一个CNN模型用于早期检测胡Phytophthora灾 using使用多光谱成像,整合光谱和纹理信息

科学领域:

• 农业科学 农业科学
• 植物病理学 植物病理学
• 图像处理 图像处理

背景情况:

• 胡Phytophthora 虫害大大降低了作物的产量和质量.
• 早期,非破坏性检测对于有效管理至关重要.
• 这项研究探讨了用于早期疾病识别的多谱成像和机器学习.

研究的目的:

• 研究多光谱成像与机器学习相结合的有效性,以早期检测胡中的Phytophthora病变.
• 为了比较疾病分类的不同特征提取和选择方法.
• 评估各种机器学习模型在不同时间点识别疾病方面的表现.

主要方法:

• 用Phytophthora blight接种胡,并在各种时间点收集多光谱图像.
• 提取光谱特征 (19波长) 和纹理特征 (GLCM,LBP).
• 使用主要组件分析 (PCA),连续投影算法 (SPA) 和遗传算法 (GA) 进行特征选择.
• 分类模型的开发:部分最小平方差异分析 (PLS_DA),1D卷积神经网络 (1D-CNN) 和2D-CNN.

主要成果:

• 使用PCA进行特征选择的模型表现出稳定的分类性能.
• 在注射后的48小时内,PLS-DA和1D-CNN仅在光谱特征方面就实现了82.6%和83.3%的准确性.
• 频谱纹理融合模型 (PLS-DA和1D-CNN) 在48小时后达到更高的准确度,分别为85.9%和91.3%.
• 使用5张PC图像的2D-CNN模型实现了82%的准确性.

结论:

• 胡的植物感染可以在接种疫苗后48小时内被检测出来.
• 这种检测发生在可见症状出现前36小时.
• 这项研究提出了一种有效的,非破坏性的方法,用于早期检测胡中的Phytophthora斑点.