预测各个玉米核的油含量,结合NIR-HSI和多阶段参数优化技术
Anran Song1, Chuanyu Wang2, Weiliang Wen3
1School of Chemistry and Biological Engineering, University of Science and Technology Beijing, Beijing 100083, China; Information Technology Research Center, Beijing, Academy of Agriculture and Forestry Sciences, Beijing 100097, China; National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China; Beijing Key Laboratory of Digital Plant, Beijing 100097, China.
这项研究引入了一种新的多阶段网格搜索超光谱成像,以预测玉米核油含量. 这种创新方法提高了对传统技术和ACNNR模型的预测准确性.
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:
- 预测玉米核油含量对于育种和加工至关重要.
- 传统方法往往缺乏速度,破坏性,或依赖主观参数设置.
- 超光谱成像 (HSI) 和机器学习 (ML) 提供了非破坏性的,快速的替代方案.
研究的目的:
- 开发和验证一种创新的多阶段网格搜索技术,用于优化基于HSI的玉米油含量预测中的ML模型.
- 克服传统参数设置的局限性,提高预测准确度.
- 将拟议方法的性能与ACNNR.等现有模型进行比较.
主要方法:
- 从各种品种和种子位置收集了270个玉米核样本.
- 使用超光谱成像来捕获光谱数据.
- 实现了504个算法组合的自动模型选,随后进行了多阶段的网格搜索以进行参数优化.
- 评估的模型包括SG+NONE+KS+PLSR,MA+LAR+Random+MLR,以及ACNNR.
主要成果:
- 最初的最佳模型实现了0.8570和0.8523.3的R2值.
- 通过多阶段网格搜索进行参数优化,在各自的模型中改善了R2到0.9045和0.8730.
- 该ACNNR模型实现了0.8878的R2和0.2243.3的RMSE.
- 优化的多阶段网格搜索方法表现出卓越的预测准确性.
结论:
- 开发的多阶段网格搜索技术显著提高了HSI-ML模型的准确性和适应性,用于预测玉米核油含量.
- 这种方法为传统方法提供了强大而有效的替代方案,适合现场应用.
- 这些发现为更精确,更有效的玉米质量评估铺平了道路.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
05:55High-throughput, Microscale Protocol for the Analysis of Processing Parameters and Nutritional Qualities in Maize Zea mays L.
Published on: June 16, 2018
相关概念视频
Key Elements for Plant Nutrition
Light Acquisition
