基于可见近红外高光谱成像技术和机器学习算法,快速且无损地检测西瓜 (Citrullus lanatus) 种子活力
Jun Sun1, Adria Nirere1, Keza Dominique Dusabe2
1School of Electrical and Information Engineering, Jiangsu University, Zhenjiang, Jiangsu, China.
Journal of food science
|July 3, 2024
概括
评估西瓜种子的生存能力对于农业至关重要. 超光谱成像与PCA-ABC-SVM模型相结合,提供了一种快速,非破坏性的方法,用于准确检测种子状况,提高作物产量.
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:
- 不适当的种子储存会影响农业生产率和作物产量.
- 在播种前评估种子的生存能力对于确保作物成功建立至关重要.
- 传统的种子评估方法往往是主观的,劳动密集的,耗时的.
研究的目的:
- 评估超光谱成像 (HSI) 作为一种非破坏性方法,用于评估西瓜种子的生存能力.
- 确定最有效的分类模型来分析西瓜种子的HSI数据.
- 引入一种新,快速,精确的技术,用于预测种子在农业应用中的可行性.
主要方法:
- 瓜子种子被分为消毒和储存的组.
- 使用CCD摄像机 (400-1000 nm) 捕获了高光谱图像.
- 采用了数据预处理,波长选择和混合支持矢量机 (SVM) 模型,并使用人工蜂群 (ABC) 算法和主要组件分析 (PCA) 进行了优化.
主要成果:
- 最初的混合SVM模型实现了100%的预测准确度和92.33%的测试集准确度.
- 优化的PCA-ABC-SVM模型显示了100%的培训和评估准确性.
- 优化的模型实现了高精度与特定的内核参数和4.19秒的运行时间.
结论:
- 综合PCA-ABC-SVM模型的高光谱成像 (HSI) 是检测西瓜种子生存能力的实用和有效技术.
- 这种方法为传统的种子评估方法提供了一种绿色,非破坏性的替代方案.
- 这些发现有助于农业应用的工业多谱成像技术的进步,提高种子质量评估.
