一个优化的方法,用于木丝,Bombyx mori (Bombycidae:Lepidoptera) 性别分类使用TLBPSGA-RFEXGBoost的优化方法
1Department of Computer Science and Engineering, Christ University, Bangalore, 560029, India.
Biology open
|June 17, 2024
概括
精确的丝虫性别分类对于丝养殖至关重要. 使用增强的HOG功能和机器学习的新型非破坏性方法实现了超过98%的准确性,提高了产量和可持续性.
科学领域:
- 农业科学 农业科学
- 生物技术是生物技术.
- 机器学习 机器学习
背景情况:
- 丝虫种子生产对于丝养殖至关重要,需要精确的繁殖才能获得最佳产量.
- 目前丝虫的性别分类方法涉及破坏性子切割,冒着产量损失和环境影响的风险.
- 印度南部的木丝行业依赖于高产的FC1和FC2品种,需要改进的分类技术.
研究的目的:
- 开发一种非破坏性,高效和准确的方法来分类丝虫幼虫的性别.
- 为了提高丝虫种子生产效率和树丝养殖的可持续性.
- 通过精确的性别识别,改进育种策略并增加丝产量.
主要方法:
- 采用了由块级维度减小增强的面向梯度 (HOG) 加速直方图的特征提取技术.
- 修改后的HOG特征与重量特征融合在一起,并使用具有递归特征消除 (RFE) 的机器学习模型进行处理.
- 使用基于教学学习的人口选择遗传算法 (TLBPSGA) 来进一步优化分类模型.
主要成果:
- 与RFE混合的XGBoost模型实现了高分类精度:97.2%的FC1和97.1%的FC2.
- 根据TLBPSGA优化的模型表现出卓越的性能,FC1的准确性达到98.5%,FC2.2的准确性达到98.2%.
- 与传统方法相比,非破坏性方法显著提高了分类准确性.
结论:
- 开发的非破坏性性别分类方法为丝虫种子生产提供了高度准确和高效的解决方案.
- 这一进步具有显著的潜力,可以提高丝行业的经济可行性和生态可持续性.
- 这些发现为改进育种计划和增加全球丝生产铺平了道路.
