預熱15分鐘 后，首先用光譜接收系統自帶白板代替水稻冠層，進行光譜掃描并根據系統自帶標準曲線 對光譜接收系統進行校正。系統校正好以后，再進行水稻冠層光譜數據的采集。水稻冠層 在380 1100nm范圍的反射率數據被光譜接收系統采集，并通過USB數據線傳入計算機數據處理系統進行存儲待用。 計算機數據處理系統首先將水稻冠層光譜反射率數據進行存儲，然后通過水稻冠 層葉瘟病快速診斷方法進行判別分析，具體步驟如下 1)將光譜接收系統采集的水稻冠層光譜反射率數據通過USB數據線傳入計算機 數據處理系統進行數據存儲，并選取400 lOOOnm范圍的數據待用； 2)對選取的400 lOOOnm范圍的光譜數據進行數據預處理，方法為直接正交信號 校正處理(參見Westerhuis， J. A. ;De Jong， S. ;Smilde， A. K. Direct orthogonal signal correction. Chemometrics and Intelligent LaboratorySystems， 2001， 56， 13-25.)，設定 計算的成分數為IO，允許的偏差(tolerance)為0. 001 。對直接正交信號校正處理后的組合 模擬波長400 lOOOnm的數據進行連續(xù)投影算法處理(參見Aratijo， M. C. U. ;Saldanha， T. C. B. ; Galv&0， R. K. H. ;Yoneyama， T. ;Chame， H. C. ;Vi sani， V.The successive projectionsalgorithm for variable selection in spectroscopic multicomponent analysis. Chemometrics and Intelligent Laboratory Systems, 2001， 57， 65_73.)，選擇 對水稻葉瘟病診斷最有效的波長點。運行連續(xù)投影算法時，設定最大選中波長點數量為5。 通過上述計算，選定直接正交信號校正處理后的組合模擬波段775nm處的數據作為水稻葉 瘟病判別公式的輸入值。此處組合模擬波段775nm處的數據為綜合400 lOOOnm范圍的 數據經過數據預處理運算，計算得出的數據，并不是光譜接收系統直接采集的775nm處的 原始數據。 3)將直接正交信號校正處理后組合模擬波段775nm處的數據代入水稻葉瘟病判 別公式Y = 5. 283X。判別公式中X為經過預處理后組合模擬波段775nm處對應的數據，Y 為判別結果，當Y > 0. 5時，該樣本為健康樣本，當Y < 0. 5時，該樣本為染病樣本。
以秈稻原豐早品種作為供試水稻品種，供試菌為稻瘟病病原菌稻灰梨孢 Pyricularia grisea菌株ZB"試驗分為對照(健康)和染病兩組，在相同條件下同時進行。 稻苗在人工氣候箱培養(yǎng)，欲染病的稻苗在3 4片葉時進行噴霧接種，環(huán)境條件是25°C 、RH > 86%，然后在25 28t:恒溫下黑暗保濕24小時，再移出室外進行隔離光照、噴水保濕培 養(yǎng)，采用第4天采集的120個水稻樣本的光譜數據，其中健康和染病樣本各60個。隨機選 擇建模集樣本80個(健康和染病樣本各40個)，其余40個樣本(健康和染病各20個)為 預測集樣本。采集水稻冠層的原始可見-近紅外反射光譜圖如附圖3所示，圖中橫坐標為 波長，范圍為400 1000nm，縱坐標為光譜反射率值。 將直接正交信號校正處理后的光譜數據連續(xù)投影算法處理，獲得組合模擬波段 775nm處的數值作為輸入變量X，將樣本健康或染病的種類作為輸出變量Y，應用建模集80 個樣本得到水稻冠層葉瘟診斷的直接線性方程。其結果如下Y = 5. 283X，其中X為直接 信號校正處理后的組合模擬波段775nm處的光譜值，Y為水稻冠層葉瘟的判別值。當Y > 0. 5時，判定該樣本為健康樣本，當Y < 0. 5時，判定該樣本為染病樣本。用建模集樣本對該 直接線性方程的判別性能進行驗證，對建模集樣本的判別準確率為100 % ，對預測集樣本的 判別準確率為95. 0%，具體結果見附圖4。
實施例2 采用如實施例1所用的裝置，直接正交信號校正處理，設定計算的成分數為20，允 許的偏差(tolerance)為0. 0005，運行連續(xù)投影算法時，設定最大選中波長點數量為15，運用如實施例l所用的方法，得到的可見-近紅外反射光譜圖也如附圖3所示，應用水稻葉瘟 病判別公式的判別結果示意圖如附圖4所示，用建模集樣本對該直接線性方程的判別性能 進行驗證，對建模集樣本的判別準確率為100%，對預測集樣本的判別準確率為95. 0%。
實施例3 采用如實施例1所用的裝置，直接正交信號校正處理，設定計算的成分數為5，允 許的偏差(tolerance)為0. 0015，運行連續(xù)投影算法時，設定最大選中波長點數量為30，運 用如實施例l所用的方法，得到的可見-近紅外反射光譜圖也如附圖3所示，應用水稻葉瘟 病判別公式的判別結果示意圖如附圖4所示，用建模集樣本對該直接線性方程的判別性能 進行驗證，對建模集樣本的判別準確率為100%，對預測集樣本的判別準確率為95. 0%。
上述具體實施方式
用來解釋說明本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的 精神和權力要求的保護范圍內，對本方面做出的任何修改和改變，都落入本發(fā)明的保護范 圍。
權利要求
基于組合模擬波段算法的水稻冠層葉瘟病快速診斷系統，其特征在于包括(a)光譜發(fā)射系統(1)，用于發(fā)射可見-近紅外范圍的連續(xù)光；(b)光譜接收系統(2)，用于采集可見-近紅外范圍的光譜反射率數據；(c)調節(jié)支架(3)，用于實現光譜接收系統上下方向和360°范圍的旋轉操作；(d)計算機數據處理系統(4)，用于對光譜接收系統采集的反射率數據的存儲、預處理、模型建立及水稻冠層葉瘟病的快速診斷判別、結果顯示、存儲；(e)作物操作平臺(6)，用于調節(jié)待測作物水平位置高低；光譜發(fā)射系統(1)發(fā)射的光照射在水稻冠層上，反射光被光譜接收系統采集，得到水稻冠層光譜反射率數據，光譜反射率數據傳入計算機數據處理系統，通過水稻冠層葉瘟病快速診斷方法進行數據預處理和判別公式的判別，實現水稻冠層葉瘟病的快速診斷識別。
2. 如權利要求1所述的水稻冠層葉瘟病快速診斷系統，其特征在于所述的光譜發(fā)射系統(1)發(fā)射可見-近紅外連續(xù)光的波長為380 1100nm。
3. 如權利要求1所述的水稻冠層葉瘟病快速診斷系統，其特征在于所述的調節(jié)支架 (3)進行光譜接收系統(2)上下方向高度的調節(jié)范圍為0. 2 2. Om。
4. 基于組合模擬波段算法的水稻冠層葉瘟病快速診斷方法，其特征在于包括如下步驟1) 對采集到的波長范圍為400 1000nm的水稻冠層光譜反射率數據進行預處理并提 取最優(yōu)值；方法為首先進行直接正交信號校正處理，設定計算的成分數為2 20，允許的偏 差為0. 0005 0. 0015 ;對直接正交信號校正處理后的組合模擬波長400 1000nm的數據 再進行連續(xù)投影算法處理，設定最大選中波長點數量為2 30，經連續(xù)投影算法處理后，選 定直接正交信號校正處理后的組合模擬波段775nm處的數據為最優(yōu)值，作為水稻葉瘟病判 別公式的輸入值；2) 將直接正交信號校正處理后組合模擬波段775nm處的數據代入水稻葉瘟病判別公 式Y = 5. 283X，判別公式中X為經過預處理后組合模擬波段775nm處對應的數據，Y為判 別結果；當Y > 0. 5時，該樣本為健康樣本，當Y < 0. 5時，該樣本為染病樣本。
全文摘要
本發(fā)明公開了一種診斷水稻冠層葉瘟病的系統，包括光譜發(fā)射系統、光譜接收系統、調節(jié)支架、計算機數據處理系統、作物操作平臺，光譜發(fā)射系統發(fā)射的光照射在水稻冠層上，反射光被光譜接收系統采集，得到水稻冠層光譜反射率數據，光譜反射率數據傳入計算機數據處理系統，通過水稻冠層葉瘟病快速診斷方法進行數據預處理和判別公式的判別，實現水稻冠層葉瘟病的快速診斷識別。本發(fā)明還公開了一種診斷水稻冠層葉瘟病的方法，應用組合模擬波段算法和判別公式Y＝5.283X進行快速判別，減少人眼判別的失誤率和主觀性，可用于實時的病害防治和對點噴藥措施，同時此系統結構簡單、成本較低，利于普及應用。
文檔編號G01N21/49GK101701917SQ200910154289
公開日2010年5月5日 申請日期2009年11月19日 優(yōu)先權日2009年11月19日
發(fā)明者何勇, 馮雷, 劉飛, 孫光明 申請人:浙江大學