大豆食心虫虫害高光谱相机检测方法介绍

大豆食心虫虫害的高光谱相机检测方法是一种基于高光谱成像技术的检测方法。以下是该方法的介绍：

1. 高光谱成像：首先，利用高光谱相机获取大豆叶片或豆荚的高光谱图像。高光谱图像包含了丰富的光谱信息，能够反映大豆叶片或豆荚的生理和生化特性。

2. 数据预处理：对获取的高光谱图像进行预处理，包括黑白校正、Savitzky-Golay滤波等，以缓解可能出现的漫反射、样本不均匀等问题。这些预处理步骤有助于提高数据的质量和可靠性。

3. 特征提取：采用主成分分析法（PCA）等方法对预处理后的高光谱数据进行降维处理，选取贡献最大的前几个特征波长，从而降低数据的维度，并提取与虫害相关的特征。

4. 模型建立与训练：利用提取的特征，建立大豆食心虫虫害的检测模型。可以采用机器学习、深度学习等方法进行模型的训练和优化，使模型能够准确识别大豆食心虫虫害。

5. 虫害检测：将待检测的大豆叶片或豆荚的高光谱图像输入到训练好的模型中，模型会输出虫害的存在与否以及虫害的严重程度。

需要注意的是，高光谱相机检测方法在大豆食心虫虫害检测中的应用还需要进一步的研究和优化。在实际应用中，还需要考虑光照条件、相机参数设置、样本制备等因素对检测结果的影响。因此，在实际操作时，建议结合专业知识和经验，并根据具体情况进行适当的调整和改进。

高光谱相机对大豆食心虫虫害的无损检测研究

本研究应用了400-1000nm的高光谱相机，可采用广东赛斯拜克科技有限公司产品SP130M进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。

本研究针对大豆食心虫虫害进行无损检测，应用高光谱图像结合小样本元学习分类算法，对贮存期的大豆受大豆食心虫侵蚀程度的无损检测进行初步研究。本论文只要完成的工作如下∶

   （1）提出了基于三维关系网络小样本元学习算法的大豆食心虫虫害高光谱检测方法。本文提出了针对高光谱图像分类的三维关系网络元学习模型（3D-RN），能够在实验对象样本数量稀少的情况下对高光谱图像进行分类检测。本文利用高光谱成像技术采集含有虫卵的，含有食心虫幼虫的，被啃食的及正常的大豆的高光谱图像，并对采集得到的高光谱图像采用黑白校正和Savitzky-Golay（SG）滤波算法预处理高光谱图像的光谱信息，在采用主成分分析法（PCA）选取贡献最大的前9个特征波长从而降低高光谱图像的维度。通过使用CutMix数据增广方法增加元训练集的数据，从而增加模型的先验知识，使得模型性能更优。

　　并将Gradual WarmUp 方法实践于高光谱图像分类领域，优化了模型的学习率，使得模型更加的稳定。最后建立模型无关元学习（MAML），匹配网络元学习（MN），原型网络元学习（PN）和本文提出的三维关系网络元学习（3D-RN）四个小样本元学习算法的大豆食心虫虫害程度检测模型。实验结果表明，3D-RN模型表现最好，在学习率为0.01，元训练集个任务数据中各类的支撑集数据为5的情况下，准确率可达82±2.50%。

　　（2）提出了基于 A-ResNet 元学习模型的大豆食心虫虫害高光谱检测方法。实验利用高光谱成像系统采集正常的以及受大豆食心虫侵害的大豆高光谱图像，并使用黑白校正，SG平滑方法以及PCA方法预处理高光谱图像，并提取图像的感兴趣区。采用CutMix等方法增加数据集样本量。本文为了进一步提高大豆食心虫虫害检测模型的准确率，针对3D-RN模型的弊端，本文提出了A-ResNet元学习模型，该模型将ResNet 网络与Attention思想相结合，获取更加能够表述样本的特征向量以此来提升模型性能。

　　并舍弃了特征拼接的步骤，减少了模型的运行时间，并且简化了分类模型，将分类模型设计为多分类支持向量机，来减少模型中出现的过拟合现象。实验将A-ResNet元学习模型的结果与MAML、MN、PN 和 3D-RN 模型进行比较。实验表明，A-ResNet 元学习模型在5-shot 情况下的表现最好，准确率达到94.57±0.19%。