基于病状自学习模型和信息融合技术的柑橘黄龙病诊断方法

Citrus huanglongbing（HLB）is a destructive disease in citrus production in China and the world.Affected trees suffer from severe decline and eventually die.The spread of disease leads to the progressive reduction of orchards,resulting in economic damage to citrus producers and related industries. Early and accurate detection of HLB is a critical management step to control the spread of this disease.. The symptoms of citrus HLB are quite complicated,it is hard to distinguish citrus HLB from other diseases.Most of existing methods for citrus HLB dectection have some of following problems:low detecting precision ,high dectection cost,long-period and complecated detecting process and specific laboratory needed. Consequently,all existing HLB detecting methods can not be wide popularly adopted in citrus production..This work focuses on the application of spectroscopy and computer vision techniques for diagnosing HLB in citrus leaves. We will introduce machine learning methods to model the symptoms of citrus HLB,thus to find out more specific features of HLB. Visible image,fluorescence image and hyperspectral image of citrus leaves will be fused to dectect HLB jointly,such that achieve highly reliable and accurate diagnosis of citrus HLB.Based on the above technologies,we also attempt to identify the infected stage of HLB disease for citrus leaves.

柑橘黄龙病（Citrus huanglongbing,HLB）是一种毁灭性病害，其发生和蔓延严重影响了柑橘产量及品质，给果农及相关产业造成了巨大的经济损失。柑橘HLB的症状比较复杂，单凭肉眼很难进行准确判断。目前诊断精度较高的方法如PCR方法因检测费用昂贵、周期长、过程复杂、且需特定环境下由专业人员完成，在柑橘基层生产中很难普及应用。.本项目立足于光谱学和计算机视觉技术，将系统地分析柑橘叶片的可见光、荧光和多光谱图像在HLB侵染下的响应机理，采用机器学习方法构建柑橘HLB病状及病情程度的分类模型，基于以上模型并融合柑橘HLB多源图像信息，拟实现实时、无损、准确、低成本且易被基层生产采用的柑橘HLB诊断和病情分类技术。本项目的有效实施，将提供一种全新的、基于机器视觉的柑橘HLB病害检测方法，这种信息处理方法将对柑橘HLB农情物联网监测及现代农业信息化发展有积极的推动作用。

本项目在执行过程中严格按照申报书中的研究内容开展工作，取得的主要进展包括：（1）针对柑橘叶片可见光图像，采用三种图像处理方法以及三种不同的建模和分类方法，实现了基于可见光图像的柑橘黄龙病诊断，均取得90%以上识别率。 （2）基于高光谱图像技术检测柑橘叶片的黄龙病得病情况，并采用三种不同的数据处理方法对高光谱数据进行分析以及建模分类，甚至对柑橘黄龙病病情严重程度进行识别，从而达到早期诊断目的。识别准确率超过92%；（3）基于荧光调制技术，采用MINI-PAM获取柑橘叶片的荧光数据，并采用概率神经网络对荧光数据进行建模分析，该方法可较好地实现大多数柑橘叶片的病情分类，但对部分类别如缺镁和缺镁HLB（即缺镁又具黄龙病）效果欠佳。识别度仅达76.93%以上。（4）采用D-S证据理论实现决策层融合，对以上三种光谱信息的判别进行再融合，最终形成决策结果。对于证据冲突的情况，利用证据距离描述降低冲突证据的可信度，其综合诊断识别率比起单源信息融合方法有所提高，从而降低了诊断风险。结果表明，多源信息融合后的诊断系统，判断结果支持度可达 95%以上。（5）设计并实现了基于病状自学习模型和信息融合技术的柑橘黄龙病软件诊断系统。（6）针对高光谱价格昂贵且体型巨大，不适合田间数据采集的问题，设计并搭建了低成本低空机载多光谱成像和采集系统，为后期进一步进行田间验证做准备。研究中所取得的成果包括：公开申请发明专利2件，申请实用新型专利2件，其中1件已授权；发表研究论文7篇，其中SCI收录1篇，EI收录3篇，其他3篇为核心期刊论文（含1篇已录用）；培养在读博士研究生1名，本科生若干名。

内容获取失败，请点击重试