基于MLR-LDA-SVM的果叶的缺乏症诊断方法
Kun Xu1, Lin-Lin Sun1, Jing Wang1
1College of Mechanical and Electrical Engineering, Shandong Agricultural University, Taian, China.
Frontiers in plant science
|December 14, 2023
概括
这项研究开发了一种精确的机器学习模型,用于使用图像分析检测果叶中的缺乏. 该模型提供精确,及时的诊断,以指导果园管理.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 诊断果叶缺乏的传统方法是主观的,昂贵的,耗时的.
- 机器学习和图像处理为客观,高效的植物疾病诊断提供了潜力.
研究的目的:
- 开发和验证一个准确的模型来检测树在不同生长阶段的叶子中缺乏.
- 用先进的计算技术克服传统诊断方法的局限性.
主要方法:
- 收集了不同生长阶段的果叶图像.
- 应用图像处理 (消噪,细分) 和特征提取 (颜色,形状).
- 使用多重回归分析 (MLR),线性判别分析 (LDA) 和机器学习分类器 (SVM,DT,KNN).
主要成果:
- 根据评估指标,MLR-LDA-SVM模型表现出卓越的性能.
- 实地实验证实了不同果生长时期的高诊断准确性.
结论:
- 开发的模型准确地诊断出果叶在整个生长周期中的缺乏.
- 这为果园中智能,精确的水和肥料管理提供了基础.
