柑橘黃龍病檢測的近紅外光譜集成建模方法

賀勝暉， 李靈巧，2， 劉 彤， 劉振丙， 楊輝華*，2

(1.桂林電子科技大學,廣西桂林 541004；2.北京郵電大學,北京 100876；3.廣州訊動網絡科技有限公司,廣東廣州 510000)

黃龍病(Huanglongbing，HLB)已經嚴重威脅世界柑橘產業發展，目前少有治療手段，唯有砍伐以控制疾病蔓延。因此，研發一種快速無損高準確率的黃龍病檢測方法，對于柑橘產業的發展具有重要意義。近年來已有學者對利用光譜分析技術進行柑橘黃龍病檢測研究。Sankara等[1，2]將逐步回歸方法結合簇類獨立分類模型，判斷柑橘葉片是否患病的正確率為88.9%。李修華等[3]分析了健康葉片樣本和黃龍病葉片樣本間的光譜差異。馬淏等[4]利用Fisher線性判別分析構建分類模型，正確率為90%。Mariani等[5]利用傅里葉紅外衰減全反射技術檢測黃龍病，正確率為93%。Roberto等[6]采集了116葉片的拉曼光譜并對引起光譜變化的生物原因進行研究，利用主成分線性判別分析對是否患病進行檢測，其正確率為89.2%。劉燕德等[7，8]利用近紅外光譜拼接可見光譜對黃龍病檢測進行研究，基于偏最小二乘判別分析探討了光譜處理方法對檢測結果的影響，其正確率為92.8%。以上方法都是使用單一的特征提取算法和分類模型，只能提取部分有效光譜信息，使得在面對果樹品種差異時，算法的魯棒性不足。集成學習可以將多個不同的黃龍病檢測模型組合，利用基模型間的差異性來提高模型的泛化能力，提高柑橘黃龍病檢測算法的魯棒性和檢測率。

本文在特征層和決策層均利用集成學習方法融合了多個算法。……