通过可见光和近红外光谱学识别甘病的新方法以及使用机器学习模型修改的波长选择方法
Pauline Ong1, Jinbao Jian2, Xiuhua Li3
1College of Mathematics and Physics, Center for Applied Mathematics of Guangxi, Guangxi Minzu University, Nanning 530006, China; Faculty of Mechanical and Manufacturing Engineering, Universiti Tun Hussein Onn Malaysia, 86400 Parit Raja, Batu Pahat, Johor, Malaysia.
这项研究引入了一种新的方法来检测使用光谱和修改的花粉算法 (MFPA) 的甘疾病. 增强的MFPA支持载体机 (SVM) 模型在识别真菌病原体方面取得了高准确性,改善了作物管理.
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:
- 病原菌严重威胁到甘作物,影响农业生产率和经济稳定.
- 早期发现和管理甘疾病对于减轻病原体影响至关重要.
研究的目的:
- 开发和评估一种使用可见光和近红外光谱识别甘病的新方法.
- 在疾病识别中使用修改的花粉算法 (MFPA) 进行最佳波长选择.
主要方法:
- 可见光和近红外光谱 (380-1400 nm) 用于数据采集.
- 用一个修改的花粉算法 (MFPA) 来选择关键波长.
- 选择的波长被整合到机器学习模型中:天真贝叶斯,随机森林和支持向量机器 (SVM).
主要成果:
- 结合MFPA选择的波长的简化SVM模型表现出卓越的性能.
- 该MFPA-SVM模型实现了高度指标:精度 (0.9753),灵敏度 (0.9259),特异性 (0.9524) 和准确性 (0.9487).
- 性能超过了其他波长选择方法,包括选择性比率,投影中的变量重要性,以及标准的花粉算法.
结论:
- 基于MFPA的波长选择有效地提高了使用光谱学的甘疾病识别.
- 开发的SVM模型为早期检测甘真菌病提供了强大而准确的工具.
- 这种方法有可能改善农业管理,减少甘生产的经济损失.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
相关概念视频
01:02Ultraviolet and Visible (UV–Vis) Spectroscopy: Overview
02:16Light Acquisition