使用高光谱成像和机器学习技术检测果扩散疾病

科学领域:

• 植物病理学 植物病理学
• 农业工程 农业工程
• 遥感是一种远程传感.

背景情况:

• 果扩散是影响欧洲水果产量的重大疾病.
• 目前的检测方法依赖于人类的观察,这是劳动密集型和难以自动化的.
• 早期和准确的疾病检测对于有效管理和预防广泛感染至关重要.

研究的目的:

• 调查高光谱成像与机器学习相结合的潜力,以检测果增殖症状.
• 开发一种基于叶片样本光谱特征的疾病检测自动化方法.
• 评估不同频谱范围和机器学习算法的有效性,以识别疾病.

主要方法:

• 在两个生长季节 (2019-2020) 收集了1160个果叶样本.
• 使用超光谱成像 (400-2500nm) 和PCR分析来获得参考数据.
• 应用机器学习算法 (例如,rRBF) 在数据预处理和特征提取后进行分类和回归.

主要成果:

• 每棵树上多张叶子的成像提高了检测准确度.
• 光谱指数在识别患病树木方面被证明是可靠的.
• 机器学习模型在受控环境中达到高精度 (0.971) 在现场条件下达到中度精度 (0.731-0.751).
• 回归模型预测了qPCR结果,每种植物细胞的RMSE为14.491个植物质细胞.

结论:

• 超光谱成像与机器学习相结合,为果增殖检测提供了一个有希望的自动化解决方案.
• 数据的全光谱范围和空间分布增强了检测能力.
• 这种方法可以支持农民在早期疾病管理,减少经济损失.