[发明专利]基于PCA和PNN算法检测水稻病虫害等级的方法

说明书

本申请公开了一种基于PCA和PNN算法检测水稻病虫害等级的方法，包括步骤：采集水稻的原始高光谱数据，去除原始高光谱数据中的异常点，通过主成分分析PCA法对相邻波段内的原始高光谱数据进行波段数据降维和数据压缩，利用概率神经网络PNN法根据训练集对采样点进行病虫害等级判断，利用神经网络喷洒模型对采样点进行喷洒等级判断，根据喷洒等级进行农药定量喷洒。本发明可以实现病虫害等级的自动预测，自动识别病虫害等级可以大大降低人工成本和时间成本，为农药的精准喷洒提供依据，对于环保和人体健康具有重要意义。

技术领域

本发明涉及神经网络技术和高光谱检测病虫害领域，具体地说，是涉及高光谱检测病虫害中基于PCA和PNN算法检测水稻病虫害等级的方法，用以实现病虫害等级判断。

背景技术

农作物病虫害一直是制约农业生产的重要因素，对作物的产量和品质造成较大的影响。据联合国粮农组织(FAO)估计，世界粮食产量常年因病虫害损失10％，因病害损失14％左右。水稻作为我国主要粮食作物，病虫害的防止具有重要的意思。主成分分析(principal components analysis,PCA)是在均方根误差最小的情况下建立统计特征基础上的最佳正交线性变换，目的是将多个指标简化为少数几个综合性指标的一种统计方法。高光谱数据波段可以达到几百个乃至上千个，信息增加的同时，由于邻近波段存在很高的相关性，导致高光谱数据大量的冗余。从而，使用PCA进行数据降维和数据压缩，以便后续处理。概率神经网络(probabilistic neural network,PNN)于1989年由Specht博士首先提出，是一种径向基函数神经元和竞争神经元共同组合的新型神经网络。它具有模式简单、训练快捷等特点，应用非常广泛，特别适合解决分类问题。概率神经网络一般有以下四层：输入层、模式层、求和层和输出层。输入层负责将特征向量传入网络，输入层个数是样本特征的个数。模式层通过连接权值与输入层连接。计算输入特征向量与训练集中各个模式的匹配程度，也就是相似度，将其距离送入高斯函数得到模式层的输出。模式层的神经元的个数是输入样本矢量的个数，也就是有多少个样本，该层就有多少个神经元。求和层，就是负责将各个类的模式层单元连接起来，这一层的神经元个数是样本的类别数目。输出层的话，就负责输出求和层中得分最高的那一类。

发明内容

本发明所要解决的技术问题是基于高光谱数据进行病虫害严重程度的预测，提供一种基于PCA和PNN算法检测水稻病虫害等级的方法，以便在实际植保作业中进行农药的精准喷洒。

为解决上述技术问题，本发明提供了一种基于PCA和PNN算法检测水稻病虫害等级的方法，其特征在于，包括步骤：

通过无人机搭载的高光谱仪在采样点采集水稻的原始高光谱数据；

去除原始高光谱数据中的异常点，得到1024个波段的地物信息；

通过主成分分析PCA法对相邻波段内的原始高光谱数据进行波段数据降维和数据压缩，得到降维后的光谱值，其中每一条光谱值对应一张图像；

利用概率神经网络PNN法根据训练集对采样点进行病虫害等级判断，包括：将所述降维后的每一条光谱值所对应的每一张图像作为训练集，所述训练集为真值库，根据所述图像判断病虫害等级作为每一条训练光谱的真值，进行神经网络模型训练，得到神经网络喷洒模型；

对所述降维后的光谱值进行特征学习，利用所述神经网络喷洒模型对采样点进行喷洒等级判断；

根据喷洒等级进行农药定量喷洒，定量喷洒按照以下方法计算：

Q＝Max×Y，

其中，当1≤X≤4时，Y＝0.25×(X-1)；当X＝5时，Y＝1；

Q为喷洒量，X为喷洒等级，Y为喷洒比率。

优选地，所述主成分分析PCA法包括步骤：

对所有原始高光谱数据即样本数据进行中心化，去均值；