基于堆叠集团学习和超光谱特征融合技术的甜玉米种子品种和菌的非破坏性检测研究
Zhiyong Zou1, Jiangbo Zhen1, Qianlong Wang1
1College of Mechanical and Electrical Engineering, Sichuan Agricultural University, Ya'an 625014, China.
概括
这项研究使用超光谱成像和堆叠合体学习来准确地分类玉米种子品种并检测菌. GBDT-Stack模型实现了97.01%的准确性,提高了作物质量和产量.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 玉米种子的品种和质量显著影响作物产量和农民利能力.
- 准确的分类和菌检测对于玉米生产的质量控制至关重要.
研究的目的:
- 开发一种创新的方法来分类甜玉米种子品种和检测菌.
- 为了评估堆叠组合学习模型与使用超光谱和纹理数据的基准模型的性能.
主要方法:
- 利用高光谱成像系统从玉米种子中捕获光谱和纹理信息.
- 开发了一个堆叠的集体学习模型 (Stack),集成渐变增强决策树 (GBDT),极端渐变增强 (XGBoost),光渐变增强机 (LightGBM) 和随机森林 (RF).
- 实施了信息融合策略,将高光谱和纹理数据结合起来,以提高模型性能.
主要成果:
- 集成光谱和纹理数据的GBDT-Stack模型实现了最高的性能.
- 该模型在测试组中显示了平均97.01%的预测准确度.
- 具体准确率包括品种分类的94.49%-97.58%和菌检测的98.89%.
结论:
- GBDT-Stack模型有效地对玉米种子品种进行分类,并高精度地检测菌.
- 这种综合方法显示出改善玉米产量和质量的巨大潜力.
- 该方法为需要精确种子分析的农业应用提供了可靠的解决方案.
