一种水稻白叶枯病早期无症状检测方法

1.本发明涉及水稻白叶枯病检测技术领域，具体涉及一种水稻白叶枯病早期无症状检测方法。


背景技术：

2.随着农业生产需求和检测技术的发展，对于农作物病害早期无症状的检测日益成为研究的热点。当下基于计算机视觉的农作物病害检测和分类主要依赖于病害爆发后展现的颜色、纹理等特征构建的模型来实现。研究人员已经提出了多种基于rgb图像检测感病水稻叶片的外部变化的模型，并且取得了很好的效果。
3.其中，基于深度学习技术的农作物病害检测模型越来越引起研究人员的注意。深度学习可以理解为“特征学习”，它是通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”完成复杂的分类与回归等任务。自2015年起，随着计算机数据处理能力的大幅提升，深度卷积神经网络取得了飞速发展，在农作物病害检测中的应用研究越来越广泛。深度学习工具中各类经典卷积神经网络(例如resnet、googlenet、vgg等)和自定义卷积神经网络已被广泛应用于农作物病害检测。
4.目前尽管深度神经网络在从rgb图像检测水稻病害方面取得了巨大成功，但值得注意的是，这些网络无法基于rgb图像检测农作物早期无症状病害。如果不提前给出标签，由于其相似的视觉纹理，很难通过目视检测识别叶片是健康状态还是无症状病害状态。而且就目前的高光谱成像技术的发展状况来看，高光谱图像中海量的光谱信息数据未被充分处理和挖掘，信息处理远远不能满足实时需要，以及当前基于深度学习技术的高光谱病害检测模型忽略了目标尺度的问题(在给定尺寸的图像中，有的病斑比较小，有的病斑比较大)，而使用固定尺寸的卷积核会导致较低的识别准确率。因此当前技术中存在无法基于rgb图像检测农作物早期无症状病害，海量的高光谱图像数据的未被充分处理和挖掘难以满足检测实时性需求，使用固定尺寸的卷积核会导致较低的识别准确率的问题。


技术实现要素：

5.本发明的目的在于提供一种水稻白叶枯病早期无症状检测方法，以解决现有技术中无法基于rgb图像检测农作物早期无症状病害，高光谱图像中海量的光谱信息数据未被充分处理和挖掘难以满足检测实时性需求，使用固定尺寸的卷积核会导致较低的识别准确率的技术问题。
6.为解决上述技术问题，本发明具体提供下述技术方案：
7.一种水稻白叶枯病早期无症状检测方法，包括以下步骤：
8.获取健康水稻叶片和感染白叶枯病害的水稻叶片在预设波段内各个光谱波长处的高光谱图像组成高光谱图像数据集，并利用高光谱图像数据集构建健康水稻叶片和感染白叶枯病害的水稻叶片的高光谱曲线确定出特征波长区间，其中，位于所述特征波长区间内的高光谱图像表征为可区分健康水稻叶片和感染白叶枯病害的水稻叶片的图像特征；
9.利用随机森林算法基于位于特征波长区间内的所述高光谱图像对特征波长区间内各个光谱波长进行重要性评分，并在特征波长区间中选取出高重要性评分的光谱波长作为特征敏感波长；
10.将特征敏感波长处的高光谱图像作为用于区分高光谱图像所属叶片类别的敏感图像特征，以实现高光谱图像数据集的数据降维；
11.基于敏感图像特征对3dcnn模型训练得到用于水稻白叶枯病早期无症状检测的3dcnn无症状检测模型；
12.在3dcnn无症状检测模型中引入多尺度光谱空洞卷积模块进行精度优化得到ms-sdc-3dcnn模型，以实现水稻白叶枯病早期无症状的高精度检测。
13.作为本发明的一种优选方案，所述利用高光谱图像数据集构建健康水稻叶片和感染白叶枯病害的水稻叶片的高光谱曲线确定出特征波长区间，包括：
14.将高光谱图像数据集中属于健康水稻叶片的所有高光谱图像绘制在光谱坐标系中得到健康水稻叶片的高光谱曲线，其中，所述光谱二维坐标系中纵坐标为反射强度，横坐标为光谱波长；
15.将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中无症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到无症状水稻叶片的高光谱曲线；
16.将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中轻度症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到轻度症状水稻叶片的高光谱曲线；
17.将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中中度症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到中度症状水稻叶片的高光谱曲线；
18.将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中重度症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到重度症状水稻叶片的高光谱曲线；
19.在健康水稻叶片的高光谱曲线、无症状水稻叶片的高光谱曲线、轻度症状水稻叶片的高光谱曲线、中度症状水稻叶片的高光谱曲线和重度症状水稻叶片的高光谱曲线中进行逐点测算相似度，并将相似度低于预设阈值的所有曲线点进行逐点连接得到特征区分曲线；
20.将特征区分曲线位于的光谱波长区间作为所述特征波长区间。
21.作为本发明的一种优选方案，所述利用随机森林算法基于位于特征波长区间内的所述高光谱图像对特征波长区间内各个光谱波长进行重要性评分，包括：
22.利用随机森林算法依次对位于特征波长区间内的每个高光谱图像进行随机替换，并计算替换前后的区分高光谱图像所属叶片类别的分类误差作为高光谱图像的重要性评分；
23.将高光谱图像的重要性评分作为高光谱图像对应的光谱波长的重要性评分，并依据光谱波长的重要性评分对光谱波长进行由高到低排序。
24.作为本发明的一种优选方案，所述在特征波长区间中选取出高重要性评分的光谱波长作为特征敏感波长，包括：
25.设定选取阈值，对特征波长区间中排序后的光谱波长的重要性评分由高到低进行求和直到满足所选定阈值为止，将此累加过程中对应的光谱波长作为所述特征敏感波长；
26.其中，选取阈值为0.9。
27.作为本发明的一种优选方案，所述3dcnn无症状检测模型的获取，包括：
28.将高光谱图像数据集中位于特征敏感波长处的健康水稻叶片的高光谱图像、高光谱图像数据集中位于特征敏感波长处的感染白叶枯病害的水稻叶片的高光谱图像作为3dcnn模型的输入，将高光谱图像所属叶片类别作为3dcnn模型的输出；
29.利用3dcnn模型基于所述3dcnn模型的输入和3dcnn模型的输出进行训练得到所述3dcnn无症状检测模型。
30.作为本发明的一种优选方案，所述在3dcnn无症状检测模型中引入多尺度光谱空洞卷积模块得到ms-sdc-3dcnn模型，包括：
31.通过选取不同光谱空洞率的三维光谱空洞卷积模块组合为多尺度光谱空洞卷积模块，分别对所述高光谱图像进行光谱特征提取，其中，不同光谱空洞率的三维光谱空洞卷积模块所提取到的光谱特征信息在光谱维度上具有不同的特征尺度；
32.所述多尺度光谱空洞卷积模块将获得的不同特征尺度的光谱特征信息进行融合，以提高高光谱图像中光谱特征信息的获取；
33.将多尺度光谱空洞卷积模块输出的光谱特征信息作为3dcnn无症状检测模型的输入，以提高3dcnn无症状监测模型的检测性能；
34.所述三维光谱空洞卷积模块的感受野与光谱空洞率的关系式为：
35.rf＝2
×
(r
sdr-1)
×
(k-1)+k；
36.其中rf表示三维光谱空洞卷积模块中单个卷积核的感受野；r
sdr
表示光谱空洞率，k表示卷积核的大小，这里k默认设置为3；
37.所述多尺度光谱空洞卷积模块中的特征提取操作由3d卷积来实现，其中，计算3d卷积网络的第i层中第j个特征图上位置(x,y,z)处的值的计算公式为：
[0038][0039]
其中，为第i层第j个特征图上位置(x,y,z)处的值，hi、wi和di是第i层卷积核的高度、宽度和深度，f为第i层的激活函数，是连接到上一层第m个特征图的卷积核位置(h,w,d)处的权重参数，是上一层第m个特征图上位置(x+h,y+w,z+d)处的值，b
ij
是第i层第j个特征图的偏差；
[0040]
将多尺度光谱空洞卷积模块的输出作为3dcnn无症状检测模型的输入得到所述ms-sdc-3dcnn模型。
[0041]
作为本发明的一种优选方案，所述利用ms-sdc-3dcnn模型基于敏感图像特征进行训练，包括：
[0042]
将高光谱图像数据集中位于特征敏感波长处的健康水稻叶片的高光谱图像、高光谱图像数据集中位于特征敏感波长处的感染白叶枯病害的水稻叶片的高光谱图像混合作为训练图像数据集；
[0043]
将训练图像数据集以8:1:1的比例分为训练集、验证集和测试集，并利用所述训练集、验证集和测试集对所述ms-sdc-3dcnn模型进行训练得到所述检测模型；
[0044]
其中，ms-sdc-3dcnn模型使用交叉熵作为损失函数，使用随机梯度下降优化器进行训练，ms-sdc-3dcnn模型的具体参数如下：学习率设置为1
×
10-3
，权重衰减系数设置为1
×
10-6
，动量设为0.95，ε设为1
×
10-5
，epoch设置为50，dropout设置为0.45，ms-sdc-3dcnn输入的高光谱图像尺寸为(9,9,10)。
[0045]
作为本发明的一种优选方案，所述ms-sdc-3dcnn模型中设置有残差块，以实现残差块来避免梯度消失问题。
[0046]
作为本发明的一种优选方案，所述高光谱图像由31680个像素组成，尺寸为(132,240,10)，其中，高光谱图像像素分为三类：健康像素、无症状病害像素和有症状病害像素。
[0047]
作为本发明的一种优选方案，所述特征波长区间为450-950nm，所述特征波长区间内包含232个光谱波长。
[0048]
本发明与现有技术相比较具有如下有益效果：
[0049]
本发明利用随机森林算法对高光谱图像进行降维，确定对病害敏感的波长，降低水稻叶片的无症状检测模型的训练时间，构建多尺度光谱空洞卷积模块，实现在不增加计算量的前提下，扩大神经网络的感受野，以提高特征提取能力，采用多尺度光谱空洞卷积模块对无症状检测模型进行优化，无症状检测模型利用经提取和融合后多个波长分辨率的特征，更有效地使用重要的波长信息，以提高无症状检测模型的检测性能。
附图说明
[0050]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0051]
图1为本发明实施例提供水稻白叶枯病早期无症状检测方法的结构示意图的结构示意图；
[0052]
图2为健康水稻叶片的rgb高光谱图像；
[0053]
图3为感染白叶枯病害的无症状水稻叶片的rgb高光谱图像；
[0054]
图4为高光谱曲线图；
[0055]
图4(a)为232个波长的重要性评分；
[0056]
图4(b)为232个波长中前50个波长的重要性分数的排名；
[0057]
图5为不同光谱空洞率的三维光谱空洞卷积模块示意图；
[0058]
图5(a)为光谱空洞率为1的三维光谱空洞卷积模块示意图；
[0059]
图5(b)为光谱空洞率为2的三维光谱空洞卷积模块示意图；
[0060]
图5(c)为光谱空洞率为3的三维光谱空洞卷积模块示意图；
[0061]
图6为多尺度光谱空洞卷积模块示意图；
[0062]
图7为ms-sdc-3dcnn模型的神经网络框架图。
具体实施方式
[0063]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
深度神经网络在从rgb图像检测水稻病害方面取得了巨大成功，但值得注意的是，这些网络可能无法为基于rgb图像的早期无症状blb病害检测产生正确的结果。水稻白叶枯病害胁迫下健康和无症状叶片的高光谱图像的rgb图示如图2和图3所示。如果不提前给出标签，由于其相似的视觉纹理，很难通过目视检测识别叶片是健康的(图2)还是无症状的(图3)。
[0065]
然而，病害会使得水稻叶片内部结构发生变化，水稻叶片的这种内部变化导致叶片对于不同波段的反射率也发生变化，使得利用高光谱成像技术来检测水稻病害的无症状感染得以实现。因此本发明基于水稻叶片的高光谱图像结合深度学习模型进行水稻白叶枯病害早期无症状检测方法(一种水稻白叶枯病早期无症状检测方法)，利用高光谱图像实现无症状检测，有利于预防和控制白叶枯病害。
[0066]
如图1所示，本发明提供了一种水稻白叶枯病早期无症状检测方法，包括以下步骤：
[0067]
获取健康水稻叶片和感染白叶枯病害的水稻叶片在预设波段内各个光谱波长处的高光谱图像组成高光谱图像数据集，并利用高光谱图像数据集构建健康水稻叶片和感染白叶枯病害的水稻叶片的高光谱曲线确定出特征波长区间，其中，位于所述特征波长区间内的高光谱图像表征为可区分健康水稻叶片和感染白叶枯病害的水稻叶片的图像特征；
[0068]
利用随机森林算法基于位于特征波长区间内的所述高光谱图像对特征波长区间内各个光谱波长进行重要性评分，并在特征波长区间中选取出高重要性评分的光谱波长作为特征敏感波长；
[0069]
将特征敏感波长处的高光谱图像作为用于区分高光谱图像所属叶片类别的敏感图像特征，以实现高光谱图像数据集的数据降维；
[0070]
基于敏感图像特征对3dcnn模型训练得到用于水稻白叶枯病早期无症状检测的3dcnn无症状检测模型；
[0071]
在3dcnn无症状检测模型中引入多尺度光谱空洞卷积模块进行精度优化得到ms-sdc-3dcnn模型，以实现水稻白叶枯病早期无症状的高精度检测。
[0072]
病害会使得水稻叶片内部结构发生变化，水稻叶片的这种内部变化导致叶片对于不同波段的反射率也发生变化，因此在同一光谱波长处健康水稻叶片和感染白叶枯病害的水稻叶片的高光谱图像对应的反射率不同，反射率的不同就可以区分出高光谱图像是属于健康水稻叶片还是感染白叶枯病害的水稻叶片，因此通过对比各种水稻叶片的高光谱曲线能够筛选出区分出高光谱图像所属水稻叶片类别的光谱波段，即表明该光谱波段内的高光谱图像包含有区分水稻叶片类别的图像特征，因此，通过高光谱曲线的绘制，能够获取可区分健康水稻叶片和感染白叶枯病害的水稻叶片的图像特征，具体如下：
[0073]
所述利用高光谱图像数据集构建健康水稻叶片和感染白叶枯病害的水稻叶片的高光谱曲线确定出特征波长区间，包括：
[0074]
将高光谱图像数据集中属于健康水稻叶片的所有高光谱图像绘制在光谱坐标系中得到健康水稻叶片的高光谱曲线，其中，所述光谱二维坐标系中纵坐标为反射强度，横坐标为光谱波长；
[0075]
将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中无症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到无症状水稻叶片的高光谱曲线；
[0076]
将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中轻度症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到轻度症状水稻叶片的高光谱曲线；
[0077]
将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中中度症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到中度症状水稻叶片的高光谱曲线；
[0078]
将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中重度症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到重度症状水稻叶片的高光谱曲线；
[0079]
在健康水稻叶片的高光谱曲线、无症状水稻叶片的高光谱曲线、轻度症状水稻叶片的高光谱曲线、中度症状水稻叶片的高光谱曲线和重度症状水稻叶片的高光谱曲线中进行逐点测算相似度，并将相似度低于预设阈值的所有曲线点进行逐点连接得到特征区分曲线；
[0080]
将特征区分曲线位于的光谱波长区间作为所述特征波长区间。
[0081]
如图4，图4(a)，图4(b)所示为白叶枯病害胁迫下不同病害状态的水稻叶片378到1033nm波长之间的高光谱曲线图，因此区分水稻叶片所述类别的光谱特征信息涵盖在为378-1033nm光谱波长之间。实验所使用的高光谱成像系统的光谱分辨率为2.14nm，拍摄获取的高光谱波长区间为378.28nm-1033.05nm，为了减少光谱两端因仪器、环境而产生的噪声的影响，对378-1033nm光谱波长区间进行进一步截取为451.276nm-949.664nm，因此本发明将特征波长区间设置为450-950nm，既包含区分水稻叶片所述类别的光谱特征信息，又减少光谱两端因仪器、环境而产生的噪声的影响。
[0082]
在特征波长区间378-1033nm中获取所有高光谱图像，截取450至950nm光谱波长处的高光谱图像以去除特征波长区间两端的噪声，同时更好的区分水稻叶片所述类别的光谱特征信息。所获得的高光谱图像数据其特点是相邻波长之间具有高维冗余。过多的冗余光谱信息给检测方法和计算复杂性带来了巨大挑战。因此，有必要通过降维方法压缩数据量，在不丢弃有效特征光谱信息的基础上降低后续处理的成本，本发明利用随机森林算法进行区分水稻叶片所属类别的光谱特征信息降维，降低原始高光谱数据的维数，从而降低计算复杂度，具体步骤如下：
[0083]
所述利用随机森林算法基于位于特征波长区间内的所述高光谱图像对特征波长区间内各个光谱波长进行重要性评分，包括：
[0084]
利用随机森林算法依次对位于特征波长区间内的每个高光谱图像进行随机替换，并计算替换前后的区分高光谱图像所属叶片类别的分类误差作为高光谱图像的重要性评分；
[0085]
将高光谱图像的重要性评分作为高光谱图像对应的光谱波长的重要性评分，并依据光谱波长的重要性评分对光谱波长进行由高到低排序。
[0086]
设定选取阈值，对特征波长区间中排序后的光谱波长的重要性评分由高到低进行求和直到满足所选定阈值为止，将此累加过程中对应的光谱波长作为所述特征敏感波长；
[0087]
其中，选取阈值为0.9。
[0088]
利用rf对450至950nm中原始232个波长的重要性得分进行排序(图4(a))。可以看出，重要性得分最高的波长主要分布在500
–
700nm。图4(b)清楚地表明，重要性得分最高的
前10个波长为547.2nm、534.5nm、551.4nm、566.2nm、697.4nm、530.3nm、693.0nm、543.0nm、538.7nm和568.4nm，将重要性得分最高的前10个波长为547.2nm、534.5nm、551.4nm、566.2nm、697.4nm、530.3nm、693.0nm、543.0nm、538.7nm和568.4nm作为敏感特征波长，即区分水稻叶片类别的最少数量的特征，并能保证检测模型的检测准确度。将前10个敏感特征波长对应的高光谱图像作为3dcnn深度学习模型的输入，训练3dcnn检测模型，对水稻白叶枯早期无症状病害进行检测。
[0089]
所述3dcnn无症状检测模型的获取，包括：
[0090]
将高光谱图像数据集中位于特征敏感波长处的健康水稻叶片的高光谱图像、高光谱图像数据集中位于特征敏感波长处的感染白叶枯病害的水稻叶片的高光谱图像作为3dcnn模型的输入，将高光谱图像所属叶片类别作为3dcnn模型的输出；
[0091]
利用3dcnn模型基于所述3dcnn模型的输入和3dcnn模型的输出进行训练得到所述3dcnn无症状检测模型。
[0092]
在水稻叶片病害高光谱图像分析过程中，由于病害入侵的程度和水稻植株对病害的抵抗作用不同，选定的感兴趣区域中，水稻叶片高光谱图像中包含大量的光谱信息，这使得采用固定尺寸的卷积核构建的检测模型难以获得充分的光谱信息，从而导致识别准确率降低，因此本发明在3dcnn无症状检测模型中引入了三维光谱空洞卷积模块，以扩展光谱维度的感受野，利用三维光谱空洞卷积模块分别提取不同尺度的光谱特征，最后再进行融合计算，以获得更为丰富的光谱信息，提升模型检测性能，具体如下：
[0093]
所述在3dcnn无症状检测模型中引入多尺度光谱空洞卷积模块得到ms-sdc-3dcnn模型，包括：
[0094]
通过选取不同光谱空洞率的三维光谱空洞卷积模块组合为多尺度光谱空洞卷积模块，分别对所述高光谱图像进行光谱特征提取，其中，不同光谱空洞率的三维光谱空洞卷积模块所提取到的光谱特征信息在光谱维度上具有不同的特征尺度；
[0095]
所述多尺度光谱空洞卷积模块将获得的不同特征尺度的光谱特征信息进行融合，以提高高光谱图像中光谱特征信息的获取；
[0096]
将多尺度光谱空洞卷积模块输出的光谱特征信息作为3dcnn无症状检测模型的输入，以提高3dcnn无症状监测模型的检测性能；
[0097]
所述三维光谱空洞卷积模块的感受野与光谱空洞率的关系式为：
[0098]
rf＝2
×
(r
sdr-1)
×
(k-1)+k；
[0099]
其中rf表示三维光谱空洞卷积模块中单个卷积核的感受野；r
sdr
表示光谱空洞率，k表示卷积核的大小，这里k默认设置为3；
[0100]
图5(a)中黑色cube为尺寸为(3,3,3)的卷积核，光谱空洞率sdr＝1说明不添加空洞，感受野尺寸也为(3,3,3)。图5(b)中光谱空洞率sdr＝2，黑色cube为卷积核添加空洞之后的位置，白色cube为添加空洞之后卷积核感受野的尺寸(7,7,7)。图5(c)中光谱空洞率sdr＝3，黑色cube为卷积核添加空洞之后的位置，白色cube为添加空洞之后卷积核感受野的尺寸(11,11,11)。黑色立方体代表卷积核，白色立方体覆盖感受野。即当sdr设置为1、2和3时，三维光谱空洞卷积模块中卷积核的感受野分别为3
×3×
3、7
×7×
7和11
×
11
×
11。不同光谱空洞率的三维光谱空洞卷积模块组合为多尺度光谱空洞卷积模块，实现分别对所述高光谱图像进行光谱特征提取。
[0101]
具体的，所述多尺度光谱空洞卷积模块中的特征提取操作由3d卷积来实现，其中，计算3d卷积网络的第i层中第j个特征图上位置(x,y,z)处的值的计算公式为：
[0102][0103]
其中，为第i层第j个特征图上位置(x,y,z)处的值，hi、wi和di是第i层卷积核的高度、宽度和深度，f为第i层的激活函数，是连接到上一层第m个特征图的卷积核位置(h,w,d)处的权重参数，是上一层第m个特征图上位置(x+h,y+w,z+d)处的值，b
ij
是第i层第j个特征图的偏差。
[0104]
将多尺度光谱空洞卷积模块的输出作为3dcnn无症状检测模型的输入得到所述ms-sdc-3dcnn模型。
[0105]
所述利用ms-sdc-3dcnn模型基于敏感图像特征进行训练，包括：
[0106]
将高光谱图像数据集中位于特征敏感波长处的健康水稻叶片的高光谱图像、高光谱图像数据集中位于特征敏感波长处的感染白叶枯病害的水稻叶片的高光谱图像混合作为训练图像数据集；
[0107]
将训练图像数据集以8:1:1的比例分为训练集、验证集和测试集，并利用所述训练集、验证集和测试集对所述ms-sdc-3dcnn模型进行训练得到所述检测模型；
[0108]
其中，ms-sdc-3dcnn模型使用交叉熵作为损失函数，使用随机梯度下降优化器进行训练，ms-sdc-3dcnn模型的具体参数如下：学习率设置为1
×
10-3
，权重衰减系数设置为1
×
10-6
，动量设为0.95，ε设为1
×
10-5
，epoch设置为50，dropout设置为0.45，ms-sdc-3dcnn输入的高光谱图像尺寸为(9,9,10)。
[0109]
所述ms-sdc-3dcnn模型中设置有残差块，以实现残差块来避免梯度消失问题。
[0110]
所述高光谱图像由31680个像素组成，尺寸为(132,240,10)，其中，高光谱图像像素分为三类：健康像素、无症状病害像素和有症状病害像素。将所述高光谱图像裁剪成尺寸为(9,9,10)的图像块作为ms-sdc-3dcnn输入的高光谱图像尺寸，并将每个图像块中心像素所对应的分类标签分配给该图像块。
[0111]
所述特征波长区间为450-950nm，所述特征波长区间内包含232个光谱波长。实验所使用的高光谱成像系统的光谱分辨率为2.14nm，选取的特征波长区间为450-950nm,把波长区间除以光谱分辨率可计算得到波长区间内共包含232个波长。
[0112]
本发明利用随机森林算法对高光谱图像进行降维，确定对病害敏感的波长，降低水稻叶片的无症状检测模型的训练时间，构建多尺度光谱空洞卷积模块，实现在不增加计算量的前提下，扩大神经网络的感受野，以提高特征提取能力，采用多尺度光谱空洞卷积模块对无症状检测模型进行优化，无症状检测模型利用经提取和融合后多个波长分辨率的特征，更有效地使用重要的波长信息，以提高无症状检测模型的检测性能。
[0113]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。

技术特征：
1.一种水稻白叶枯病早期无症状检测方法，其特征在于，包括以下步骤：获取健康水稻叶片和感染白叶枯病害的水稻叶片在预设波段内各个光谱波长处的高光谱图像组成高光谱图像数据集，并利用高光谱图像数据集构建健康水稻叶片和感染白叶枯病害的水稻叶片的高光谱曲线确定出特征波长区间，其中，位于所述特征波长区间内的高光谱图像表征为可区分健康水稻叶片和感染白叶枯病害的水稻叶片的图像特征；利用随机森林算法基于位于特征波长区间内的所述高光谱图像对特征波长区间内各个光谱波长进行重要性评分，并在特征波长区间中选取出高重要性评分的光谱波长作为特征敏感波长；将特征敏感波长处的高光谱图像作为用于区分高光谱图像所属叶片类别的敏感图像特征，以实现高光谱图像数据集的数据降维；基于敏感图像特征对3dcnn模型训练得到用于水稻白叶枯病早期无症状检测的3dcnn无症状检测模型；在3dcnn无症状检测模型中引入多尺度光谱空洞卷积模块进行精度优化得到ms-sdc-3dcnn模型，以实现水稻白叶枯病早期无症状的高精度检测。2.根据权利要求1所述的一种水稻白叶枯病早期无症状检测方法，其特征在于：所述利用高光谱图像数据集构建健康水稻叶片和感染白叶枯病害的水稻叶片的高光谱曲线确定出特征波长区间，包括：将高光谱图像数据集中属于健康水稻叶片的所有高光谱图像绘制在光谱坐标系中得到健康水稻叶片的高光谱曲线，其中，所述光谱二维坐标系中纵坐标为反射强度，横坐标为光谱波长；将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中无症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到无症状水稻叶片的高光谱曲线；将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中轻度症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到轻度症状水稻叶片的高光谱曲线；将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中中度症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到中度症状水稻叶片的高光谱曲线；将高光谱图像数据集中属于感染白叶枯病害的水稻叶片中重度症状水稻叶片的所有高光谱图像绘制在光谱坐标系中得到重度症状水稻叶片的高光谱曲线；在健康水稻叶片的高光谱曲线、无症状水稻叶片的高光谱曲线、轻度症状水稻叶片的高光谱曲线、中度症状水稻叶片的高光谱曲线和重度症状水稻叶片的高光谱曲线中进行逐点测算相似度，并将相似度低于预设阈值的所有曲线点进行逐点连接得到特征区分曲线；将特征区分曲线位于的光谱波长区间作为所述特征波长区间。3.根据权利要求2所述的一种水稻白叶枯病早期无症状检测方法，其特征在于：所述利用随机森林算法基于位于特征波长区间内的所述高光谱图像对特征波长区间内各个光谱波长进行重要性评分，包括：利用随机森林算法依次对位于特征波长区间内的每个高光谱图像进行随机替换，并计算替换前后的区分高光谱图像所属叶片类别的分类误差作为高光谱图像的重要性评分；将高光谱图像的重要性评分作为高光谱图像对应的光谱波长的重要性评分，并依据光谱波长的重要性评分对光谱波长进行由高到低排序。
4.根据权利要求3所述的一种水稻白叶枯病早期无症状检测方法，其特征在于：所述在特征波长区间中选取出高重要性评分的光谱波长作为特征敏感波长，包括：设定选取阈值，对特征波长区间中排序后的光谱波长的重要性评分由高到低进行求和直到满足所选定阈值为止，将此累加过程中对应的光谱波长作为所述特征敏感波长；其中，选取阈值为0.9。5.根据权利要求3或4所述的一种水稻白叶枯病早期无症状检测方法，其特征在于：所述3dcnn无症状检测模型的获取，包括：将高光谱图像数据集中位于特征敏感波长处的健康水稻叶片的高光谱图像、高光谱图像数据集中位于特征敏感波长处的感染白叶枯病害的水稻叶片的高光谱图像作为3dcnn模型的输入，将高光谱图像所属叶片类别作为3dcnn模型的输出；利用3dcnn模型基于所述3dcnn模型的输入和3dcnn模型的输出进行训练得到所述3dcnn无症状检测模型。6.根据权利要求3所述的一种水稻白叶枯病早期无症状检测方法，其特征在于：所述在3dcnn无症状检测模型中引入多尺度光谱空洞卷积模块得到ms-sdc-3dcnn模型，包括：通过选取不同光谱空洞率的三维光谱空洞卷积模块组合为多尺度光谱空洞卷积模块，分别对所述高光谱图像进行光谱特征提取，其中，不同光谱空洞率的三维光谱空洞卷积模块所提取到的光谱特征信息在光谱维度上具有不同的特征尺度；所述多尺度光谱空洞卷积模块将获得的不同特征尺度的光谱特征信息进行融合，以提高高光谱图像中光谱特征信息的获取；将多尺度光谱空洞卷积模块输出的光谱特征信息作为3dcnn无症状检测模型的输入，以提高3dcnn无症状监测模型的检测性能；所述三维光谱空洞卷积模块的感受野与光谱空洞率的关系式为：r
f
＝2
×
(r
sdr-1)
×
(k-1)+k；其中r
f
表示三维光谱空洞卷积模块中单个卷积核的感受野；r
sdr
表示光谱空洞率，k表示卷积核的大小，这里k默认设置为3；所述多尺度光谱空洞卷积模块中的特征提取操作由3d卷积来实现，其中，计算3d卷积网络的第i层中第j个特征图上位置(x,y,z)处的值的计算公式为：其中，为第i层第j个特征图上位置(x,y,z)处的值，h
i
、w
i
和d
i
是第i层卷积核的高度、宽度和深度，f为第i层的激活函数，是连接到上一层第m个特征图的卷积核位置(h,w,d)处的权重参数，是上一层第m个特征图上位置(x+h,y+w,z+d)处的值，b
ij
是第i层第j个特征图的偏差；将多尺度光谱空洞卷积模块的输出作为3dcnn无症状检测模型的输入得到所述ms-sdc-3dcnn模型。7.根据权利要求4所述的一种水稻白叶枯病早期无症状检测方法，其特征在于，所述利
用ms-sdc-3dcnn模型基于敏感图像特征进行训练，包括：将高光谱图像数据集中位于特征敏感波长处的健康水稻叶片的高光谱图像、高光谱图像数据集中位于特征敏感波长处的感染白叶枯病害的水稻叶片的高光谱图像混合作为训练图像数据集；将训练图像数据集以8:1:1的比例分为训练集、验证集和测试集，并利用所述训练集、验证集和测试集对所述ms-sdc-3dcnn模型进行训练得到所述检测模型；其中，ms-sdc-3dcnn模型使用交叉熵作为损失函数，使用随机梯度下降优化器进行训练，ms-sdc-3dcnn模型的具体参数如下：学习率设置为1
×
10-3
，权重衰减系数设置为1
×
10-6
，动量设为0.95，ε设为1
×
10-5
，epoch设置为50，dropout设置为0.45，ms-sdc-3dcnn输入的高光谱图像尺寸为(9,9,10)。8.根据权利要求2所述的一种水稻白叶枯病早期无症状检测方法，其特征在于，所述ms-sdc-3dcnn模型中设置有残差块，以实现残差块来避免梯度消失问题。9.根据权利要求2所述的一种水稻白叶枯病早期无症状检测方法，其特征在于，所述高光谱图像由31680个像素组成，尺寸为(132,240,10)，其中，高光谱图像像素分为三类：健康像素、无症状病害像素和有症状病害像素。10.根据权利要求2所述的一种水稻白叶枯病早期无症状检测方法，其特征在于，所述特征波长区间为450-950nm，所述特征波长区间内包含232个光谱波长。

技术总结
本发明公开了一种水稻白叶枯病早期无症状检测方法，包括以下步骤：利用随机森林算法在特征波长区间中选取出高重要性评分的光谱波长作为特征敏感波长；将特征敏感波长处的高光谱图像作为用于区分高光谱图像所属叶片类别的敏感图像特征；基于敏感图像特征对3DCNN模型训练得到用于水稻白叶枯病早期无症状检测的3DCNN无症状检测模型；在3DCNN无症状检测模型中引入多尺度光谱空洞卷积模块进行精度优化得到MS-SDC-3DCNN模型。本发明利用随机森林算法对高光谱图像进行降维，采用多尺度光谱空洞卷积模块对无症状检测模型进行优化，无症状检测模型利用经提取和融合后多个波长分辨率的特征，更有效地使用重要的波长信息，以提高无症状检测模型的检测性能。高无症状检测模型的检测性能。高无症状检测模型的检测性能。


技术研发人员：张胜辉 曹益飞 翟肇裕 冯佳睿 徐焕良
受保护的技术使用者：南京农业大学
技术研发日：2023.03.30
技术公布日：2023/7/13