1、硕 士 学 位 论 文MASTER DISSERTATION基于光谱分析技术的水稻病虫害早期检测研究Early Determination of rice diseases and pests Using Spectrum Analysis Technology学 科 光学工程硕 士 学 位 论 文MASTER DISSERTATION基于光谱分析技术的水稻病虫害早期检测研究Early Determination of rice diseases and pests Using Spectrum Analysis Technology学科专业 光学工程致 谢时光荏苒，岁月如梭，三年的量院生活又
2、将结束，算起来在计量已经生活快七年了，这些年，尤其是这三年的科研和学习，不仅让我在学业上有所进步，更让我学会了如何做学问，如何做人。经过半年的努力撰写，在论文完成之际，我要对所有指导我、帮助我和关心我的人表示感谢。首先要感谢我的导师陈华才老师，在读研期间，老师不仅为我提供了良好的学习条件，更经常亲自指导科研和学习，并在生活中给予鼓励。本论文也是在老师的指导下完成的，在论文的选题、实验、数据分析、撰写和答辩等各个阶段，老师都悉心指导，给我的论文提供各种建议。在此，本人向陈老师表达真挚的感激之情，祝老师身体健康、工作顺心。其次要感谢赛博南楼 214 实验室的朱周洪老师，朱老师在本人读研期间不断指导
3、我学习，在项目制作和实践实习的环节给予了我很大的帮助，在此表示诚挚的感谢。同时感谢 214 实验室岑松原老师和王焱华老师，谢谢你们的无私帮助。感谢我的同学和朋友们，感谢张海亮师弟在水稻培育过程中给予的帮助，感谢 209 实验室的师兄弟们在平时的相互帮助。最后，感谢敬爱的父母在对我读研的支持与鼓励，你们永远是我心灵的港湾，是我坚强的后盾。谨以此文献给诸位，祝大家身心健康，幸福快乐！I基于光谱分析技术的水稻病虫害早期检测研究摘 要 ： 本文以 TN1 型水稻植株为研究对象，采用近红外、拉曼光谱分析及高光谱成像技术分别进行了一系列相关研究，主要研究内容及结论为：1、基于近红外光谱分析技术建立受虫害胁
4、迫水稻的定性分析模型建立。建立了受褐飞虱胁迫水稻的光谱定性判别模型。比较了PLSDA、SVMDA、PLS-SVMDA 这 3 种模式识别法使用最佳预处理方法的效果，结果表明：鉴别效果良好，后两种非线性判别分析的整体准确率达100%。 通过 GA 算法提取特征波长，比较了各模式识别方法下的最优模型，结果表明：GA-PLSDA 整体准确率为 92.01%，GA-SVMDA 和 GA-PLS-SVMDA整体准确率均达到 97.37%。建立了受二化螟迫害水稻光谱的定性判别模型，结果显示：三种判别分析方法的整体准确率均达 100%。利用 GA 算法提取特征波长建模得到：GA-PLSDA 准确率为 78.
5、89%，其余两种模型整体准确率均为 100%。 2、基于近红外拉曼光谱分析技术的虫害胁迫水稻的无损早期检测研究。研究了受螟虫迫害水稻与健康水稻的拉曼光谱的区别，并通过受害水稻的纵向研究来探索早期检测的可行性。结果表明：拉曼光谱相对振动强度与受害程度呈一定线性关系；经相关预处理后，观察 455 cm-1、699 cm-1、1248cm -1 处的拉曼峰强度或测量其是否发生偏移现象可作为定性判别指标之一。3、基于高光谱成像技术的水稻病虫害定性判别研究。研究了受褐飞虱迫害水稻的成像光谱，结果表明：在 400nm800nm 波段，受害水稻的光谱强度高于健康水稻；在 460nm 处，受害水稻产生了绿移动
6、现象；在近红外波段，红边向短波方向移动；此外，利用 580nm、600nm 、670nm 三波长对图像拟合的效果最佳，采用 SAM(光谱角度匹配 )法结合 3 阶导数处理能够较好的区分受害水稻和健康水稻。研究了不同等级冻害水稻的成像光谱，结果表明：水稻叶片光谱强度和受害程度呈线性关系；利用 420nm、550nm、650nm 对图像拟合的效果最好。关键词：水稻；病虫害；近红外；拉曼光谱；高光谱成像；早期检测；II分 类 号 ： TP274.5， O433； 535， 543IIIEarly Determination of rice plant diseases and pests Using
7、 Spectrum Analysis TechnologyAbstract:The rice plant of TN1 type was used as the research object. NIR (Near Infrared spectroscopy), Raman spectroscopy and Hyper-spectral image technology were used in this research aimed at early detection of rice diseases or pests.The results and conclusions are as
8、following:1. Established the qualitative models for the insect pests rice plant based on NIR.Established the model of rice plant damaged by brown planthopper(BPH) and rice stem borer. Compared different spectral pretreatment methods used in PLSDA, SVMDA, PLS-SVMDA and chose the best method, the mode
9、l results showed: the last 2 patterns total accuracy rate could reach 100%. The results of feature extraction of wavelength by GA (Genetic Algorithm) showed that: in the first model, the total accurate rate of GA-PLSDA was 92.01%, GA-SVMDA and GA-PLS-SVMDA was 97.37%; To the second one, the total ac
10、curate rate of GA-PLSDA was 78.89%, GA-SVMDA and GA-PLS-SVMDA was 100%.2. Study on the early and non-destructive determinination of the insect pests rice plant based on NIR-Raman spectroscopy.The results showed that : with the harm degree becoming worse, the total vibration intensity of Raman spectr
11、um also increases; while used the pretreatment, we can via observing the Raman peaks intensity and calculate the wavelengths change in 455 cm-1, 699 cm-1, 1248cm-1 to index whether the rice plant has been damaged by rice stem borer or not.3. Established disease level classification model of rice pla
12、nt frost and rice pest based on hyper-spectral imaging technology.Firstly, we designed the highspectral image acquisition system and researched the optimum imaging conditions.Then, after performing the analysis of spectrum and image processing, we found that: In the first test, at 400 nm 800nm band,
13、 spectral intensity of affected rice was higher than that of healthy rice; at 460nm, the damaged rice has green mobile phenomenon; after 780nm, red edge shifted to short wavelength; the best fitting was IVobserved by using 580nm, 600nm, 670nm to mix new image; using SAM method combined with the 3rd-
14、derivative processing can get best distinguish result.In the second test, we found that with the the frozen degree getting worse, spectral intensity increased; the best fitting was obtained by using 420 nm, 550 nm, 650nm to mix a new image.Keywords: rice; diseases and pests; Near infrared spectrosco
15、py(NIR);Raman; hyper-spectral imaging technology; early determination； Classification：TP274.5, O433; 535, 543V目 次摘要 .I目次 .IV图清单 .VII附表清单 .IX1 绪论 .11.1 引言 .11.2 本课题研究目的及意义 .11.3 国内外研究现状 .21.3.1 近红外光谱技术 .21.3.2 高光谱分析技术 .31.3.3 拉曼光谱技术 .41.4 本课题主要内容及技术路线 .51.4.1 主要研究内容 .51.4.2 技术路线 .61.5 本章小结 .62 光谱分析原理
16、及方法与实验条件 .72.1 光谱分析技术简介 .72.1.1 近红外光谱分析技术 .72.1.2 拉曼光谱分析技术 .82.1.3 高光谱成像分析技术 .92.2 光谱图像分析的数学基础 .112.2.1 光谱预处理及异常样本剔除 .112.2.2 校正建模算法 .122.2.3 模式识别法 .132.2.4 特征波长选择法（遗传算法） .142.3 实验条件 .15VI2.3.1 傅立叶变换近红外光谱仪 .152.3.2 拉曼光谱仪 .162.3.3 高光谱成像系统 .172.3.4 其它应用软件 .182.4 本章小结 .193 基于近红外光谱分析的受虫害胁迫水稻光谱分析 .203.1
17、光谱采集规范及预处理方法 .203.1.1 采集规范 .203.1.2 预处理方法 .213.1.3 校正模型 .213.2 基于近红外光谱的受螟虫迫害水稻判别模型研究 .223.2.1 材料和方法 .223.2.2 结果与分析 .233.3 基于近红外光谱的受褐飞虱胁迫水稻受害等级判别模型研究 .353.3.1 材料和方法 .353.3.2 结果与分析 .363.4 本章小结 .474 基于拉曼光谱分析的受螟虫胁迫的水稻病虫害无损早期检测研究 .484.1 水稻试验模型设计 .484.2 受胁迫水稻的拉曼光谱早期检测研究 .494.2.1 材料与方法 .494.2.2 结果与分析 .494.2.3 本章小结 .535 基于高光谱分析技术的水稻病虫害分析 .545.1 高光谱动态成像设计及优化 .545.1.1 成像系统设计 .545.1.2 成像条件简介 .545.2 基于高光谱成像的受褐飞虱迫害的水稻判别分析模型 .565.2.1 材料与样本 .565.2.2 结果与分析 .575.3 基于高光谱成像技术的水稻早霜冻害程度分级方法研究 .61VII5.3.1 材料与样本 .615.3.2 结果与分析 .625.4 本章小结 .656 总结与展望 .666.1 主要研究成果 .666.2 创新点 .676.3 展望 .67参 考 文 献 .68
