ITMO
en/ en

ISSN: 1023-5086

en/

ISSN: 1023-5086

Научно-технический

Оптический журнал

Полнотекстовый перевод журнала на английский язык издаётся Optica Publishing Group (ранее OSA) под названием “Journal of Optical Technology“

Подача статьи Подать статью
Больше информации Назад

DOI: 10.17586/1023-5086-2018-85-07-69-75

Ранняя идентификация Curvularia Lunata с использованием гиперспектральных изображений

Ссылка для цитирования:

Jing Xu, Teng Miao, Yuncheng Zhou, Hanbing Deng, Ping Song, Yubo Zhang, Kai Song Early identification of Curvularia Lunata based on hyperspectral imaging (Ранняя идентификация Curvularia Lunata с использованием гиперспектральных изображений) [на англ. яз.] // Оптический журнал. 2018. Т. 85. № 7. С. 69–75. http://doi.org/10.17586/1023-5086-2018-85-07-69-75

 

Jing Xu, Teng Miao, Yuncheng Zhou, Hanbing Deng, Ping Song, Yubo Zhang, Kai Song Early identification of Curvularia Lunata based on hyperspectral imaging (Ранняя идентификация Curvularia Lunata с использованием гиперспектральных изображений) [in English] // Opticheskii Zhurnal. 2018. V. 85. № 7. P. 69–75. http://doi.org/10.17586/1023-5086-2018-85-07-69-75  

Ссылка на англоязычную версию:

Jing Xu, Teng Miao, Yuncheng Zhou, Hanbing Deng, Ping Song, Yubo Zhang, and Kai Song, "Early identification of Curvularia lunata based on hyperspectral imaging," Journal of Optical Technology. 85(7), 432-436 (2018). https://doi.org/10.1364/JOT.85.000432

Аннотация:

По мере того, как все более популярными становятся методы загущенной посадки и интенсивного внесения удобрений, год от года растет приносящее серьезный ущерб поражение растений Curvularia Lunata. Для снижения загрязнения окружающей среды и повышения качества зерна весьма важна разработка методов ранней идентификации поражений. Для быстрой и неинвазивной идентификации ранних стадий заболевания на листьях кукурузы использовалась технология обработки гиперспектральных изображений. В эксперименте листья подвергались инокуляции in vitro и через 11 временных интервалов (2, 4, 6, 8, 12, 24, 32, 40, 48, 60, 72 час соответственно) регистрировались гиперспектральные изображения в видимом и ближнем инфракрасном диапазонах. Сравнительный анализ листьев двух типов через 48 час после инокуляции показал наличие хлоротических пятен с различными спектральными характеристиками. Используя смешанный метод расстояний, обнаружено, что наилучшими с точки зрения идентификации Curvularia Lunata являются спектральные полосы 465,1, 550,7 и 681,4 нм. Используя данные этих полос как входные параметры, построена модель нейронной сети с обратным распространением. С ее использованием обработаны данные образцов (по 160 образцов каждой из указанных выше временных точек), причем точность идентификации инокулированных листьев составила 97,5%, подтвердив возможность использования такой сети для быстрого и неинвазивного определения Curvularia Lunata. Реализован новый метод раннего определения заболеваний кукурузы.

Ключевые слова:

гиперспектральные изображения, Curvularia Lunata, характеристические спектральные полосы, раннее обнаружение, неразрушающие методы детектирования

Благодарность:

Работа выполнена при финансовой поддержке Фонда естественных наук Китая (31501217, 31601218, 31701318).

Коды OCIS: 100.4145, 150.1135, 170.0110, 300.6280, 300.6550, 000.5490

Список источников:

1. Guo Q.H. The development and evolution of the major Maize producing areas in China // J. Maize. Sci. 2010. V. 18(1). P. 139–145.
2. Fu J.F., Li H.C., Bai Y.J. Spread gradient model of leaf spot disease (Curvularia Lunata) in Maize // Acta. Phytopathologica Sinica. 2003. V. 33(5). P. 456–461.
3. Li J.T., Mo S.X. Effects of two-plants orientation cultivation pattern on the maize yield and occurrence and epidemic of curvularia leaf spot // J. Maize. Sci. 2015. V. 23(2). P. 137–140, 146.
4. Li J.B., Rao X.Q., Ying Y.B. Advance on application of hyperspectral imaging to nondestructive detection of agricultural products external quality // Spectrosc. Spect. Anal. 2011. V. 31(8). P. 2021–2026.
5. Ma B.X., Ying Y.B., Rao X.Q. Advance in nondestructive detection of fruit internal quality based on hyperspectral imaging // Spectrosc. Spect. Anal. 2009. V. 29(6). P. 1611–1615.
6. Chen J.J., Peng Y.K., Li Y.Y. Rapid detection of vegetable pesticide residue based on hyperspectral fluorescence imaging technology // Trans. CSAE. 2010. V. 26(14). P. 1–5.
7. Huang W.Q., Chen L.P., Li J.B. Effective wavelengths determination for detection of slight bruises on apples based on hyperspectral imaging // Trans. CSAE. 2013. V. 29(1). P. 272–277.
8. Tian Y.W., Cheng Y., Wang X.Q. Feature vectors determination for pest detection on apples based on hyperspectral imaging // Trans. CSAE. 2014. V. 30(12). P. 132–138.
9. Lorente D., Aleixos N., Gómez-Sanchis J. Recent advances and applications of hyperspectral imagine for fruit and vegetable quality assessment // Food. Bioprocess. Tech. 2012. V. 5(4). P. 1121–1142.
10. Shan J.J., Wu J.H., Chen J.J. Rapid nondestructive detection of apple quality attributes using hyperspectral scattering images // Spectrosc. Spect. Anal. 2010. V. 30(10). P. 2729–2733.
11. Zhang C., Liu F., Kong W.W. Fast identification of watermelon seed variety using near infrared hyperspectral imaging technology // Trans. CSAE. 2013. V. 29(20). P. 270–277.
12. Zhu Q.B., Feng Z.L., Huang M. Maize seed classification based on image entropy using hyperspectral imaging technology // Trans. CSAE. 2012. V. 28(23). P. 271–276.
13. Qiao J., Ngadi M., Wang N. Pork quality and marbling level assessment using a hyperspectral imaging system // J. Food. Eng. 2007. V. 83(1). P. 10–16.
14. Zhang L.L., Li Y.Y., Peng Y.K. Determination of pork freshness attributes by hyperspectral imaging technique // Trans. CSAE. 2012. V. 28(7). P. 254–259.
15. Kamruzzaman M., Makino Y., Oshita S. Rapid and non-destructive detection of chicken adulteration in minced beef using visible near-infrared hyperspectral imaging and machine learning // J. Food. Eng. 2016. V. 170(2). P. 8–15.
16. Lawrence K.C., Yoon S.C., Heitschmidt G.W. Imaging system with modified-pressure chamber for crack detection in shell eggs // Sensing and Instrumentation for Food Quality and Safety. 2008. V. 2(3). P. 116–122.

17. Moshou D., Bravo C., West J. Automatic detection of ‘yellow rust’ in wheat using reflectance measurements and neural network // Comput. Electron. Agr. 2004. V. 44(3). P. 173–188.
18. Moshou D., Bravo C., Oberti R. Plant disease detection based on data fusion of hyper-spectral and multi-spectral fluorescence imaging using Kohonen maps // Real-Time Imaging. 2005. V. 11(2). P. 75–83.
19. Feng W., Wang X.Y., Song X. Hyperspectral estimation of canopy chlorophyll density in winter wheat under stress of powdery mildew // Trans. CSAE. 2013. V. 29(13). P. 114–123.
20. Zheng Z.X., Qi L., Ma X. Grading method of rice leaf blast using hyperspectral imaging technology // Trans. CSAE. 2013. V. 29(19). P. 138–144.
21. Tian Y.W., Li T.L., Zhang L. Diagnosis method of cucumber disease with hyperspectral imaging in greenhouse // Trans. CSAE. 2010. V. 26(5). P. 202–206.
22. Li B., Liu Z.Y., Huang J.F. Hyperspectral identification of rice diseases and pests based on principal component analysis and probabilistic neural network // Trans. CSAE. 2009. V. 25(9). P. 43–147.
23. Yuan Y., Wang W., Chu X. Detection of corn aflatoxin based on hyperspectral imaging technology and factor discriminant analysis // J. Chinese Cereals and Oils Association. 2014. V. 29(12). P. 107–110.