超光谱成像和机器学习作为一种非破坏性方法,用于Proso小米种子检测和分类

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:

• 小米 (Panicum miliaceum L.) 是一种有价值的谷物作物,种类繁多,需要高效的分类方法.
• 目前的品种分类技术往往是主观的,破坏性的和耗时的.
• 对于行业的利益相关者来说,开发非破坏性方法来对普罗索小米品种进行歧视至关重要.

研究的目的:

• 评估近红外 (NIR) 超光谱成像的可行性,用于分类proso小米品种.
• 开发和验证一种快速,非破坏性的方法,用于区分美国十种流行的proso小米品种.

主要方法:

• 使用NIR高光谱成像 (900-1700nm) 来研究十种品种的5000个proso小米种子.
• 应用主要组件分析 (PCA) 来减少数据维度,利用前两个主要组件作为光谱特征.
• 采用渐变树增强组合机器学习算法进行分类.

主要成果:

• 在NIR超光谱成像中,在分类proso小米品种方面达到高达99%的准确性.
• 分类准确度仍然很高 (98.14%和97.6%),即使光谱特征减少 (15和5波长).
• 主要组件分析有效地减少了数据维度,同时保留了关键的光谱信息.

结论:

• NIR超光谱成像是一种可行的,快速的,非破坏性的技术,用于proso小米种子的分类.
• 这种方法比传统的主观和破坏性分类方法具有显著的优势.
• 这些发现支持NIR高光谱成像在农业行业的实际应用,用于质量控制和种子分类.