使用深度学习和高光谱成像技术对米病的早期监测
Sishi Chen1, Xuqi Lu1, Hongda Fang2
1College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou, 310058 China.
aBIOTECH
|September 16, 2024
概括
早期发现大米巴卡纳病至关重要. 使用超光谱成像的新深度学习模型在监测这种对大米生产的重大威胁时获得了92.2%的准确性.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 遥感 遥感 遥感 遥感
背景情况:
- 由*Fusarium fujikuroi*引起的Bakanae病对全球大米产量产生了重大影响.
- 传统的监测方法是劳动密集型的,对于早期检测是低效的.
- 早期监测对于控制巴卡纳病的传播和尽量减少作物损失至关重要.
研究的目的:
- 开发一种高效,非破坏性的方法,以在现场检测米病.
- 为了研究感染巴卡纳病的苗的生理和生化变化.
- 建立一个深度学习模型,用于准确和早期识别巴卡纳病.
主要方法:
- 利用超光谱成像技术,从受感染的苗中获取光谱数据.
- 在感染后9,15,21天收集了表型和高光谱数据.
- 开发了一种深度学习模型,即大米巴卡纳病 - 视觉几何组 (RBD-VGG),集成超频谱数据.
主要成果:
- 在感染的第21天,RBD-VGG模型实现了92.2%的平均准确性.
- 早期检测准确率达到79.4%,早在感染后的第9天就达到79.4%.
- 识别了用于便携式光谱设备的潜在使用的普遍特征波长.
结论:
- 超光谱成像与深度学习相结合,为巴卡纳病提供了一种高效的监测方法.
- 开发的模型为早期疾病预防和控制提供了一种非破坏性的方法.
- 这项技术可以显著帮助确保大米生产免受巴卡纳病的影响.
