25、基于集成学习的小麦赤霉病高光谱图像识别方法研究

基于集成学习的小麦赤霉病高光谱图像识别方法研究

1、研究思路

【1】深度学习方法，通过构建深度神经网络模型对小麦赤霉病进行识别。构建四个不同结构的深度神经网络模型，并对这四个模型进行结构分析。
【2】为进一步提高深度神经网络对小麦赤霉病识别的准确率，研究分析了深度模型网络结构和多模型的集成学习方法，构建出了多种组合模型。
【3】并且评估分析了多种集成模型对小麦赤霉病识别的准确率和自身模型的泛化能力，从而寻找到最优的识别小麦赤霉病的集成模型。

2、高光谱技术主要研究

【1】柴阿丽等人运用光谱成像技术（400-720nm）用来识别黄瓜白粉病、角斑病、霜霉病、褐斑病和无病区域。
【2】郑志雄等人为了对水稻叶瘟病病害程度进行快速、准确地分级评估，于是结合定性分析与定量估算的方法，提出了一种基于高光谱成像技术的水稻叶瘟病病害程度分级方法。
【3】王斌等人通过高光谱成像技术对腐烂梨枣、有病害梨枣和健康梨枣进行分类研宄，首先运用一阶微分处理得到了最佳的建模效果，接着通过线性的逐步判别分析法和非线性偏最小二乘支持向量机（LS-SVM）这两种方法进行建模，并且对比分析了全波段模型、近似系数模型和主成分模型的参数和建模预测的结果。
【4】2017年刘思伽等人运用高光谱成像技术对北方大面积种植的寒富苹果进行病害无损检测研宄。该研究通过线性判别分析、支持向量机和BP人工神经网络三个模型对苹果的病害进行检测。
【5】2011年NamrataJain等人通过高光谱数据对马铃薯病害进行检测，该研宄还利用反射率值计算了植被指数，其研宄结果表明