使用高光谱图像与机器学习相结合,对 rape种子的成熟度分类
Hui Feng1,2, Yongqi Chen1, Jingyan Song1
1National Key Laboratory of Crop Genetic Improvement, National Center of Plant Gene Research (Wuhan), Hubei Hongshan Laboratory, Huazhong Agricultural University, Wuhan, 430070 Hubei, PR China.
Plant phenomics (Washington, D.C.)
|March 29, 2024
概括
这项研究开发了一种非破坏性方法,用于使用高光谱成像和机器学习对油菜的成熟度进行分类. 最好的模型达到97.86%的准确性,使作物产量和育种的成熟度能够快速评估.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 油菜的成熟度分类对于作物产量和育种至关重要.
- 传统的方法是破坏性的和劳动密集型的.
- 需要一种非破坏性的方法.
研究的目的:
- 建立油菜成熟度的非破坏性分类模型.
- 将高光谱成像与机器学习算法结合起来.
- 评估不同的预处理和特征选择方法.
主要方法:
- 超光谱成像被用来捕获来自三个成熟阶段的数据.
- 频谱数据经过预处理 (萨维茨基-戈莱,D2nd,SNV,detrend).
- 使用CARS,SPA,IVISSA进行特征波长的选择.
- 建立并比较了分类模型 (ELM,KNN,RF,PLSDA,SVM) 的使用情况.
主要成果:
- 该模型结合了预处理,特征选择和机器学习,有效地预测了成熟度.
- 在D2nd-IVISSA-SPA-SVM模型中,最高的准确率为97.86%.
- 超光谱成像提供了一个快速而非破坏性的解决方案.
结论:
- 非破坏性油菜的成熟度分类是可行的使用高光谱成像.
- 开发的模型显著提高了准确性和效率.
- 这项技术支持农业在产量和育种方面的进步.


