在无症状的"Akizuki"梨中通过拉曼光谱检测Corky病的非破坏性检测

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:

• "Akizuki"梨 (Pyrus pyrifolia Nakai) 的病严重影响水果的质量和经济价值.
• 早期诊断这种生理疾病对于有效管理至关重要.

研究的目的:

• 使用拉曼光谱学开发"Akizuki"梨病的早期诊断模型.
• 评估各种机器学习模型和预处理技术的有效性.

主要方法:

• 拉曼光谱与机器学习算法相结合:支持矢量机 (SVM),随机森林 (RF),梯度增强决策树 (GBDT),极端梯度增强 (XGBoost) 和卷积神经网络 (CNN).
• 研究了不同预处理方法 (例如,SG,SG+WT) 对模型性能的影响.
• 应用模型改造以提高预测准确度.

主要成果:

• 对于拉曼光谱数据,SG+WT预处理方法被证明是最有效的.
• 采用SG+WT预处理,XGBoost模型实现了80%的准确性,显示了最佳的F1和kappa分数.
• 射频,GBDT和XGBoost模型对预处理方法的敏感性更高,而SVM和CNN则更多地依赖于参数调整.

结论:

• 拉曼光谱为早期检测无症状"Akizuki"梨病提供了一种新的,非破坏性的方法.
• 这种方法对于大规模果园监测和疾病管理至关重要.
• 优化的预处理和机器学习模型提高了诊断准确度.