引用格式
✦
✦
✦
引用格式：张京, 赵泽瑄, 赵艳茹, 卜泓超, 吴星宇. 基于Bi-GRU和空-谱信息融合的油菜菌核病侵染区域高光谱图像分割方法[J]. 智慧农业(中英文), 2024, 6(2): 40-48.
DOI：10.12133/j.smartag.SA202310010
Citation:ZHANG Jing, ZHAO Zexuan, ZHAO Yanru, BU Hongchao, WU Xingyu. Oilseed Rape Sclerotinia in Hyperspectral Images Segmentation Method Based on Bi-GRU and Spatial-Spectral Information Fusion[J]. Smart Agriculture, 2024, 6(2): 40-48.
DOI：10.12133/j.smartag.SA202310010
官网全文免费阅读
知网阅读
基于Bi-GRU和空-谱信息融合的油菜菌核病侵染区域高光谱图像分割方法
张京1*， 赵泽瑄1， 赵艳茹2， 卜泓超1， 吴星宇1
（1.首都经济贸易大学 管理工程学院，北京 100070，中国；
2.西北农林科技大学 机械与电子工程学院，陕西杨凌 712100，中国）
摘要：
［目的/意义］油菜菌核病是一种全球性的植物病害，可严重影响油菜的产量和品质，造成巨大的经济损失。为解决传统化学检测方法存在的操作复杂、污染环境、破坏样品及检测效率低等问题，构建了一种基于空-谱信息融合的双向门控循环网络（Bi-directional Gate Recurrent Unit, Bi-GRU）模型，实现油菜菌核病侵染区域的高光谱图像分割。
［方法］首先提取7×7像素邻域作为目标像素的空间特征，同时考虑全波段光谱特征，实现空间信息和光谱信息的有效融合。在此基础上结合Bi-GRU架构，实现序列数据中任意位置上特征的同时提取，避免了空-谱数据融合顺序对模型结果的影响。
［结果和讨论］与卷积神经网络模型和长短时记忆网络模型相比，基于空-谱信息融合的Bi-GRU模型在平均精度、平均交并比、Kappa系数和Dice系数等评价指标上均获得显著提升。该模型的油菜菌核病检测平均精度达到93.7%，同时可以有效提取早期感染阶段的病斑区域。
［结论］本研究可为油菜菌核病的高通量无损检测奠定基础，也为油菜菌核病的早期感染检测提供参考依据。
关键词： 油菜菌核病检测；高光谱图像分割；双向门控循环神经网络；空-谱信息融合；深度学习
图1 油菜菌核病不同感染时期的RGB图像和伪彩色图像
Fig. 1 RGB images and pseudo-color images of oilseed rape sclerotinia in different periods
图2 油菜叶片的原始反射率光谱
Fig. 2 Raw reflectance spectral of oilseed rape leaves
图3 油菜菌核病数据集的标注效果示例
Fig. 3 Annotation effects of oilseed rape sclerotinia dataset
图4 空-谱信息融合机制
Fig. 4 Spatial-spectral information fusion mechanism
图5 Bi-GRU模型结构
Fig. 5 Structure diagram of the Bi-GRU model
图6 油菜叶片菌核病的分割结果示例
Fig. 6 Examples of oilseed rape sclerotinia segmentation results
图7 CNN、Bi-LSTM和Bi-GRU模型在不同感染阶段的菌核病检测Dice系数
Fig. 7 Dice coefficient of Sclerotinia detection for CNN， Bi-LSTM and Bi-GRU models at different infection periods
作者简介
张京 博士
来源：《智慧农业（中英文）》2024年第2期
转载请联系编辑部授权
推荐阅读
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
