通过水果图像处理和线性模型预测传统和超高密度橄品种的油积累

科学领域:

• 农业科学 农业科学
• 图像分析 图像分析
• 植物表型化 植物表型化

背景情况:

• 橄油生产依赖于精确监测水果油积累的情况.
• 传统的油含量分析方法往往耗时且具有破坏性.
• 超高密度 (SHD) 种植园在监测作物发展方面存在独特的挑战.

研究的目的:

• 为了模拟传统和SHD种植园橄果的季节性油积累.
• 为了评估从图像分析中获得的RGB色度指数的有效性,以预测油含量.
• 引入一种新的基于图像的线性建模方法,用于橄油表型化.

主要方法:

• 从六种橄品种的果实样本定期进行成像.
• 图像分割提取了红色 (R),绿色 (G) 和蓝色 (B) 像素值,以获得35个色度指数 (CIs).
• 近红外光谱法 (NIR) 确定了实际油度;线性模型将CI与油含量相关联,使用歇斯底里分析进行预测因素选择.

主要成果:

• 在油含量和CI之间观察到不同的歇斯底里行为,因品种而异.
• 歇斯底里分析有效地确定了最佳CI作为油含量的预测指标.
• 开发的通用线性模型,使用基于Hyst的选择预测器,显示出高预测准确度 (通过GPI验证).

结论:

• 基于RGB的图像表型为预测橄果质量特征提供了一种非破坏性和准确的方法.
• 拟议的基于图像的线性模型为现有方法 (如人工神经网络) 提供了可行的计算替代方案.
• 这种方法支持将数字技术纳入橄行业,推进精准农业.