从数字天花板图像中的色彩信息中准确分类小麦结伤害严重程度

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 植物病理学 植物病理学

背景情况:

• 结损伤显著影响小麦产量和质量.
• 准确,非破坏性的结损伤评估对于有效的作物管理至关重要.
• 传统的评估方法是劳动密集型和主观的.

研究的目的:

• 评估使用小麦树冠图像的RGB颜色信息用于伤评估的可行性.
• 用颜色数据与气象数据比较不同分类算法 (K-means,系统集群,天真贝叶斯) 的准确性.
• 优化分类模型以提高在不同生态区的准确性.

主要方法:

• 在低温压力下获取小麦的高清数字树冠图像.
• 手动评估伤严重程度作为参考.
• 开发和比较K-means,系统集群和天真贝叶斯分类模型.
• 输入变量包括气象数据和图像中的颜色分级偏分布.
• 使用因子分析来优化天真贝叶斯模型输入.

主要成果:

• 使用色彩信息的天真贝叶斯模型达到超过85%的准确性,显著超过使用气象数据的集群方法和模型.
• 优化的天真贝叶斯模型,利用六个关键颜色参数,达到90%以上的准确性.
• 基于颜色的分析表明,在确定伤严重程度方面,其准确性高于气象数据.

结论:

• 使用RGB颜色信息的天真贝叶斯分类是非破坏性小麦结损伤评估的可行和准确的方法.
• 优化的模型显示了开发商业系统的潜力,通过改善冷后管理来支持粮食安全.
• 颜色分级的斜度分布参数是小麦结损伤严重程度的关键指标.