Toepassingscasus | FS-IQ hyperspectrale camera helpt bij vroege niet-destructieve detectie van bacteriële bladziekte bij rijst

De bacteriële bladerplaag van rijst is een belangrijke ziekte die de rijstopbrengst en de voedselzekerheid beïnvloedt.en tegen de tijd dat er laesies verschijnenDe hyperspectrale beeldvorming, met haar kenmerk van het combineren van beelden en spectra, heeft een aanzienlijk effect op de preventie en bestrijding.kan subtiele fysiologische en biochemische veranderingen die door de ziekte worden veroorzaakt, vastleggen, waardoor het een belangrijk middel is voor de vroege diagnose van plantenziekten.

In een studie gericht op de vroege diagnose van bacteriële bladbloeding van rijst,het wetenschappelijk onderzoeksteam koos de door CHNSpec geproduceerde draagbare hyperspectrale camera FigSpec FS-IQ-VISNIR om gegevens te verzamelen, die een stabiele en betrouwbare spectrale gegevensbron biedt voor intelligente ziekteherkenning.

I. Experimentele apparatuur en gegevensverzameling

• Apparatuurmodel: FigSpec FS-IQ-VISNIR hyperspectrale camera.
• Spectrumbereik: 400-1000 nm, met een spectrumresolutie van 2,5 nm.
• Verzamelvoorwaarden: zonnig overdag tussen 10:00 en 14:00 uur:00; de afstand van de lens tot het luifel was 60-80 cm; de DN-waarden werden bij 3000-4000 gereguleerd door de belichtingstijd in realtime aan te passen om de impact van overexpositie en lawaai te verminderen.
• Experimentele doelstellingen: rijstbladmonsters van drie niveaus: gezond, licht geïnfecteerd (asymptomatisch stadium) en ernstig geïnfecteerd.

De FS-IQ hyperspectrale camera ondersteunt snelle, contactloze beeldvorming en kan stabiel blaadspektral informatie verzamelen in zowel gecontroleerde omgevingen als veldscenario's.tot vaststelling van de gegevensbasis voor latere extractie van kenmerken en modelopleiding.

II. Gegevensvoorverwerking en Key Band Mining

De originele hyperspectrale gegevens zijn onderworpen aan donkere stroomcorrectie, whiteboardcorrectie en Savitzky-Golay-gladstelling.243 hoogwaardige banden werden gebruikt voor de modellenanalyse.

In het onderzoek werden met behulp van deep learning-methoden de kenmerkende banden die gevoelig zijn voor bacteriële bladerpest uit het volledige spectrum gefilterd, voornamelijk geconcentreerd in:

• Groene piekregio (520-550 nm): gerelateerd aan veranderingen in het chlorofylgehalte.
• Rode randregio (680-720 nm): weerspiegelt de structuur van bladcellen en stresstoestanden.

Het gebruik van slechts ongeveer 8% van de kernbanden kan het grootste deel van de discriminerende informatie behouden, waardoor de dimensionaliteit van de gegevens wordt verminderd en tegelijkertijd de operationele efficiëntie van het model en de herkenningsstabiliteit worden verbeterd.

III. Effecten van ziekteherkenning en toepassingswaarde

Bij de classificatie en herkenning van bacteriële bladbloeding werd een modelverificatie uitgevoerd op basis van de spectraaldata verkregen door FS-IQ:

• Met behulp van een klein aantal kernbanden als input bereikte de classificatie nauwkeurigheid meer dan 96%, wat beter was dan de directe input van het volledige spectrum.
• Voor scenario's met onevenwichtige steekproeven verbeterde de algehele prestaties van het model na uitbreiding van de minderheidssamples door middel van generatieve methoden met 6%~13%.
• De resultaten van de selectie van de banden waren consistent met de wetten van de fysiologische veranderingen van de planten, met een goede mechanistische interpretatie.

De FS-IQ hyperspectrale camera toonde in dit onderzoek de volgende aanpassingsvoordelen aan:

• Rijke banden en een stabiele signaal-ruisverhouding: het kan in de vroege stadia van de ziekte zwakke spectrumverschillen vastleggen, omdat het het belangrijkste zichtbare-nabij-infrarood interval bestrijkt.
• Draagbaar en gemakkelijk te gebruiken: geschikt voor laboratorium- en in-situ veldverzameling, aangepast aan scenario's voor analyse van gewasfenotypen.
• Sterke gegevenscompatibiliteit: Outputspektrums kunnen rechtstreeks worden verbonden met deep learning- en machine learning-workflows, waardoor functiemining en modeloptimalisatie worden ondersteund.

IV. Samenvatting

Deze zaak was gericht op de vroegtijdige niet-destructieve detectie van bacteriële bladerplaag van rijst en was gebaseerd op de FS-IQ hyperspectrale camera om spectrale gegevens van hoge kwaliteit te verkrijgen.Gecombineerd met intelligente algoritmen, heeft het een gevoelige bandextractie en een nauwkeurige ziekteherkenning bereikt, waardoor een haalbaar technisch pad voor vroegtijdige ziektewaarschuwing van gewassen en nauwkeurige preventie en bestrijding is bereikt.

de CHNSpec FS-IQ-serie hyperspectrale camera's, met stabiele beeldvorming en een gebruiksvriendelijke bediening,de wetenschappelijk onderzoek en industriële scenario's zoals slimme landbouw blijven dienen, plantenfenotypen en voedselveiligheid, waardoor gebruikers effectieve kenmerken uit complexe spectraalinformatie kunnen verkrijgen en de ontwikkeling van detectietechnologie voor niet-destructieve, efficiënte,en intelligente richtingen..

Productaanbeveling: FS-IQ-VISNIR Draagbare hyperspectrale camera

• Spectrumbereik: 400-1000 nm
• Spectrumresolutie: 2,5 nm.
• Beeldresolutie: 1920*1920
• Aantal spectrale kanalen: 1200