利用遗传算法和支持向量机进行高光谱波段选择以实现大豆茎秆炭疽病早期识别

摘要： 背景：炭腐病是一种真菌病害，在温暖干燥条件下易发，影响全球大豆及其他重要农作物的产量。亟需对病害症状进行稳健、自动且一致的早期检测与量化——这对育种计划中培育改良品种，以及作物生产中实施病害防控措施以保障产量都至关重要。当前植物病害表型分析方法主要依赖肉眼观察，因而速度慢且易受人为误差和主观差异影响。高光谱成像技术在病害症状早期检测中的应用日益受到关注。然而高光谱数据的高维度特性使得建立高效的病害识别分析流程极为重要，从而为制定有效作物管理决策提供依据。本研究旨在确定最少数量但最具效力的高光谱波段组合，用于生长季早期区分健康与染病大豆茎秆样本以实现精准病害管理。我们在接种后第3、6、9、12及15天采集了111组代表健康与感染茎秆的高光谱数据立方体，使用来自4种不同基因型的接种样本与对照样本。每幅高光谱图像均在383–1032纳米范围内获取240个不同波长数据。我们将从240个波段中筛选最佳波段组合的问题构建为优化课题，采用遗传算法作为优化器、支持向量机作为分类器来识别效力最大化的波段组合。 结果：使用选定的六个波段组合（475.56、548.91、652.14、516.31、720.05、915.64纳米）对健康与感染大豆茎秆样本进行二分类时，感染类别的分类准确率达97%。此外，针对接种后第3天的测试样本，该六波段组合也实现了90.91%的分类准确率。 结论：结果表明，这些精心筛选的波段比单独使用RGB图像包含更丰富信息，能实现大豆炭腐病感染的早期识别。所选波段可用于多光谱相机，以远程识别大豆炭腐病感染情况。