Water quality monitoring and grade judgment system based on IGWOPSO-SVM algorithm
-
摘要:目的
水污染监测是流域水污染防治工作的前提。为实现高精度的地表水水质监测及水体等级评定，本研究设计基于IGWOPSO-SVM(Improved grey wolf optimizer particle swarm optimization-support vector machine)模型的水质监测及等级评定系统。
方法选用传感器组、STM32F103单片机、ESP8266WIFI无线通信模块搭建水质监测系统数据处理模块，利用WIFI无线通信将数据处理模块采集到的水质数据传输至服务器，设计水质监测系统服务器交互端，同时开发水质监测小程序对水质等级进行实时监测。基于改进粒子群算法(Improved particle swarm optimization，IPSO)及灰狼算法(Grey wolf optimizer，GWO)提出了IGWOPSO算法，对SVM进行优化，据此提出了IGWOPSO-SVM水质等级评定算法。基于南京市玄武湖、金川河、江浦水源地135组水质数据对本系统水质等级评定效果进行试验验证。
结果相比于SVM，IGWOPSO-SVM水质等级评定算法的总样本分类准确率由86.67%上升至100.00%，上升了13.33个百分点；相比于粒子群算法(Particle swarm optimization，PSO)，IGWOPSO算法的最佳适应度由86.80上升至99.20，提高了14.29%。
结论本研究解决了传统水体等级评定方法效率低、准确率低的问题，为地表水水质的精确监测提供了方法借鉴。
Abstract:ObjectiveWater pollution monitoring is a prerequisite for water pollution prevention and control in watersheds. In order to achieve high accuracy of surface water quality monitoring and water body rating judgement, we designed a water quality monitoring and rating system based on IGWOPSO-SVM (Improved grey wolf optimizer particle swarm optimization-support vector machine) model.
MethodWe selected sensor group, STM32F103 microcontroller, ESP8266WIFI wireless communication module to build a water quality monitoring system data processing module. The WIFI wireless communication transmitted the water quality data collected by data processing module to the server. We designed water quality monitoring system server interactive end, while developing water quality monitoring applet for real-time monitoring of water quality grade. Based on the improved particle swarm optimization (IPSO) and grey wolf optimizer (GWO), the IGWOPSO algorithm was proposed to optimize SVM algorithm, according to which the IGWOPSO-SVM water quality rating algorithm was proposed. The water quality rating effect of this system was verified by experiment based on 135 groups water quality data of Nanjing Xuanwu Lake, Jinchuan River and Jiangpu water source.
ResultCompared with SVM, the total sample classification accuracy of IGWOPSO-SVM water quality rating algorithm increased from 86.67% to 100.00%, with an increase of 13.33 percent. Compared with particle swarm optimization (PSO), the best adaptation degree of IGWOPSO algorithm increased from 86.80 to 99.20, with an increase of 14.29%.
ConclusionThis study solves the problems of low efficiency and low accuracy of traditional water body rating methods, and provides a method reference for accurate monitoring of surface water quality.
-
白叶枯是水稻生产中的三大传统细菌性病害(稻瘟病、白叶枯、纹枯病)之一，流行范围广，其发生流行会造成水稻10%~30%的减产，严重者减产90%以上[1-3]。近年来，随着无人机技术在农业生产领域的广泛应用，利用无人机搭载成像或非成像传感器组成的无人机遥感系统具有成本低、精准快速、非接触式等优点，在作物病虫害监测与识别方面显示出巨大潜力[4-6]。利用高分辨率RGB无人机获取可见光区域的真彩色图像，采用传统机器学习或深度学习方法提取图像的颜色、梯度、纹理、形状等视觉特征，构建模型可对植物疾病严重程度进行预测。Dehkordi等[7]研究发现根据绿、红、蓝光谱波段的不同组合可以鉴定小麦条锈病和叶锈病的感染等级；王震等[8]利用多旋翼无人机采集可见光图像，对水稻病害白穗图像提取Haar-like 特征，使用 Adaboosts 算法训练识别白穗，准确率达 93.62%；Wei等[9]基于无人机低空遥感图像，采用神经网络方法和机器学习方法监测水稻纹枯病的严重程度，效果较好； Dang等[10]利用无人机搭载
1200 万像素的RGB相机获取萝卜田图像，通过提取分割出的ROI图像的Lbp特征和Lab颜色特征构建Softmaxt分类器，获得令人满意的分类结果。随着光谱技术的发展，人们将多光谱技术应用于农作物病虫害识别，多光谱能反映除可见光以外的其他光谱段，应用在作物病虫害识别中准确率较高[11-14]。无人机多光谱遥感系统多使用约120万像素的多光谱相机，相比千万级像素的RGB成像系统，分辨率较低[15-16]，许多研究人员采用高分辨率RGB图像辅助多光谱图像的方法识别作物疾病[17-19]。通过高分辨率图像与无人机图像结合，可以弥补分辨率不足的问题，实现作物病虫害更准确的监测效果。然而，不同飞行高度对无人机遥感系统影像的处理及识别影响较大。飞行高度越低，图像分辨率越高，获得的稻田图像越多，对图像进行初始化、辐射校正、特征点匹配等处理量也越大，虽然精度较高但处理速度较慢，效率低下。飞行高度越高，图像分辨率越低，获得的待处理稻田图像越少，处理速度较快，但是大量重要信息捕获不到，识别精度降低[20-22]。以上研究基本都没有说明无人机飞行高度的选择依据，也没有提及无人机不同飞行高度对监测结果的影响。
综上，为了实现根据水稻白叶枯感染等级从而进行农药精准喷施，及确定无人机的最佳飞行高度。本文通过装备高分辨率RGB的无人机获取受白叶枯胁迫的水稻冠层高分辨率图像，通过提取颜色和纹理特征构建白叶枯感染等级预测模型。基于高分辨率RGB遥感图像，进一步构建不同地面分辨率(Ground sampling distances，GSD)的白叶枯回归模型，以期为无人机可见光及多光谱遥感监测田间水稻白叶枯提供理论依据。
1. 材料与方法
1.1 试验地
试验点位于广东省广州市增城区朱村街的试验田(23°17′33″N，113°49′45″W)，南亚热带海洋性季风气候，气候温和，日照充足，雨量充沛，年均日照量
1906 h，年降雨量1800 mm。以自然条件下感染了白叶枯的水稻为研究对象，水稻品种为‘丝苗’，于4月初移栽到试验田，8月上旬收获。1.2 冠层数据获取
本文使用的无人机低空遥感系统由 DJI Mavic 3T(DJI Company, 深圳)搭载可见光传感器组成。试验于2023年6月展开，无人机飞行高度为5 m，速度为1.6 m/s，于当地时间10:00—16:00，针对水稻试验田的白叶枯感染区进行成像操作。其中，可见光传感器尺寸为1/2 英寸，分辨率为
4000 ×3000 ，焦距为29.9 mm，以JPG 24 bit格式记录，无损压缩方式存储。1.3 数据处理与分析
1.3.1 数据处理
双边滤波可以在去除噪音的同时保留图像的细节和边缘信息。对获取的无人机图像进行裁剪、双边滤波等预处理后，获得覆盖面积约为50 cm×50 cm的子图像，并通过重采样将图片像素尺寸缩放到500×500的图像，总共获得92张GSD为0.1 cm的图像。RGB色彩空间中3个分量相关性较高，不利于白叶枯信息的提取，多通过转换成HSV空间或者Lab颜色空间提取感染信息。色彩空间变换可以改善图像信息，更有利于发现作物生长发育的异常，尤其在作物病虫害的识别与监测方面[23]。本文将RGB图像转换为Lab颜色空间，采用自适应阈值法对L分量进行二值化，将获得的二值图像分为感染和未感染区域。参考文献[18]中对棉花叶片枯萎病的感染级别划分方法，并综合考虑水稻叶片及白叶枯疾病的特点，对水稻白叶枯感染等级进行划分：健康(感染率为0)、轻微感染(0<感染率≤5%)、中度感染(5<感染率≤10%)、严重感染(感染率>10%)。最后提取图像颜色和纹理特征构建回归模型，并对模型进行评估。
1.3.2 特征提取
本文选择2类图像特征监测水稻白叶枯。首先，将RGB图像转换成HSV颜色空间，提取水稻白叶枯图像的一阶矩阵和二阶矩阵作为颜色特征，计算公式见式(1)~(6)。
$$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}}=\dfrac{1}{N}{\displaystyle\sum} _{P=1}^{N}{{\boldsymbol{H}}}_{{\boldsymbol{P}}}\text{，} $$ (1) $$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}}=\dfrac{1}{N}\displaystyle\sum\nolimits _{P=1}^{N}{{\boldsymbol{S}}}_{{\boldsymbol{P}}} \text{，} $$ (2) $$ {{\boldsymbol{\mu}} }_{{\boldsymbol{V}}}=\dfrac{1}{N}{\displaystyle\sum} _{P=1}^{N}{{\boldsymbol{V}}}_{{\boldsymbol{P}}} \text{，} $$ (3) $$ {{{\boldsymbol{\delta}} }_{{\boldsymbol{H}}}}=\Bigg[\dfrac{1}{N}{\displaystyle\sum} _{P-1}^{N}{({\boldsymbol{H}}}_{{\boldsymbol{P}}}-{{\boldsymbol{\mu}} }_{{\boldsymbol{H}}}{)}^{2}\Bigg]^{1/2} \text{，} $$ (4) $$ {{\boldsymbol{\delta}} }_{{\boldsymbol{S}}}=\Bigg[\dfrac{1}{N}{\displaystyle\sum} _{P-1}^{N}{({\boldsymbol{H}}}_{{\boldsymbol{P}}}-{{\boldsymbol{\mu}} }_{{\boldsymbol{H}}}{)}^{2}\Bigg]^{1/2} \text{，} $$ (5) $$ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}}=\Bigg[\dfrac{1}{N}{\displaystyle\sum} _{P-1}^{N}{({\boldsymbol{H}}}_{{\boldsymbol{P}}}-{{\boldsymbol{\mu}} }_{{\boldsymbol{H}}}{)}^{2}\Bigg]^{1/2} \text{，} $$ (6) 式中，
$ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $ 、$ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $ 、$ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $ 分别表示图像H、S、V颜色分量，$ {\boldsymbol{\mu}} $ 表示HSV各分量的一阶矩阵，$ {\boldsymbol{\delta}} $ 表示HSV各分量的二阶矩阵。提取到的水稻白叶枯图像H、S、V一阶矩阵、二阶矩阵结果如表1所示。表 1 水稻白叶枯HSV颜色特征参数1)Table 1. HSV color features parameters of rice bacterial blight叶片感染等级
Infection level of rice leaves$ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $ $ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $ $ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $ $ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ $ {{\boldsymbol{\delta}} }_{{\boldsymbol{H}}} $ $ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ $ {{\boldsymbol{\delta}} }_{{\boldsymbol{S}}} $ $ {{\boldsymbol{\mu}} }_{{\boldsymbol{V}}} $ $ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 健康 Healthy 44.33 1110.57 129.16 8109.449 95.41 7645.89 轻微 Slight 41.73 1241.46 139.03 9516.93 83.03 7882.55 中度 Moderate 40.59 1164.32 143.80 9241.22 88.44 8289.44 严重 Serious 39.62 1166.58 148.84 9263.31 89.82 8817.79 1) $ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $、$ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $、$ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $分别表示图像H、S、V颜色分量；$ {\boldsymbol{\mu}} $表示HSV各分量的一阶矩阵；$ {\boldsymbol{\delta}} $表示HSV各分量的二阶矩阵。
1) $ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $, $ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $ and $ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $ represent the color components H, S, and V of the image, respectively; μ represents the first-order moment of each HSV component, and δ represents the second-order moment of each HSV component.其次，根据灰度共生矩阵(Gray-level co-occurrence matrix, GLCM)，从图像R、G、B 3个分量中分别提取对比度(Contrast，CON)、自相关(Correlation，COR)、能量 (Energy，EN) 以及同质性(Homogeneity，HO)4个纹理特征，总共12个特征。CON 能反映出图像的灰度分布均匀程度和纹理粗细度，COR 能反映出矩阵元素在行或列方向上的相似程度，EN为矩阵中所有元素的平方和，HO表示矩阵元素相对于对角线分布的紧密度。GLCM 的参数采用3个不同距离1、2、3和4个不同角度0、
$ {\text{π}}/4 $ 、$ {\text{π}}/2 $ 、3$ {\text{π}}/4 $ ，最后总共获得144个纹理特征。提取的144个纹理特征为CON_R(ij)、CON_G(ij)、CON_B(ij)、COR_R(ij)、COR_G(ij)、COR_B(ij)、EN_R(ij)、EN_G(ij)、EN_B(ij)、HO_R(ij)、HO_G(ij)、HO_B(ij)。其中，CON、COR、EN、HO分别后缀R、G、B，表示不同颜色通道的不同特征；i为1~3；j表示1~4；ij表示不同距离和角度的组合。1.3.3 特征选择
根据“1.3.2”可获得6个颜色特征和144个纹理特征。通过降维去除纹理特征中的冗余信息，提取出对白叶枯较敏感的纹理特征，减少数据的存储和处理量，进而降低模型的复杂度，提升模型性能。降维方法采用随机森林(Random forest，RF)和自动编码器(Autoencoder，AE)2种方法，最终提取5个纹理特征。RF是一种基于决策树的集成学习方法，从多个决策树模型中选取一个最佳模型进行预测。RF可以评估每个特征对模型的重要性，在数据维度较高时，可以通过特征数据对模型的重要性筛选出较为重要的特征。AE是一种无监督学习的神经网络模型，用于实现数据的降维和特征提取。AE主要包括编码器和解码器2个部分。编码器通过多个隐藏层和激活函数来实现非线性变换，将输入特征数据映射到潜在空间非线性变换，将输入特征数据映射到潜在空间的低维表示。解码器则将低维表示映射回原始输入的重构，其结构与编码器相似[10, 24-25]。本文根据RF获得纹理特征之间的相互作用，确定每个特征对模型的重要程度，筛选出较重要的特征。进一步通过AE将这些特征映射到低维空间中，以减少特征数量和计算成本。通过RF选出34个重要性大于0.01的纹理特征，然后通过AE降维后，获得5个对白叶枯较为敏感的纹理特征作为模型输入。
1.3.4 模型建立与评估
本文利用颜色和纹理特征对水稻白叶枯进行监测，探究了不同特征对白叶枯监测的重要性，并建立白叶枯感染不同等级评估模型。将上节中的特征作为自变量(X)，水稻白叶枯的感染率作为因变量(
$ \gamma $ )，构建多元回归模型，公式如下所示：$$ \gamma ={\beta }_{0}+{\beta }_{1}{X}_{1}+{\beta }_{2}{X}_{2}+{\beta }_{3}{X}_{3}+...+{\beta }_{n}{X}_{n} \text{，} $$ (7) 式中，
$ {\beta }_{0} $ 为截距，$ {\beta }_{i} $ 和$ {X}_{i} $ (i=0，1，2，...，n)分别是斜率系数和自变量。为了建立稳定的白叶枯评估模型，以决定系数(R2)、均方根误差(Root mean square error，RMSE)和相对均方根误差(Relative RMSE，RRMSE)为参数对模型精度进行评估，相关计算公式如下所示。$$ {R}^{2}=1-\dfrac{{\displaystyle\sum} _{i=1}^{n}{({y}_{i}-{y}_{i}')}^{2}}{{\displaystyle\sum} _{i=1}^{n}{({y}_{i}-\bar {{y}_{i}})}^{2}} \text{，} $$ (8) $$ {\mathrm{RMSE}}=\sqrt{\dfrac{1}{n}{\displaystyle\sum} _{i=1}^{n}{({y}_{i}-{y}_{i}')}^{2}} \text{，} $$ (9) $$ {\mathrm{RRMSE}}=\dfrac{{\mathrm{RMSE}}}{\bar {{y}_{i}}}\times 100{\text{%}} \text{，} $$ (10) 式中，
$ {y}_{i} $ 、$ {y}_{i}' $ 、$ \bar {{y}_{i}} $ 分别表示真实的、预测的以及平均测量的白叶枯感染等级，n是样本数。2. 结果与分析
2.1 白叶枯感染等级
自适应阈值法是数字图像处理中的一种二值化方法，可以自动找到最佳的阈值，从而使得将原始图像转换成二值图像后，将目标区域的像素点尽可能地保留，而背景区域的像素点尽可能地过滤掉。本文将图像转换为Lab色彩空间，采用自适应阈值法获得叶片与病害的mask图像，通过与原始图像相乘获得去背景图像。对去背景图片进行分割获得感染白叶枯叶片的二值图像，将像素分为感染像素(白色区域)和未感染像素(黑色区域)，流程图如图1所示。将白叶枯感染像素占总像素的比例作为感染率，将病害严重程度分为健康、轻微、中度、严重共4个等级，如图2所示。
统计所有图像中白叶枯感染率，将92张图像根据感染等级分为4组，其中，健康组包含12张图片，轻度组包含27张图片，中度组包含28张图片，重度组包含25张图片。将其按照2∶1的数量比例划分成训练集和验证集，分别包含图像60、32张图片。
2.2 白叶枯感染等级预测模型
2.2.1 颜色特征模型
数据集划分成训练集和测试集，包含健康、轻度、中度、重度组，其样本数分别为8、18、18、16，总共60个样本。采用皮尔逊相关性分析法获得感染率与颜色特征的相关系数和显著性。测得多重相关系数约为 0.97，表示自变量与因变量之间存在较强的线性相关性；R2为 0.93，说明模型可以解释因变量约 93% 的变异性，回归方程对数据的拟合程度较高。
通过皮尔逊相关性分析得到白叶枯的感染率与颜色特征
$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 、$ {{\boldsymbol{\delta}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 的相关性P<0.001，说明显著相关，选取这几个特征作为白叶枯感染率的敏感特征，建立回归模型。使用验证集中28个白叶枯感染图像对模型的预测精度进行验证，得到的R2、RMSE和RRMSE分别为86.12%、1.42和15.1%。使用$ {{{X}}}_{1} $ 、$ {X}_{2} $ 、$ {X}_{6} $ ，即$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 、$ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 作为自变量，多元回归模型如方程(11)所示，得到的R2、RMSE和RRMSE分别为85.9%、1.43和19.1%，与$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 、$ {{\boldsymbol{\delta}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\delta}}}_{{\boldsymbol{V}}} $ 作为自变量时的结果相差不大，此时白叶枯感染率的测量值与预测值的拟合结果如图3a所示。![]()
图 3 基于颜色特征(a)、纹理特征(b)和两者融合(c)的白叶枯感染率预测模型精度检验Figure 3. Accuracy evaluation of prediction model of bacterial blight infection rate based on color features (a), texture features (b) and their fusion (c)$$\begin{split} Y= & -20.437\;9-0.637\;77{X}_{1}+0.165\;06{X}_{2}+ \\ & 0.003\;66{X}_{6} 。 \end{split} $$ (11) 2.2.2 纹理特征模型
采用皮尔逊相关性分析法获得感染率与纹理特征的相关系数和显著性。测得多重相关系数约为 0.95，表示自变量与因变量之间存在较强的线性相关性；R2为 0.90，说明模型可以解释因变量约 90% 的变异性，表明回归方程对数据的拟合程度很高。通过皮尔逊相关性分析得到白叶枯的感染率与5个纹理特征的相关性P<0.001，说明显著相关，将5个纹理特征作为自变量，建立回归模型。
$$ \begin{split} Y=& -7.928-0.018\;42{X}_{1}+0.022\;75{X}_{2}-0.012\;22{X}_{3}+\\ & 0.007\;43{X}_{4}-0.011\;94{X}_{5} 。 \end{split} $$ (12) 使用验证集中28个白叶枯感染图像对模型的预测精度进行验证，得到的R2、RMSE和RRMSE分别为83.5%、1.02和14.45%，拟合结果如图3b所示。
2.2.3 颜色和纹理特征融合模型
已知无人机图像的颜色特征
${{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、${{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 、${{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 和5个纹理特征对水稻白叶枯感染等级较为敏感，选取3个颜色特征和5个纹理特征，构建特征与白叶枯感染等级间的多元回归模型，测得多重相关系数和R2分别为 0.977和0.954，拟合程度较高，回归模型如式(13)所示。使用验证集中28个白叶枯感染图像对模型的预测精度进行验证，得到的R2、RMSE和RRMSE分别为89.6%、1.06和15.1%，拟合结果如图3c所示。$$\begin{split} Y=& -23.48-0.417\;8{X}_{1}+0.134\;2{X}_{2}+0.002\;8{X}_{3}-\\ & 0.003\;4{X}_{4}+0.005\;4{X}_{5}-0.008\;6{X}_{6}+\\ & 0.005\;5{X}_{7}-0.004\;4{X}_{8} 。 \end{split} $$ (13) 2.3 模型结果及分析
上述3个回归模型的结果证明了HSV颜色空间的一阶矩阵和二阶矩阵特征与水稻白叶枯为害等级相关，通过
$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 和$ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 3个颜色特征能实现白叶枯的准确预测(R2=0.859，RMSE=1.43，RRMSE=19.1%)。与基于颜色特征的预测相比，基于灰度共生矩阵获得纹理特征的预测(R2=0.835，RMSE=1.02，RRMSE=14.14%)的R2减少2.4个百分点，准确率有所下降。然而，无论是仅使用颜色特征还是纹理特征都能获得较令人满意的预测结果。基于颜色和纹理特征融合的预测(R2=0.896，RMSE=1.06，RRMSE=15.1%)与仅颜色特征的预测相比，R2提高了3.7个百分点，RMSE降低了0.37，RRMSE减少了4.0个百分点；与仅纹理特征的预测相比，R2提高了6.1个百分点，预测精度有较大的提升。这些结果说明基于无人机低空遥感图像的颜色和纹理特征监测水稻白叶枯具有巨大潜力。2.4 不同分辨率模型构建及分析
要实现稻田快速无损的检测，需要对无人机的飞行高度进行合理设置，不合理的飞行高度不仅会增加后续无人机遥感数据处理的工作量，还会严重影响识别效率和准确度。为了解决这个问题，将“1.3.1”预处理后的图像(GSD为0.1 cm)重采样至GSD分别为0.2、0.5、0.8、1.0 cm，图像大小依然调整为500×500，重采样后的部分图像样本如图4所示。根据得到的对白叶枯较敏感特征，提取不同GSD图像颜色和纹理特征，分别构建颜色特征、纹理特征、颜色和纹理特征融合的白叶枯预测模型，结果如表2所示。由表2可知基于颜色特征的白叶枯感染等级模型的整体预测精度高于基于纹理特征的，2种特征相融合的预测模型比单一种类特征的精度更高。颜色、纹理以及融合特征3种模型预测精度随着GSD的增加，呈先增后减趋势。GSD不大于0.8 cm时，能得到较好的预测结果，特别是在GSD为0.2 cm时，与0.1 cm相比有所提升，可能高分辨率图像包含大量冗余信息和噪音，重采样GSD至0.2 cm后改善了图像质量，从而提高了预测精度。当图像重采样GSD至0.5和0.8 cm后，图像中的部分信息丢失，预测精度有所下降，但是基本都在80%以上，结果依然令人满意。重采样GSD至1.0 cm后，信息大量丢失，颜色特征、纹理特征和2种特征融合3种模型预测精度分别为74.0%，68.8%和73.8%，精度较低，RRMSE甚至达到62%。
![]()
图 4 不同GSD条件下白叶枯4个感染等级样本Figure 4. Samples of four infection levels in rice bacterial blight under different GSD conditions表 2 不同GSD条件下白叶枯感染等级预测精度Table 2. Prediction accuracy of bacterial blight infection levels under different GSD conditions特征
Feature地面分辨率/cm
GSD决定系数/%
R2均方根误差
RMSE相对均方根误差/%
RRMSE颜色
Color0.1 85.9 1.43 19.1 0.2 88.1 1.19 18.6 0.5 85.8 0.86 25.9 0.8 80.9 0.51 28 1.0 74.0 0.43 62.0 纹理
Texture0.1 83.5 1.02 14.5 0.2 84.6 0.93 13.2 0.5 82.4 0.67 19.1 0.8 74.6 0.17 12.1 1.0 68.8 0.15 22.6 颜色和纹理融合
Fusion of color and texture0.1 89.6 1.06 15.1 0.2 91.9 1.15 14.7 0.5 86.6 0.32 10.1 0.8 84.9 0.98 41.7 1.0 73.8 0.12 23.1 以上试验结果说明，在使用无人机搭载RGB相机尤其是多光谱相机快速监测整个稻田的白叶枯流行状况时，可设置无人机在合适的高度获得图像GSD为0.8 cm的图像进行数字正射影像图(Digital orthophoto map，DOM)的构建，提取图像颜色纹理2种特征融合后构建多元回归模型对白叶枯的感染等级进行预测，预测精度可达80%以上；如果能够融合多光谱中除R、G、B的其他波段以及一些常用的植被指数，将会获得更高的预测精度。以本文所用无人机遥感系统为例，根据以上研究计算出DJI Mavic 3T监测水稻白叶枯时较佳的飞行高度为23 m。
3. 白叶枯感染等级分布
为了验证前面试验结果对于稻田白叶枯的快速无损检测的可行性，根据“2.4”获得的白叶枯敏感特征以及最佳地面分辨率，对水稻田块进行区域尺度的白叶枯感染等级监测。无人机飞行高度设为22 m，焦距为4.4 mm，获得地面分辨率约为0.8 cm的高分辨率图像。对图像进行裁剪，去除背景(裸地)等预处理后，获得尺寸为
2600 ×1900 的图像。对预处理后的图像划分成尺寸为100×100的栅格，并根据栅格将图像裁剪为100×100的子图像，共获得子图像494张。构建白叶枯感染回归模型，获得子图像中白叶枯感染率，进而推断出子图像感染严重程度，最终获得整个区域水稻白叶枯的分布结果(图5)。由图5可知，在整个区域中，22.9%的区域为无感染区域，37.4%的区域为轻度感染区域，21.1%的区域为中度感染区域，18.6%的区域为严重感染区域。由图5可知，严重感染区域主要分布在裸地较多的区域，此时白叶枯感染严重已造成水稻植株枯萎。中度感染区域分布在严重感染区域周围，符合白叶枯从点到面的感染规律。结果说明通过多元回归模型可以实现区域尺度的白叶枯感染预测。
![]()
图 5 区域尺度水稻白叶枯感染等级分布Figure 5. Regional scale distribution of rice bacterial blight infection levels4. 结论
本文通过利用高分辨率RGB无人机获取白叶枯胁迫的水稻冠层高分辨率图像，通过提取颜色特征和纹理特征构建白叶枯感染等级模型，实现对白叶枯感染等级的预测。通过构建不同GSD的白叶枯监测模型，对合适的GSD进行探究。结论如下：
从无人机高分辨率图像中提取的颜色特征和纹理特征对水稻白叶枯病感染等级的预测都能取得到较好的效果。基于颜色特征的监测模型的R2、RMSE、RRMSE分别为85.9%、1.43、19.1%，R2比基于纹理特征的模型高出2.4个百分点，RRMSE高了4.6个百分点。基于颜色和纹理特征融合的预测模型(R2=0.896，RMSE=1.06，RRMSE=15.1%)与仅颜色特征的预测模型相比，
$ {R}^{2} $ 提高了3.7个百分点，RMSE降低了0.37，RRMSE减少了4.0个百分点；与仅纹理特征的预测模型相比，R2提高了6.1个百分点，预测精度有较大的提升。将图像进行重采样，得到GSD分别为0.2、0.5、0.8、1.0 cm的水稻冠层图像，对不同GSD的图像提取颜色和纹理特征，分别构建单一种类特征模型和2类特征融合模型，发现当GSD为0.2、0.5或0.8 cm时，模型精度与直接提取特征构建的模型精度相差不大，R2均在80%以上，当GSD为1.0 cm时，模型精度大幅下降，不能对水稻白叶枯进行准确监测。
基于无人机低空遥感图像的颜色和纹理特征监测水稻白叶枯具有巨大潜力；利用无人机遥感监测水稻白叶枯时，可根据最佳GSD以及所搭载传感器型号，获得适宜的无人机飞行高度，研究可为无人机遥感系统快速监测水稻田白叶枯提供依据。
-
![]()
图 4 WIFI无线通信模块软件设计的流程图
Figure 4. Flow chart of software design in WIFI wireless communication module
表 1 地表水各指标不同等级的标准质量浓度
Table 1 Standard mass concentrations of different grades for each index in surface water
ρ/(mg·L−1) 等级
Grade溶解氧
Dissolved oxygen化学需氧量
Chemical oxygen demand氨氮
NH3-N总磷
Total phosphorus总氮
Total nitrogen硫化物
SulfideⅠ ≥7.5 ≤15 ≤0.15 ≤0.02 ≤0.2 ≤0.05 Ⅱ ≥6.0 ≤15 ≤0.50 ≤0.10 ≤0.5 ≤0.10 Ⅲ ≥5.0 ≤20 ≤1.00 ≤0.20 ≤1.0 ≤0.20 Ⅳ ≥3.0 ≤30 ≤1.50 ≤0.30 ≤1.5 ≤0.50 Ⅴ ≥2.0 ≤40 ≤2.00 ≤0.40 ≤2.0 ≤1.00 
下载: 导出CSV
表 2 训练样本生成规则
Table 2 Generation rules of training samples
pH ρ/(mg·L−1) 样本数
Number of
sample期望输出
Expected
output等级
Grade溶解氧
Dissolved
oxygen化学需氧量
Chemical
oxygen demand氨氮
NH3-N总磷
Total
phosphorus总氮
Total
nitrogen硫化物
Sulfide6~9 ≥7.5 ≤15 ≤0.15 ≤0.02 ≤0.2 ≤0.05 50 1 Ⅰ 6.0~7.5 ≤15 0.15~0.50 0.02~0.10 0.2~0.5 0.05~0.10 50 2 Ⅱ 5.0~6.0 15~20 0.50~1.00 0.10~0.20 0.5~1.0 0.10~0.20 50 3 Ⅲ 3.0~5.0 20~30 1.00~1.50 0.20~0.30 1.0~1.5 0.20~0.50 50 4 Ⅳ 2.0~3.0 30~40 1.50~2.00 0.30~0.40 1.5~2.0 0.50~1.00 50 5 Ⅴ
下载: 导出CSV
表 4 不同优化算法的最优解
Table 4 Optimal solutions of different optimized algorithms
优化算法
Optimized
algorithm核函数参数(c)
Kernel function
parameter惩罚因子(g)
Penalty
factorPSO 9.783 4 5.023 7 GWO 42.362 5 3.816 4 IPSO 82.436 5 0.659 1 GWOPSO 65.899 2 0.010 0 IGWOPSO 97.234 2 0.010 0
下载: 导出CSV
表 3 不同算法的分类准确率及性能
Table 3 Classification accuracy and performance of different algorithms
算法
Algorithm样本准确率/%
Sample accuracy性能 Performance S1 S2 S3 均值
Mean绝对误差
Abosolute
error均方根误差
Root mean
square error纳什效率系数
Nash-Sutcliffe
efficiencySVM 100.00 75.56 84.44 86.67 23 0.49 0.63 PSO-SVM 100.00 86.67 86.67 91.11 15 0.39 0.77 GWO-SVM 100.00 88.89 88.89 92.59 10 0.27 0.89 IPSO-SVM 91.11 100.00 95.56 95.56 6 0.21 0.93 GWOPSO-SVM 100.00 100.00 93.33 97.78 3 0.15 0.97 IGWOPSO-SVM 100.00 100.00 100.00 100.00 0 0 1.00
下载: 导出CSV
-
[1] YAROSHENKO I, KIRSANOV D, MARJANOVIC M, et al. Real-time water quality monitoring with chemical sensors[J]. Sensors, 2020, 20(12): 3432. doi: 10.3390/s20123432.
[2] IMRAN L B, LATIF R M A, FARHAN M, et al. Smart city based autonomous water quality monitoring system using WSN[J]. Wireless Personal Communications, 2020, 115(2): 1805-1820. doi: 10.1007/s11277-020-07655-x
[3] AMOATEY P, BAAWAIN M S. Effects of pollution on freshwater aquatic organisms[J]. Water Environment Research, 2019, 91(10): 1272-1287. doi: 10.1002/wer.1221
[4] 徐显阳. 多层水质数据监测系统的采集与控制研究[D]. 大连: 大连理工大学, 2021. [5] 曹守启, 葛照瑞, 张铮. 基于物联网的浮标水质监测系统与溶解氧浓度预测模型[J]. 农业机械学报, 2021, 52(11): 210-218. [6] 肖茂华, 周俊博, 王伟臣, 等. 一种新型拖拉机故障诊断系统及故障诊断方法: CN202110892020.4[P]. 2021-10-29. [7] SILLBERG C V, KULLAVANIJAYA P, CHAVALPARIT O. Water quality classification by integration of attribute-realization and support vector machine for the Chao Phraya River[J]. Journal of Ecological Engineering, 2021, 22(9): 70-86. doi: 10.12911/22998993/141364
[8] 杨望灿, 张培林, 任国全, 等. 基于模糊熵与LS-SVM的轴承故障诊断[J]. 机械强度, 2014, 36(5): 666-670. [9] 周金. 基于自适应VMD和PSO-SVM的电能质量扰动检测与分类[D]. 长沙: 湖南大学, 2019. [10] 孙俊, 莫云南, 戴春霞, 等. 基于介电特性与IRIV-GWO-SVR算法的番茄叶片含水率检测[J]. 农业工程学报, 2018, 34(14): 188-195. [11] SHAHEEN M A M, HASANIEN H M, ALKUHAYLI A. A novel hybrid GWO-PSO optimization technique for optimal reactive power dispatch problem solution[J]. Ain Shams Engineering Journal, 2021, 12(1): 621-630. doi: 10.1016/j.asej.2020.07.011
[12] MATOS J, FARIA R P V, NOGUEIRA I B R, et al. Optimization strategies for chiral separation by true moving bed chromatography using particles swarm optimization (PSO) and new Parallel PSO variant[J]. Computers & Chemical Engineering, 2019, 123: 344-356.
[13] 郜云波. 纤维制备生产参数与质量能耗评估预测模型及应用研究[D]. 哈尔滨: 东北林业大学, 2019. [14] GOHIL B N, PATEL D R. A hybrid GWO-PSO algorithm for load balancing in cloud computing environment[C]//2018 Second International Conference on Green Computing and Internet of Things, 2018: 185-191.
[15] 刘双印, 徐龙琴, 李振波, 等. 基于PCA-MCAFA-LSSVM的养殖水质pH值预测模型[J]. 农业机械学报, 2014, 45(5): 239-246. [16] 陈俊英, 邢正, 张智韬, 等. 基于高光谱定量反演模型的污水综合水质评价[J]. 农业机械学报, 2019, 50(11): 200-209. [17] 李鑫星, 王聪, 田野, 等. 基于ZigBee的多参数水质在线监测系统[J]. 农业机械学报, 2015, 46(S1): 168-173. [18] 江先亮, 尚子宁, 金光, 等. 基于无人船的水产养殖水质动态监测系统设计与实验[J]. 农业机械学报, 2020, 46(9): 175-185. [19] 程淑红, 刘洁, 朱丹丹. 基于计算机视觉与SVM的水质异常监测方法[J]. 光电工程, 2014, 41(5): 28-33. [20] 李昕, 陈泽君, 李立君, 等. 基于偏好免疫网络和SVM算法的油茶果多特征识别[J]. 农业工程学报, 2020, 36(22): 205-213. doi: 10.11975/j.issn.1002-6819.2020.22.023 [21] 周建民, 王发令, 张臣臣, 等. 基于特征优选和GA-SVM的滚动轴承智能评估方法[J]. 振动与冲击, 2021, 40(4): 227-234. [22] LIU W, GUO G, CHEN F, et al. Meteorological pattern analysis assisted daily PM2.5 grades prediction using SVM optimized by PSO algorithm[J]. Atmospheric Pollution Research, 2019, 10(5): 1482-1491. doi: 10.1016/j.apr.2019.04.005
[23] 杨柳, 孙金华, 冯仲科, 等. 基于PSO-LSSVM的森林地上生物量估测模型[J]. 农业机械学报, 2016, 47(8): 273-279. [24] 周俊博, 朱烨均, 肖茂华, 等. 基于LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断[J]. 农业工程学报, 2021, 37(17): 39-48. [25] 苏中滨, 张磊磊, 马铮, 等. 基于改进PSO的无人自转旋翼机二自由度PID飞行控制[J]. 农业机械学报, 2022, 53(1): 151-158. [26] 周强, 周永权. 一种基于领导者策略的狼群搜索算法[J]. 计算机应用研究, 2013, 30(9): 2629-2632. [27] TATSUMI K, IBUKI T, TANINO T. A chaotic particle swarm optimization exploiting a virtual quartic objective function based on the personal and global best solutions[J]. Applied Mathematics and Computation, 2013, 219(17): 8991-9011. doi: 10.1016/j.amc.2013.03.029
[28] 曹旺. MATLAB智能优化算法: 从写代码到算法思想[M]. 北京: 北京大学出版社, 2021. [29] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69: 46-61. doi: 10.1016/j.advengsoft.2013.12.007
[30] 国家环境保护总局, 国家质量监督检验检疫总局. 地表水环境质量标准: GB 3838—2002[S]. 北京: 中国标准出版社, 2002. [31] ZHOU Q, ZHOU Y. Wolf colony search algorithm based on leader strategy[J]. Application Research of Computers, 2013, 30(9): 2629-2632.
[32] 刘冬, 李帅, 付强, 等. 基于KHA优化BP神经网络的地下水水质综合评价方法[J]. 农业机械学报, 2018, 49(9): 275-284. [33] 成玉宁, 王雪原. 拟自然化: 城市湖泊水环境治理的生态智慧与途径: 以南京玄武湖为例[J]. 中国园林, 2021, 37(7): 19-24. [34] 南京市生态环境局. 2022年5月南京市区县级以上集中式生活饮用水水源水质状况报告[EB/OL]. http://www.nanjing.gov.cn/zdgk/202205/t20220526_3428993.html. -
期刊类型引用(5)
1. 王绪国，何思禹，秦伟，姜有聪，黄子顺，陶婉琰，李裕武，臧英. 水稻小区育种气吸式精量排种器研制. 农机化研究. 2025(06): 72-77 . 
百度学术
2. 言育谦，刘立晶，刘云强，吴海华，卢琦，刘芳建. 蔬菜气吸式排种器四级清种机构设计与试验. 农业机械学报. 2023(S1): 57-65 . 百度学术
3. 刘婉茹，张国忠，周勇，徐红梅，吴擎，付建伟，黄成龙，张建. 智能化技术在水稻生产全程机械化中的应用研究与发展趋势. 华中农业大学学报. 2022(01): 105-122 . 百度学术
4. 李玉环，杨丽，张东兴，崔涛，和贤桃，胡恒. 气吸式玉米精量排种器双侧清种装置设计与试验. 农业机械学报. 2021(07): 29-39 . 百度学术
5. 陈海涛，王洪飞，王业成，史乃煜，魏志鹏，窦玉宽. 三叶式自动清换种大豆育种气吸排种器设计与试验. 农业机械学报. 2020(12): 75-85 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 95
- HTML全文浏览量: 7
- PDF下载量: 14
- 被引次数: 10
