超光谱成像与机器学习相结合,用于对果果上的炭菌感染进行分类

科学领域:

• 植物病理学 植物病理学
• 农业工程 农业工程
• 频谱学是一种光谱学.

背景情况:

• 由Collettotrichum gloeosporioides引起的炭病是果生产的主要经济威胁.
• 炭病的静止阶段阻止了早期检测,使得受感染的水果进入食物链.
• 开发症状前检测方法对于食品安全和经济损失预防至关重要.

研究的目的:

• 应用高光谱成像 (HSI) 与机器学习 (ML) 集成,以快速识别果中静止的人类病感染.
• 使用光谱和空间数据,对人类病的不同症状严重程度进行分类.
• 开发一种非破坏性的方法来检测果中潜伏的真菌感染.

主要方法:

• 人工接种果果 (Nam Dok Mai Si Thong) 的Collettotrichum gloeosporioides. 这是一种人工接种.
• 使用高光谱成像 (HSI) 来获取光谱和空间信息的数据采集.
• 使用主要组件分析 (PCA) 和使用支持矢量机器 (SVM) 进行分类来分析超光谱数据.

主要成果:

• 光谱数据作为独特的指纹用于真菌代谢物和水果组织分解.
• 与ML集成的HSI在潜伏阶段,在明显症状出现之前,准确地检测到人类性鼻.
• 该系统成功地分类了不同程度的炭病症状严重程度.

结论:

• ML辅助的HSI是一种强大的工具,用于检测在果中出现症状前的炭病.
• 这项技术可以防止受感染的水果进入食品供应,减轻经济损失.
• 在果中,HSI提供了一种非侵入性的质量控制和疾病管理方法.