基于超光谱成像和深度转移学习的基础上,快速准确地识别米种所携带的巴卡纳病原体
Na Wu1, Shizhuang Weng2, Qinlin Xiao3
1School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|February 10, 2024
概括
这项研究引入了一个新的框架,使用高光谱成像和深度转移学习来准确检测米种中的bakanae病原体. 这种方法提供了一种可靠的方法,以确保大米种子的健康和生产安全.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 频谱学是一种光谱学.
背景情况:
- 巴卡纳病是种子传播的大米病原体,对作物健康和农业生产率构成重大威胁.
- 准确和快速检测米种中的bakanae病原体对于保护生殖质资源和确保粮食安全至关重要.
研究的目的:
- 开发一个通用框架,用于识别大米种子中的主要bakanae病原体,使用高光谱成像和深度转移学习.
- 评估与传统的病原体检测方法相比,深度转移学习模型的有效性.
主要方法:
- 采用高光谱成像技术收集了来自七种大米品种和四种巴卡纳病原体的光谱数据.
- 一维深卷积神经网络 (DCNNs) 被开发和测试,与传统的支持向量机 (SVM) 和部分最小平方-歧视性分析 (PLS-DA) 模型一起.
- 应用了深度转移学习技术来评估不同数据集的模型性能,包括缩小规模的训练集.
- 视觉化技术,包括t分布随机邻居嵌入 (t-SNE) 和梯度加权激活波长 (Grad-AW),用于分析.
主要成果:
- 在检测巴卡纳病原体方面,DCNN模型取得了高精度 (>96.5%),表现优于SVM和PLS-DA模型.
- 深度转移学习模型表现出与原始DCNN相比的可比或更好的性能,突出了它们在病原体识别方面的有效性.
- 随着训练集尺寸的减少,模型准确性下降,强调了足够数据的重要性.
- 可视化分析证实,深度转移学习有效地利用数据模式来增强检测能力.
结论:
- 拟议的框架整合了超光谱成像和深度转移学习,提供了一个准确而有效的方法来识别米种中的bakanae病原体.
- 这种方法为现代农业中大规模种子质量检测提供了一个有希望的解决方案.
- 该研究证明了先进的计算技术在改善植物疾病诊断和确保农业可持续性方面的潜力.
