使用RGB图像和反向传播神经网络在橄中表型化关键水果质量特征
Giuseppe Montanaro1, Angelo Petrozza2, Laura Rustioni3
1Università degli Studi della Basilicata, 85100 Potenza, Italy.
Plant phenomics (Washington, D.C.)
|June 26, 2023
概括
无接触植物表型学与反向传播神经网络 (BPNNs) 结合,准确预测橄果中的油脂和醇度. 这种数字农业方法提高了橄的质量特征评估.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 生物技术是生物技术.
背景情况:
- 精确预测橄果的质量特征,如油和含量,对于农业部门至关重要.
- 分析这些化合物的传统方法可能耗时且具有破坏性.
研究的目的:
- 开发和验证一种使用图像分析预测橄果中油脂和醇度的非破坏性方法.
- 为了评估反向传播神经网络 (BPNNs) 与RGB图像数据一起进行质量评估的有效性.
主要方法:
- 三种橄品种的果实在两年内定期抽取样本.
- 果实样本的RGB图像被捕获并细分,以提取色度数据 (35个基于RGB的索引).
- 三个BPNN模型使用不同的输入变量集进行训练:原始RGB索引,主要组件分析 (PCA) 评分和稀疏的PCA缩小索引.
主要成果:
- BPNN模型实现了高预测准确性,油的平均R平方值在0.87~0.95,的0.81~0.90.
- 绩效指标,包括根平均平方误差和平均绝对误差,使用一般绩效指标 (GPI) 进行评估.
- 模型性能表明,基于成熟期的品种特定BPNN设计的潜力.
结论:
- 基于RGB的图像表型,加上BPNNs,为预测橄果的关键质量特征提供了一种有效和非破坏性的方法.
- 这种数字农业方法支持橄业,通过有效的质量评估和潜在的优化种植和收获策略来支持橄业.
