使用超光谱成像和卷积神经网络开发切割的寿命预测模型

科学领域:

• 园艺科学 园艺科学
• 植物病理学 植物病理学
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 超光谱成像 (HSI) 和深度学习是为园艺作物质量评估而建立的.
• 关于将这些技术应用于切割花的质量,特别是用于疾病检测和寿命预测的研究有限.
• 切割的容易受到灰色菌病 (GMD) 的感染,并且具有可变的花瓶寿命,因此需要快速,非接触式的评估方法.

研究的目的:

• 开发一种非接触式快速检测技术,用于切割中的灰色菌病 (GMD).
• 使用HSI和深度学习,创建切割的潜在寿命 (花瓶寿命) 的预测模型.
• 为了确定与GMD和花枯相关的特定光谱反射范围.

主要方法:

• 两种品种 ('All For Love', 'White Beauty') 受到压力条件 (干燥运输,乙烯,Botrytis cinerea疫苗接种) 的影响.
• 超光谱成像 (HSI) 用于从切割的芽中获取光谱数据.
• 一个YOLOv5深度学习模型使用3000张HSI图像进行训练和验证,以预测GMD和花瓶寿命 (分类为+5D和-5D).

主要成果:

• 470-680nm之间的光谱反射强烈与GMD相关.
• 700-900nm之间的光谱反射率与花枯和花瓶寿命相关.
• YOLOv5模型实现了高预测准确度的花瓶生活 (r2=0.86为"爱的全部",r2=0.83为"白色的美") 和准确地检测到GMD.

结论:

• 集成HSI和深度学习提供了一种可靠的非接触方法,用于在切割中早期检测GMD.
• 这种方法可以准确预测切割的寿命,有助于质量管理.
• 这项研究强调了先进成像和人工智能在切花行业的潜力.