青枯病高光谱早期无损检测方法及装置

1.本技术涉及番茄植株的青枯病检测领域，尤其涉及一种青枯病高光谱早期无损检测方法及装置。


背景技术：

2.番茄是全球消费最多的蔬菜之一，也是全球主要经济作物之一。青枯病是番茄的一种主要病害，发病急、蔓延快，发生严重时会引起植株成片死亡，造成减产甚至绝收，严重影响了番茄的产量和品质。青枯病害的早期、快速、精准检测对病害的防治、作物的护理具有极其重要的意义。
3.然而，由于青枯病发病期间植株仍保持绿色，发病早期仅植株顶端叶片色泽稍淡，发生轻度萎蔫，夜间可自行恢复，肉眼观察极难判断。现有检测手段中，专家检测依赖于专家，且仅在病症显现时进行识别，存在费时费力、主观干扰等问题；化学分子检测结果准确，却不能实时田间操作，且耗时长、成本高，均难以满足青枯病害早期、快速检测的需求。


技术实现要素：

4.本技术的目的是提供一种青枯病高光谱早期无损检测方法及装置，用于青枯病的早期检测。
5.本技术提供一种青枯病高光谱早期无损检测方法，包括：
6.采集目标植株的目标光谱；根据最优解特征组合，从所述目标光谱中提取与所述最优解特征组合对应的目标特征参数；将所述目标特征参数输入目标模型，输出检测结果；其中，所述最优解特征组合为基于遗传算法模型得到的；所述目标模型为二分类模型基于所述最优解特征组合处理后的训练样本训练得到的；所述检测结果用于指示所述目标植株是否患有青枯病。
7.可选地，所述采集目标植株的目标光谱，包括：获取所述目标植株的目标部位基于太阳光模拟光源采集到的目标光谱；其中，所述目标部位为所述目标植株的茎中靠近根部的部位。
8.可选地，所述根据最优解特征组合，从所述目标光谱中提取目标植被指数之前，所述方法还包括：采集至少一个番茄植株的目标部位的第一光谱，并采用卷积平滑方法对每个番茄植株对应的光谱进行预处理，生成每个番茄植株对应的第二光谱；通过主成分分析pca，提取每个番茄植株对应的第二光谱的光谱主成分，以及使用波段运算方法，基于每个番茄植株对应的第二光谱提取植被指数；根据每个番茄植株对应的光谱主成分和植被指数，生成数据集；其中，所述植被指数包括以下至少一项：水胁迫指数，叶绿素指数，红边指数。
9.可选地，所述根据每个番茄植株对应的光谱主成分和植被指数，生成数据集之后，所述方法还包括：将所述数据集输入遗传算法模型，并从最终得到的种群中筛选出适应度最大的个体对应的青枯病特征组合，作为所述最优解特征组合；其中，每个个体对应的青枯
病特征组合为随机分配的；所述青枯病特征组合包括：番茄植株对应的光谱主成分和植被指数组成的特征集合中的至少一项。
10.可选地，所述将所述数据集输入遗传算法模型，并从最终得到的种群中筛选出适应度最大的个体对应的青枯病特征组合，作为所述最优解特征组合之后，所述方法还包括：根据所述最优解特征组合，对所述数据集中的每个番茄植株对应的特征组合进行归一化处理，并根据每个番茄植株是否患有青枯病的情况，对每个番茄植株对应的特征组合进行标记；将标记后的特征组合输入所述二分类模型中，并采用十折交叉验证方法训练所述二分类模型，得到所述目标模型；其中，所述二分类模型为支持向量机svm二分类模型。
11.本技术还提供一种青枯病高光谱早期无损检测装置，包括：
12.光谱采集模块，用于采集目标植株的目标光谱；参数提取模块，用于根据最优解特征组合，从所述目标光谱中提取与所述最优解特征组合对应的目标特征参数；病害诊断模块，用于将所述目标特征参数输入目标模型，输出检测结果；其中，所述最优解特征组合为基于遗传算法模型得到的；所述目标模型为二分类模型基于所述最优解特征组合处理后的训练样本训练得到的；所述检测结果用于指示所述目标植株是否患有青枯病。
13.可选地，所述光谱采集模块，具体用于获取所述目标植株的目标部位基于太阳光模拟光源采集到的目标光谱；其中，所述目标部位为所述目标植株的茎中靠近根部的部位。
14.可选地，所述装置还包括：计算模块和生成模块；所述光谱采集模块，还用于采集至少一个番茄植株的目标部位的第一光谱，并采用卷积平滑方法对每个番茄植株对应的光谱进行预处理，生成每个番茄植株对应的第二光谱；所述计算模块，用于通过主成分分析pca，提取每个番茄植株对应的第二光谱的光谱主成分，以及使用波段运算方法，基于每个番茄植株对应的第二光谱提取植被指数；所述生成模块，用于根据每个番茄植株对应的光谱主成分和植被指数，生成数据集；其中，所述植被指数包括以下至少一项：水胁迫指数，叶绿素指数，红边指数。
15.可选地，所述装置还包括：特征选择模块；所述特征选择模块，用于将所述数据集输入遗传算法模型，并从最终得到的种群中筛选出适应度最大的个体对应的青枯病特征组合，作为所述最优解特征组合；其中，每个个体对应的青枯病特征组合为随机分配的；所述青枯病特征组合包括：番茄植株对应的光谱主成分和植被指数组成的特征集合中的至少一项。
16.可选地，所述装置还包括：初始化模块和模型训练模块；所述初始化模块用于根据所述最优解特征组合，对所述数据集中的每个番茄植株对应的特征组合进行归一化处理，并根据每个番茄植株是否患有青枯病的情况，对每个番茄植株对应的特征组合进行标记；所述模型训练模块，用于将标记后的特征组合输入所述二分类模型中，并采用十折交叉验证方法训练所述二分类模型，得到所述目标模型；其中，所述二分类模型为支持向量机svm二分类模型。
17.本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上述任一种所述青枯病高光谱早期无损检测方法的步骤。
18.本技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述青枯病高光谱早期无损检测方法的步骤。
19.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述青枯病高光谱早期无损检测方法的步骤。
20.本技术提供的青枯病高光谱早期无损检测方法及装置，为了确定目标植株是否患有青枯病，需要采集目标植株的目标光谱，并根据基于遗传算法模型得到的最优解特征组合，从采集的目标光谱中提取与该最优解特征组合对应的目标特征参数。之后，将提取到的目标特征参数输入到目标模型，并输出检测结果，根据该检测结果，可以确定该目标植株是否患有青枯病。
附图说明
21.为了更清楚地说明本技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1是本技术提供的青枯病高光谱早期无损检测方法的流程示意图之一；
23.图2是本技术提供的健康株和青枯病株的茎部平均光谱对比图；
24.图3是本技术提供的青枯病高光谱早期无损检测方法的流程示意图之二；
25.图4是本技术提供的青枯病特征组合适应度对照图；
26.图5是本技术提供的青枯病检测精度roc曲线图；
27.图6是本技术提供的青枯病高光谱早期无损检测装置的结构示意图；
28.图7是本技术提供的电子设备的结构示意图。
具体实施方式
29.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术中的附图，对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
30.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
31.由于青枯病发病期间植株仍保持绿色，早期仅植株顶端叶片色泽稍淡，发生轻度萎蔫，夜间可自行恢复，肉眼观察极难判断。现有检测手段中，专家检测依赖于专家，且仅在病症显现时进行识别，存在费时费力、主观干扰等问题；化学分子检测结果准确，却不能实时田间操作，且耗时长、成本高，均难以满足青枯病害早期、快速检测的需求。
32.因此，为了解决相关技术中存在的上述技术问题，本技术实施例提供了一种青枯病高光谱早期无损检测方法。高光谱遥感监测技术可获取地物连续光谱信息，利用其中诊断性光谱信息，能够实现对地物的定量参数反演和生长胁迫信息提取，在作物养分诊断、病
虫害程度判别方面具有明显优势。同时，遥感监测具有获取信息安全、便捷、无损的特点，可大大提升检测效率，降低成本。
33.目前应用于青枯病的遥感无损检测研究较少，基于高光谱技术早期高精度、快速检测方法存在空白。
34.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的青枯病高光谱早期无损检测方法进行详细地说明。
35.如图1所示，本技术实施例提供的一种青枯病高光谱早期无损检测方法，该方法可以包括下述步骤101至步骤103：
36.步骤101、采集目标植株的目标光谱。
37.示例性地，上述目标植株可以是番茄植株，也可以是其他能够感染青枯病的其他茄科植株。
38.需要说明的是，由于青枯病害发病区域的番茄植株通常采用防鸟网和温室大棚对植株进行保护，常规自然光源的光谱检测技术会受到限制。因此，本技术实施例中，可以使用hyscan便携式智能光谱仪采集番茄植株光谱。
39.示例性地，本实施例中利用自带太阳光模拟光源的光谱采集设备进行标准白板定标，采集番茄植株的光谱，即上述目标光谱。上述目标光谱的谱段范围为：398.7nm至1000.46nm，光谱分辨率优于10nm。本技术实施例提供的青枯病高光谱早期无损检测方法，可以基于上述目标光谱确定目标植株是否患有青枯病。
40.示例性地，上述目标光谱可以为目标植株靠近根部的茎部光谱，上述步骤101，可以包括以下步骤101a：
41.步骤101a、获取所述目标植株的目标部位基于太阳光模拟光源采集到的目标光谱。
42.其中，所述目标部位为所述目标植株的茎中靠近根部的部位。
43.示例性地，为了获取到目标植株的目标部位的目标光谱，可以利用遮光器件，选取目标植株近根部茎，测定茎部光谱。具体地，可以在目标植株的近根部部位，选择三处，分别进行光谱采集，每次光谱采集5次后取平均值，得到该目标植株的目标光谱。
44.步骤102、根据最优解特征组合，从所述目标光谱中提取与所述最优解特征组合对应的目标特征参数。
45.其中，所述最优解特征组合为基于遗传算法模型得到的。
46.可以理解的是，上述目标光谱中包含了部分对确定该目标植株是否患有青枯病相关性弱的光谱，并且，根据采集到的目标光谱，可以得到水胁迫、红边、叶绿素等相关植被指数，为了提高检测效率，需要筛选出对确定目标植株是否患有青枯病作用最大的特征组合，构成上述最优解特征组合。
47.示例性地，在获取到目标植株的目标光谱后，可以根据预先得到的最优特征组合，从采集到的目标光谱中提取与该最优特征组合对应的目标特征参数。之后，使用上述目标特征参数，便可以快速检测该目标植株是否患有病害。
48.步骤103、将所述目标特征参数输入目标模型，输出检测结果。
49.其中，所述目标模型为二分类模型基于所述最优解特征组合处理后的训练样本训练得到的；所述检测结果用于指示所述目标植株是否患有青枯病。
50.示例性地，在获取到上述目标特征参数后，可以将该目标特征参数输入到目标模型中，该目标模型为二分类模型基于所述最优解特征组合处理后的训练样本训练得到的。根据该目标模型输出的检测结果，便可以确定该目标植株是否患有青枯病。
51.举例说明，如图2所示，为健康株和青枯病株的茎部平均光谱对比图。根据图2所示的光谱对比，可以看出健康株的茎部光谱与患病株的茎部光谱存在差异，基于此，可以通过植株茎部的光谱，确定植株是否患有青枯病。
52.如此，为了确定目标植株是否患有青枯病，需要采集目标植株的目标光谱，并根据基于遗传算法模型得到的最优解特征组合，从采集的目标光谱中提取与该最优解特征组合对应的目标特征参数。之后，将提取到的目标特征参数输入到目标模型，并输出检测结果，根据该检测结果，可以确定该目标植株是否患有青枯病。
53.可选地，在本技术实施例中，上述最优解特征组合，可以通过遗传算法，可以利用提取到的植被指数及光谱主成分，结合遗传算法建立的遗传算法特征选择模型得到。
54.示例性地，上述步骤102之前，本技术实施例提供的青枯病高光谱早期无损检测方法，还可以包括以下步骤104至步骤106：
55.步骤104、采集至少一个番茄植株的目标部位的第一光谱，并采用卷积平滑方法对每个番茄植株对应的光谱进行预处理，生成每个番茄植株对应的第二光谱。
56.步骤105、通过主成分分析pca，提取每个番茄植株对应的第二光谱的光谱主成分，以及使用波段运算方法，基于每个番茄植株对应的第二光谱提取植被指数。
57.步骤106、根据每个番茄植株对应的光谱主成分和植被指数，生成数据集。
58.其中，所述植被指数包括以下至少一项：水胁迫指数，叶绿素指数，红边指数。
59.示例性地，为了得到包含多个番茄植株的光谱主成分和植被指数的数据集，需要采集多个番茄植株的目标部位的第一光谱，并对该第一光谱进行预处理，降低随机噪声的干扰。具体包括：采用卷积平滑方法对每个番茄植株对应的光谱进行预处理，生成每个番茄植株对应的第二光谱。
60.示例性地，在获取到每个番茄植株对应的第二光谱后，可以通过主成分分析(principal components analysis，pca)对第二光谱进行降维处理，得到包含第二光谱99.98％信息的主成分。具体地，可以将第二光谱的特征维度从303变为25。同时，还可以使用波段运算方法，从第二光谱中提取水胁迫指数、叶绿素指数、红边指数等植被指数。
61.示例性地，如以下表所示，为本技术实施例中提取到的植被指数，其中，r表示反射率reflectivity：
[0062][0063]
示例性地，上述主成分和植被指数，可以作为判断植株是否患有青枯病的特征。之后，可以通过遗传算法，从上述特征中筛选出对判断植株是否患病作用最大的特征组合，作为上述最优解特征组合。
[0064]
举例说明，如图3所示，为本技术实施例提供的青枯病高光谱早期无损检测方法的流程示意图，使用hyscan便携式智能光谱仪采集番茄植株光谱后，对采集到的光谱数据(即上述第一光谱)进行预处理。之后，对预处理后的光谱数据(即上述第二光谱)进行主成分分析以及使用波段运算的方法后，得到该光谱数据的光谱主成分以及植被指数。
[0065]
进一步地，在本技术实施例中，得到上述数据集之后，可以通过遗传算法模型，从上述每个番茄植株对应的特征中，筛选出最优解特征组合。
[0066]
示例性地，上述步骤106之后，本技术实施例提供的青枯病高光谱早期无损检测方法，还可以包括以下步骤107：
[0067]
步骤107、将所述数据集输入遗传算法模型，并从最终得到的种群中筛选出适应度最大的个体对应的青枯病特征组合，作为所述最优解特征组合。
[0068]
其中，每个个体对应的青枯病特征组合为随机分配的；所述青枯病特征组合包括：番茄植株对应的光谱主成分和植被指数组成的特征集合中的至少一项。
[0069]
可以理解的是，利用上述提取到的wi、ndvi、gm1等植被指数及光谱主成分，结合遗
传算法建立遗传算法特征选择模型。遗传算法是一种随机全局搜索优化方法，随机初始化种群，通过模拟自然选择和遗传中发生的复制、交叉和变异等操作，产生一群更适合环境的个体，使得种群进化到搜索空间中越来越好的区域，经过不断迭代种群，最后收敛于最优解，从而求得特征组合方式的最优解，即上述最优解特征组合。
[0070]
示例性地，在遗传算法模型的随机搜索最优化过程中，可以通过二进制编码的方式，对每个个体对应的青枯病特征组合进行初始化，且该初始化过程可以将每个个体对应的特征组合进行随机分配，并从最终得到的种群中筛选出适应度最大的个体对应的青枯病特征组合作为上述最优解特征组合。
[0071]
举例说明，在遗传算法随机搜索最优化过程中，每个个体对应的特征集合包括：特征1、特征2、特征3和特征4。以对目标个体进行初始化为例，通过二进制编码方式，对目标个体对应的特征组合进行随机分配后，得到该目标个体对应的特征组合的二进制数为0101，即该目标个体对应的特征组合为特征2和特征4。
[0072]
示例性地，在通过上述二进制编码对每个个体对应的特征组合进行初始化之后，还需要对二进制数进行解码，进而得到每个个体对应的特征组合。
[0073]
之后，计算每个个体对应的青枯病特征组合的适应度值f(x)，基于适应度值采用轮盘赌的方式，对种群中的个体进行选择，适应度值越大，选择该个体的概率越大，进而得到基于上一代种群适应度值的新子代种群。
[0074]
示例性地，将上述得到的新子代种群平均分为父代和母代两部分，经过交叉、变异操作后，得到下一代种群，即将种群进化到搜索空间中越来越好的区域。
[0075]
示例性地，重复上述种群进化过程，在迭代过程中，种群的个体会趋向于一个包含多个特征维度的最优解，达到一定迭代次数后，算法终止，输出最终种群中适应度值最大的个体，其对应的青枯病特征组合即为上述最优解特征组合。
[0076]
举例说明，如图4所示，为本技术实施例提供的青枯病特征组合适应度对照图，由图4可知，当特征组合包含10个维度的特征时，适应度值最高，且该特征组合具体为：植被指数：wi:ndvi、nwi、npci、pri2、ctr1、gm1；主成分：9、10、13、18。其中，主成分9、10、13、18分别为上述光谱主成分(包含25个维度)的第9、第10、第13和第18个特征。
[0077]
进一步地，在本技术实施例中，得到上述最优解特征组合后，基于该最优解特征组合对样本进行处理后，可以训练二分类模型，进而得到上述目标模型。
[0078]
示例性地，上述步骤107之后，本技术实施例提供的青枯病高光谱早期无损检测方法，还可以包括以下步骤108和步骤109：
[0079]
步骤108、根据所述最优解特征组合，对所述数据集中的每个番茄植株对应的特征组合进行归一化处理，并根据每个番茄植株是否患有青枯病的情况，对每个番茄植株对应的特征组合进行标记。
[0080]
步骤109、将标记后的特征组合输入所述二分类模型中，并采用十折交叉验证方法训练所述二分类模型，得到所述目标模型。
[0081]
其中，所述二分类模型为支持向量机svm二分类模型。
[0082]
示例性地，在得到上述最优解特征组合后，基于该最优解特征组合，对上述数据集中的每个番茄植株对应的特征组合进行归一化处理，即选择该最优解组合包含的特征，作为判断植株是否患有青枯病的判断特征。
[0083]
示例性地，在对每个番茄植株对应的特征组合进行处理后，根据每个番茄植株是否患有青枯病的情况下，对每个番茄植株对应的特征组合进行标记，之后，输入到二分类模型中进行训练。
[0084]
示例性地，本技术实施例提供的二分类模型可以为支持向量机(support vector machine，svm)二分类模型。
[0085]
具体地，可以采用十折交叉验证(10-fold cross-validation)方法训练所述二分类模型。即将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，最终得到svm二分类模型的最优参数。
[0086]
可以理解的是，将标注后的训练数据输入到svm二分类模型中，采取网格搜索算法，在c和gamma参数一定的范围内，按照指定的步长对不同的参数进行排列组合；对每一组参数组合进行重复10次十折交叉验证，即在不同的c和gamma参数的组合下，将训练集样本均分成10组，一组作为验证的数据样本，其余9组作为训练的数据，每一组数据都轮流作为验证数据样本，这样的过程重复10次；选取性能指标最优的一组c和gamma参数作为最终的最优参数值，构建分类模型，即上述目标模型。
[0087]
示例性地，在得到上述最优解特征组合，以及上述目标模型后，便可以根据目标植株的目标部位的光谱进行青枯病的诊断。
[0088]
举例说明，如图5所示，为本技术实施例提供的青枯病检测精度接受者操作特性曲线(receiver operating characteristic curve，roc)曲线图。实验结果显示，本技术实施例提供的青枯病高光谱早期无损检测方法的准确率(accuracy)为91.67％，召回率(recall)为90.91％。如图5所示，曲线较陡且roc曲线下与坐标轴围成的面积(area under curve，auc)为0.94，实验结果表明青枯病害检测模型性能很好，满足无损、快速、高效的估测要求。
[0089]
本技术实施例提供的青枯病高光谱早期无损检测方法，根据青枯病害发病机理，采用作物茎部光谱而不是叶片光谱开展早期病害诊断，结合特征优选和svm二分类方法进行检测建模，解决了青枯病发病早期作用于维管束、叶片出现症状轻而难以判断的难题，为青枯病的早期、无损、快速、高精度检测研究提供理论依据和技术支持。
[0090]
需要说明的是，本技术实施例提供的青枯病高光谱早期无损检测方法，执行主体可以为青枯病高光谱早期无损检测装置，或者该青枯病高光谱早期无损检测装置中的用于执行青枯病高光谱早期无损检测方法的控制模块。本技术实施例中以青枯病高光谱早期无损检测装置执行青枯病高光谱早期无损检测方法为例，说明本技术实施例提供的青枯病高光谱早期无损检测装置。
[0091]
需要说明的是，本技术实施例中，上述各个方法附图所示的。青枯病高光谱早期无损检测方法均是以结合本技术实施例中的一个附图为例示例性的说明的。具体实现时，上述各个方法附图所示的青枯病高光谱早期无损检测方法还可以结合上述实施例中示意的其它可以结合的任意附图实现，此处不再赘述。
[0092]
下面对本技术提供的青枯病高光谱早期无损检测装置进行描述，下文描述的与上文描述的青枯病高光谱早期无损检测方法可相互对应参照。
[0093]
图6为本技术一实施例提供的青枯病高光谱早期无损检测装置的结构会示意图，如图6所示，具体包括：
[0094]
光谱采集模块601，用于采集目标植株的目标光谱；参数提取模块602，用于根据最优解特征组合，从所述目标光谱中提取与所述最优解特征组合对应的目标特征参数；病害诊断模块603，用于将所述目标特征参数输入目标模型，输出检测结果；其中，所述最优解特征组合为基于遗传算法模型得到的；所述目标模型为二分类模型基于所述最优解特征组合处理后的训练样本训练得到的；所述检测结果用于指示所述目标植株是否患有青枯病。
[0095]
可选地，所述光谱采集模块601，具体用于获取所述目标植株的目标部位基于太阳光模拟光源采集到的目标光谱；其中，所述目标部位为所述目标植株的茎中靠近根部的部位。
[0096]
可选地，所述装置还包括：计算模块和生成模块；所述光谱采集模块601，还用于采集至少一个番茄植株的目标部位的第一光谱，并采用卷积平滑方法对每个番茄植株对应的光谱进行预处理，生成每个番茄植株对应的第二光谱；所述计算模块，用于通过主成分分析pca，提取每个番茄植株对应的第二光谱的光谱主成分，以及使用波段运算方法，基于每个番茄植株对应的第二光谱提取植被指数；所述生成模块，用于根据每个番茄植株对应的光谱主成分和植被指数，生成数据集；其中，所述植被指数包括以下至少一项：水胁迫指数，叶绿素指数，红边指数。
[0097]
可选地，所述装置还包括：特征选择模块；将所述数据集输入遗传算法模型，并从最终得到的种群中筛选出适应度最大的个体对应的青枯病特征组合，作为所述最优解特征组合；其中，每个个体对应的青枯病特征组合为随机分配的；所述青枯病特征组合包括：番茄植株对应的光谱主成分和植被指数组成的特征集合中的至少一项。
[0098]
可选地，所述装置还包括：初始化模块和模型训练模块；所述初始化模块用于根据所述最优解特征组合，对所述数据集中的每个番茄植株对应的特征组合进行归一化处理，并根据每个番茄植株是否患有青枯病的情况，对每个番茄植株对应的特征组合进行标记；所述模型训练模块，用于将标记后的特征组合输入所述二分类模型中，并采用十折交叉验证方法训练所述二分类模型，得到所述目标模型；其中，所述二分类模型为支持向量机svm二分类模型。
[0099]
本技术提供的青枯病高光谱早期无损检测装置，根据青枯病害发病机理，采用作物茎部光谱而不是叶片光谱开展早期病害诊断，结合特征优选和svm二分类方法进行检测建模，解决了青枯病发病早期作用于维管束、叶片出现症状轻而难以判断的难题，为青枯病的早期、无损、快速、高精度检测研究提供理论依据和技术支持。
[0100]
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communications interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行青枯病高光谱早期无损检测方法，该方法包括：采集目标植株的目标光谱；根据最优解特征组合，从所述目标光谱中提取与所述最优解特征组合对应的目标特征参数；将所述目标特征参数输入目标模型，输出检测结果；其中，所述最优解特征组合为基于遗传算法模型得到的；所述目标模型为二分类模型基于所述最优解特征组合处理后的训练样本训练得到的；所述检测结果用于指示所述目标植株是否患有青枯病。
[0101]
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为
独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0102]
另一方面，本技术还提供一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的青枯病高光谱早期无损检测方法，该方法包括：采集目标植株的目标光谱；根据最优解特征组合，从所述目标光谱中提取与所述最优解特征组合对应的目标特征参数；将所述目标特征参数输入目标模型，输出检测结果；其中，所述最优解特征组合为基于遗传算法模型得到的；所述目标模型为二分类模型基于所述最优解特征组合处理后的训练样本训练得到的；所述检测结果用于指示所述目标植株是否患有青枯病。
[0103]
又一方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的青枯病高光谱早期无损检测方法，该方法包括：采集目标植株的目标光谱；根据最优解特征组合，从所述目标光谱中提取与所述最优解特征组合对应的目标特征参数；将所述目标特征参数输入目标模型，输出检测结果；其中，所述最优解特征组合为基于遗传算法模型得到的；所述目标模型为二分类模型基于所述最优解特征组合处理后的训练样本训练得到的；所述检测结果用于指示所述目标植株是否患有青枯病。
[0104]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0105]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0106]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。