一种基于Vis/NIR光谱的方法,用于识别感染Colletotrichum musae的香

科学领域:

• 农业科学 农业科学
• 植物病理学 植物病理学
• 频谱学是一种光谱学.

背景情况:

• 由*Colletotrichum物种*引起的炭病是一种主要的收获后香疾病,导致大量的收获损失.
• 早期检测炭酸对于有效管理和损失预防至关重要.

研究的目的:

• 开发一种非破坏性的方法来追踪 *Colletotrichum musae* (C. musae) 的生长,并识别香中的感染阶段.
• 评估Vis/NIR光谱学与机器学习相结合的有效性,以区分受感染的香.

主要方法:

• 在注射后的十天内收集了330个香反射光谱.
• 使用了PLSDA和SVM的特征提取方法 (PCA,CARS,SPA).
• 使用一维卷积神经网络 (1D-CNN) 进行比较.

主要成果:

• PCA-SVM和SPA-SVM模型在分类感染水平和时间方面实现了高准确度 (高达94.47%).
• 1D-CNN模型表现出卓越的性能,分别达到95.18%和97.37%的感染水平和时间的准确性.
• 视/红外光谱学可以准确地识别香中的C. musae感染,分辨率为一天.

结论:

• 视/红外光谱法是一种可行的方法,用于识别由*C. musae*引起的香炭.
• 开发的模型,特别是1D-CNN,显示了早期和准确检测香炭病的潜力.
• 这种非破坏性技术有助于及时管理疾病,减少收获后的损失.