Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (04.2020) : CLASSIFICATION OF MAIZE LEAF DISEASES BASED ON HYPERSPECTRAL IMAGING TECHNOLOGY

CLASSIFICATION OF MAIZE LEAF DISEASES BASED ON HYPERSPECTRAL IMAGING TECHNOLOGY

© 2020   Jing Xu*, Teng Miao*, Yuncheng Zhou*, Yang Xiao*, Hanbing Deng*, Ping Song*, Kai Song*, **

*   College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang, 110866, P. R. China

** Shenyang Ligong University, Shenyang, 110159, P. R. China

E-mail: xujingsyau@163.com, songsylu@163.com

Submitted 04.01.2019

DOI:10.17586/1023-5086-2020-87-04-28-35

Curvularia lunata and aureobasidium zeae are the main leaf diseases of maize in Northeast China. Meanwhile, the two diseases are similar and difficult to distinguish. In order to diagnose diseases correctly, a diagnostic method based on hyperspectral imaging technology for curvularia lunata and aureobasidium zeae was proposed. The experimental leaves were inoculated in vivo, and hyperspectral imaging system was used to collect the hyperspectral image data of the leaves of the Curvularia lunata, the leaves of aureobasidium zeae and the normal leaves at the near-infrared band. By analyzing the spectral characteristics of chlorotic spots and normal leaves, it is found that there is a significant difference in spectral information between chlorotic spots and normal leaves. Then, by means of confidence interval estimation and significance test, the characteristic bands of curvularia lunata and aureobasidium zeae can be distinguished. Finally, the classification model of support vector machine is established based on the characteristic bands. The results show that the 10 characteristic bands of 412.7 nm, 416.3 nm, 421.2 nm, 465.1 nm, 484.8 nm, 580.9 nm, 615 nm, 640.5 nm, 676.2 nm, 880.8 nm can be used to distinguish between curvularia lunata and aureobasidium zeae spectral characteristics of the disease, and the support vector machine classification model established by the above band is used for 288 samples. The accuracy rate was 96.7%. These results provide a theoretical basis and technical method for rapid and non-destructive diagnosis of curvularia lunata and aureobasidium zeae.

Keywords: curvularia lunata, aureobasidium zeae, confidence interval estimation, significance test, hyperspectral imaging technology, support vector machine.

OCIS codes: 100.4145, 150.1135, 100.0100, 300.6280, 300.6550, 000.5490

 

Классификация заболеваний листьев маиса с использованием технологии гиперспектральных изображений

© 2020 г.      Jing Xu, Teng Miao, Yuncheng Zhou, Yang Xiao, Hanbing Deng, Ping Song, Kai Song

Curvularia lunata и aureobasidium zeae являются основными грибковыми заболеваниями листьев маиса в северо-восточном Китае. Эти заболевания очень схожи и трудноразличимы. Предложен основанный на технологии гиперспектральных изображений способ их корректной диагностики. Листья, поражённые Curvularia lunata, aureobasidium zeae, а также здоровые листья маиса подвергались инокуляции in vivo, а затем исследовались с помощью гиперспектральной аппаратуры в ближнем инфракрасном диапазоне. Путём анализа хлоротических пятен было установлено, что существует существенное отличие гиперспектральных характеристик повреждённых и неповреждённых листьев. Далее, используя средние доверительные интервалы и критерии значимости, выделялись характеристические спектральные полосы, позволяющие различить поражения curvularia lunata и aureobasidium zeae. Наконец, на основе данных об этих полосах построена классификационная модель с использованием метода опорных векторов. Показано, на основе анализа 288 изображений образцов, что с использованием разработанной классификационной модели возможно выполнить указанное различение на основе десяти следующих характеристичеких полос: 412,7 нм, 416,3 нм, 421,2 нм, 465,1 нм, 484,8 нм, 580,9 нм, 615 нм, 640,5 нм, 676,2 нм, 880,8 нм. Точность различения составила 96,7%. Таким образом, заложен теоретический базис и предложен метод технический реализации быстрого неконтактного диагностирования curvularia lunata и aureo basidium zeae.

Ключевые слова: curvularia lunata, aureobasidium zeae, оценка доверительного интервала, оценка значимости, технология гиперспектральных изображений, метод опорных векторов.

 

References

1.    Dai F.C., Wang X.M., Zhu Z.D. et al. Curvularia leaf spot of maize pathogens and varietal resistance // Acta. Phytopathologica. Sinica. 1998. V. 28(2). P. 123–129.

2.   Chen L.M., Dou S.H., Lv Z.M. et al. Studies on some epidemic links of maize curvularia leaf spot // J. Maize. Sci. 2006. V. 14(4). P. 148–150, 154.

3.   Sun J.Y., Xiao S.Q., Lu Y.Y. Isolation, identification and biological characteristics of Aureobasidium zeae in Liaoning Province // Journal of Plant Protection. 2015. V. 42(6). P. 927–934.

4.   Meng L.M., Su Q.F., Jia J. et al. Identification of the Pathogen of corn Northern Anthrax and its growth affecting factors // J. Maize. Sci. 2016. V. 24(4). P. 160–165.

5.   Kirshnan P., Alexander J.D., Butler B.J. et al. Reflectance technique for predicting soil organic matte // Soil sci. soc. Am. J. 1980. V. 44(6). P. 1282–1285.

6.   Dalal R.C., Herry R.J. Simultanous determination of moisture, organic carbon, and total nitrogen by near infrared reflectance spectrophotometry // Soil sci. soc. Am. J. 1986. V. 50(1). P. 120–123.

7.    Sudduth K.A., Hummel L.W. Evaluation of reflectance methods for soil organic matter sensing // Transactions of the ASAE. 1991. V. 34(4). P. 1900–1909.

8.   Sudduth K.A., Hummel L.W. Portable near-infrared spectrophoto meter for rapid soil analysis // Transactions of the ASAE. 1993. V. 36(1). P. 185–193.

9.   Sudduth K.A., Hummel L.W. Soil organic matter, CEC, an moisture sensing with a portable NIR spectrophotometer // Transactions of the ASAE. 1993. V. 36(6). P. 1571–1582.

10. Sudduth K.A., Hummel L.W. Geographic operating range evaluation of a NIR soil sensor // Transactions of the ASAE. 1996. V. 39(5). P. 1599–1604.

11.  Chen P.F., Liu L.Y., Wang J.H. et al. Real-time analysis of soil N and P with near infrared diffuse reflectance spectroscop // Spectrosc. Spect. Anal. 2008. V. 28(2). P. 295–298.

12.  Lichtenthaler H.K., Langsdorf G., Buschmann C. Multicolor fluorescence images and fluorescence ratio images of green apples at harvest and during storage // Israel Journal of Plant Sciences. 2012. V. 60(1–2). P. 97–106.

13.  He Y., Li X.L., Shao Y.N. Discrimination of varieties of apple using near infrared spectra based on principal component analysis and artificial neural network model // Spectrosc. Spect. Anal. 2006. V. 26(5). P. 850–853.

14.  Liu Y.D., Chen X.M., Sun X.D. Nondestructive measurement of vitamin C in Nanfeng tangerine by visible/near-infrared diffuse reflectance spectroscopy // Spectrosc. Spect. Anal. 2008. V. 28(10). P. 2318–2320.

15.  Yao X., Tian Y.C., Ni J. et al. Estimation of leaf pigment concentration in rice by near infrared reflectance spectroscopy // Chinese Journal of Analytical Chemistry. 2012. V. 40(4). P. 589–595.

16.  Wang F., Li Y.Y., Peng Y.K. et al. Determination of Tomato’s SSC and TS based on diffuse transmittance spectroscopy // Spectrosc. Spect. Anal. 2016. V. 36(10). P. 3185–3189.

17.  Li H.Q., Sun H., Li M.Z. Detection of vitamin C content in head cabbage based on visible/near-infrared spectroscopy // Transaction of the CSAE. 2018. V. 34(8). P. 269–275.

18. Liu Z.Y., Wu H.F., Huang J.F. Application of neural networks to discriminate fungal infection levels in rice panicles using hyperspectral reflectance and principal components analysis // Computers and Electronics in Agriculture. 2010. V. 72(2). P. 99–106.

19.  Jones C.D., Jones J.B., Lee W.S. Diagnosis of bacterial spot of tomato using spectral signatures // Computers and Electronics in Agriculture. 2010. V. 74(2). P. 329–335.

20. Zhang J.C., Pu R.L., Wang J.H. et al. Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements // Computer and Electronics in Agriculture. 2012. V. 85(1). P. 13–23.

21.  Feng L., Chai R.Y., Sun G.M. et al. Identification and classification of rice leaf blast based on multi-spectral imaging sensor // Spectrosc. Spect. Anal. 2009. V. 29(10). P. 2730–2733.

22. Sun G.M., Yang K.S., Zhang C.Q. et al. Identification of barley scab based on multi-spectral imaging technology // Transaction of the CSAE. 2009. V. 25 (S2). P. 204–207.

23. Feng W., Wang X.Y., Song X. et al. Hyperspectral estimation of canopy chlorophyll density in winter wheat under stress of powdery mildew // Transaction of the CSAE. 2013. V. 29(13). P. 114–123.

24.      Xu J., Miao T., Zhou Y.C. et al. Early identification of Curvularia lunata based on hyperspectral imaging // Journal of Optical Technology. 2018. V. 85(7). P. 432–436.

 

 

Полный текст