《基於多源信息融合的稻瘟病態勢感知方法研究》是依託華南農業大學，由齊龍擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於多源信息融合的稻瘟病態勢感知方法研究
- 項目類別：青年科學基金項目
- 項目負責人：齊龍
- 依託單位：華南農業大學
項目摘要,結題摘要,
項目摘要
本項目以稻瘟病為研究對象，首次將人因研究中的態勢感知相關理論引入稻瘟病監測預測的研究中，根據稻瘟病發生流行機理，建立稻瘟病的態勢感知理論框架，包括病害發生的覺察、發生態勢的理解和預測。在研究方法上，套用改進的兩級可拓D-S證據理論融合水稻冠層信息和菌源信息實現稻瘟病發生的早期覺察；根據病害三角形理論和系統研究思想建立稻瘟病發生態勢評估體系，並套用可拓層次分析法確定各指標權重係數，計算稻瘟病流行風險指數；套用灰色系統理論、拓撲理論與神經網路或支持向量機技術結合，建立稻瘟病發生態勢預測模型，實現對病害流行風險的動態預測。通過本項目的實施，能夠提高稻瘟病監測和流行預測的時效性和精度，有利於農業生產者及時進行精確的災害管理，對保障國家糧食安全，降低生態環境污，具有重大的經濟效益和生態效益；同時也對稻瘟病監測預測理論的發展具有重要的推動作用。
結題摘要
本項目以稻瘟病為研究對象，開展了病害發生的覺察、發生態勢的理解和預測研究。稻瘟病發生的覺察研究主要包括對菌源信息的檢測、稻瘟病發生早期水稻冠層的光譜回響機理以及兩者的有效信息融合。針對菌源信息，研究了一種基於顯微圖像處理技術的稻瘟病孢子自動檢測和計數方法，孢子正確檢測的平均準確率為95.5%，滿足稻瘟病菌孢子自動檢測和計數要求。針對稻瘟病發生早期水稻冠層光譜信息，利用支持向量機特徵約減算法（SVM-RFE），確定檢測的敏感波長組合為1535nm、1027nm和637nm；採用RBF-SVM建立病害發生早期的光譜檢測模型，檢測準確率達到90%以上。採用D-S證據理論，建立稻瘟病發生早期的覺察模型。稻瘟病發生的態勢理解研究主要包括稻葉瘟病、穗瘟病害程度檢測以及稻瘟病流行風險模型的建立。結合定性分析與定量估算，提出了一種基於高光譜成像技術的水稻葉瘟病病害程度分級方法。分別在葉片和病斑尺度上完成病斑類型的有效分類，分級準確率為96.39%。提出了一種光譜詞袋（Bag of Spectrum Words, BoSW）模型分析方法，分析稻穗的高光譜圖像，自動評判穗瘟病害程度。分類識別精度為94.72%，高於主成分分析（PCA）、敏感波段選擇等傳統光譜分析方法。套用可拓理論與層次分析法結合，客觀確定稻瘟病流行風險評價指標體系中各層次的相對權重，計算稻瘟病發生趨勢的流行風險指數。利用圖像處理技術方法，以田間拍攝的水稻圖像為研究對象，對田間植物進行檢測研究。通過改進歸一化綠藍差值指數IDNBG與色度模型，經過分類識別、圖像閾值分割等步驟，對植物葉片進行提取。植物葉片提取正確率平均可達83.07%。針對病斑在葉片上易形成封閉邊緣的特性，採用色度學模型、邊緣提取和形態學等方法對田間稻葉瘟病斑進行檢測。試驗結果表明: 對葉瘟病斑的正確識別率可達到90.26% 。通過本項目的實施，提高了稻瘟病檢測和流行預測的精度，有利於農業生產者及時進行精確的田間管理，對保障國家糧食安全、降低生態環境污染具有重要意義。
