基于高光谱成像技术和集成学习算法的玉米种子品种识别
Huan Yang1,2,3, Cheng Wang1,2,3, Han Zhang1,2
1Research Center of Intelligent Equipment, Beijing Academy of Agriculture and Forestry Sciences, Beijing, China.
PeerJ. Computer science
|June 22, 2023
概括
超光谱成像与随机子空间合体学习相结合,为玉米种子纯度识别提供了快速而准确的方法. 这种方法显著提高了精度和卡帕系数,优于传统方法.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 玉米种子的纯度对作物产量至关重要,但传统的识别方法效率低下.
- 开发快速准确的技术来评估玉米种子的纯度是必不可少的.
研究的目的:
- 提出一种用于快速准确地识别玉米种子纯度的新方法,使用高光谱成像和集体学习.
- 评估不同预处理,缩小尺寸和分类技术的性能.
主要方法:
- 使用高光谱成像 (400-1000nm) 来收集玉米种子内的光谱数据.
- 数据预处理包括标准正常变量 (SNV),乘法分散校正 (MSC) 和萨维茨基-戈莱第一导数 (SG1).
- 使用代保留信息变量 (IRIV) 和竞争性适应性重权取样 (CARS) 进行了尺寸缩小.
- 使用k-近邻 (KNN),支向量机 (SVM),线性差异分析 (LDA) 和决策树 (DT) 构建了识别模型.
- 一个随机子空间集体学习 (RSEL) 模型被开发出来,LDA作为基本分类器.
主要成果:
- 多倍散射校正 (MSC) 和代保留信息变量 (IRIV) 在预处理和维度减少方面表现最好.
- 线性差异分析 (LDA) 在基础分类器中获得了最高的精度.
- 优化的MSC-IRIV-RSEL模型将精度从0.9333提高到0.9556,卡帕系数从0.9174提高到0.9457.
结论:
- 超光谱成像技术与子空间集合学习相结合,为玉米种子纯度识别提供了一个有希望的新方法.
- 与传统技术相比,开发的方法在准确性和效率方面得到了显著的改进.
