基于空间频域成像与RL-SVM相结合的大豆种子害虫损害检测方法
Xuanyu Chen1, Wei He2, Zhihao Ye3
1College of Artificial Intelligence, Nanjing Agricultural University, Nanjing, 210031, China.
Plant methods
|August 20, 2024
概括
这项研究引入了一种新的方法,用于检测大豆种子中的臭虫损伤,使用空间频域成像和强化学习支持的支持向量机 (RL-SVM). RL-SVM模型准确地识别了害虫损害,改善了大豆种子质量评估.
科学领域:
- 农业科学 农业科学
- 光学工程是指光学工程.
- 机器学习 机器学习
背景情况:
- 大豆种子的质量受到像Riptortus pedestris这样的害虫的影响.
- 目前的手动检查方法无法检测到地下的害虫损害.
- 有效检测害虫损坏的大豆种子对于质量控制至关重要.
研究的目的:
- 开发一种自动化方法来检测大豆种子中的地下害虫损害.
- 将空间频域成像与机器学习相结合,用于害虫损害评估.
- 提高大豆种子质量选的准确性和效率.
主要方法:
- 采用单个集成球技术和发芽活力指数获得的大豆光学数据.
- 采用连续预测和竞争性自适应重量化采样算法提取特征波长.
- 利用空间频域成像获得地表图像和反转光学系数.
- 开发了RL-MLR,RL-GRNN和RL-SVM模型用于害虫损害预测.
主要成果:
- 空间频域成像显示出较低的误差 (吸收系数<15%,减少散射系数<10%).
- 强化学习提高了模型宏观回忆指标的10%-15%.
- RL-SVM模型实现了0.9635的高宏回忆,用于分类害虫损害水平.
结论:
- 空间频域成像对于评估大豆种子的地下光学特性是有效的.
- 强化学习显著提高了害虫损害检测模型的性能.
- RL-SVM模型提供了一个高度准确和高效的解决方案,用于识别大豆种子中的臭虫损伤.
