评估聚类技术,以支持大豆种子活力分析
Eduardo R de Oliveira1, Pedro H Bugatti1,2, Priscila T M Saito1,2
1Department of Computing, Federal University of Technology - Parana, Cornelio Procopio, PR, Brazil.
PloS one
|August 25, 2023
概括
本研究探讨了使用图像分析对大豆种子质量进行分类的非监督集群技术. 无监督学习为农业中种子损害评估的自动化和提高准确性提供了一个有希望的方法.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 豆是全球主要的作物,因此种子质量对于农业竞争力至关重要.
- 目前用于评估大豆种子质量的方法,如四测试,是手动的,耗时的,容易出现错误.
- 需要对种子损坏进行自动分类,以提高大规模大豆产业的效率和准确性.
研究的目的:
- 评估基于图像数据的非监督集群算法对大豆种子分类的性能.
- 确定最佳特征描述符和集群技术,用于自动化种子质量评估.
- 探索减小维度在加强分类过程中的潜力.
主要方法:
- 应用了九种不同的集群算法 (部分,层次,基于密度) 到五个大豆种子的图像数据集.
- 使用了18个传统的特征提取器来描述种子图像.
- 采用了四种验证指标 (准确性,FOWLKES,DAVIES,CALINSKI) 和两种缩小维度的技术 (PCA,t-SNE).
主要成果:
- 证明了无监督技术在分类不同程度损伤的大豆种子中的有效性.
- 确定了特定的特征描述符和集群算法,这些算法对这个任务起到了很好的作用.
- 展示了减小维度在改善分类结果方面的实用性.
结论:
- 非监督学习,特别是聚类,可以作为大豆分类中监督学习的有效预处理步骤.
- 这种方法可以加快和提高识别受损大豆种子的准确性,这对农业企业至关重要.
- 这些发现为开发更强大的农产品质量控制自动化系统提供了基础.
相关概念视频
01:59Plant Breeding and Biotechnology
19.0K
Crop cultivation has a long history in human civilization, with records showing the cultivation of cereal plants beginning at around 8000 BC. This early plant breeding was developed primarily to provide a steady supply of food.
19.0K
01:20Cluster Sampling Method
12.0K
Appropriate sampling methods ensure that samples are drawn without bias and accurately represent the population. Because measuring the entire population in a study is not practical, researchers use samples to represent the population of interest.
To choose a cluster sample, divide the population into clusters (groups) and then randomly select some of the clusters. All the members from these clusters are in the cluster sample. For example, if you randomly sample four departments from your...
To choose a cluster sample, divide the population into clusters (groups) and then randomly select some of the clusters. All the members from these clusters are in the cluster sample. For example, if you randomly sample four departments from your...
12.0K