解决在小麦中检测黄色和棕色生的不平衡数据集
Carmen Cuenca-Romero1, Orly Enrique Apolo-Apolo2, Jaime Nolasco Rodríguez Vázquez1
1Universidad de Sevilla, Área de Ingeniería Agroforestal, Dpto. de Ingeniería Aeroespacial y Mecánica de Fluidos, Seville, Spain.
Frontiers in plant science
|May 29, 2024
概括
超光谱数据与机器学习相结合,有效检测小麦生. 支持矢量机和随机森林模型,特别是随着SMOTE数据增强,显示出有希望的准确性来识别黄色和棕色生疾病.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 计算机科学 计算机科学
背景情况:
- 小麦生疾病对全球粮食安全构成重大威胁.
- 植物疾病的早期和准确检测对于有效的作物管理至关重要.
- 超光谱成像为植被分析提供了详细的光谱信息.
研究的目的:
- 评估超光谱数据用于检测小麦中黄色和棕色生的有效性.
- 为了比较各种机器学习模型在生检测方面的性能.
- 评估合成少数超样本技术 (SMOTE) 对模型准确性的影响.
主要方法:
- 利用从小麦作物中收集的超光谱数据.
- 应用机器学习算法:人工神经网络 (ANN),支持矢量机器 (SVM),随机森林 (RF) 和高斯的天真贝斯 (GNB).
- 在模型培训期间使用SMOTE来解决不平衡的数据集.
主要成果:
- 支持矢量机 (SVM) 和随机森林 (RF) 模型表现出卓越的性能.
- 在没有SMOTE的情况下,RF实现了70%的黄色生检测准确度.
- 在应用SMOTE时,SVM在检测棕色生时达到63%的准确性.
结论:
- 超光谱数据和机器学习技术显示了小麦生检测的巨大潜力.
- SMOTE可以提高模型性能,特别是在不平衡的疾病数据集中.
- 建议对数据处理和增强技术进行进一步的研究,以优化植物疾病检测系统.
