在基于高光谱成像的玉米/大豆交叉作物系统中对叶病的歧视
Xin Liu1,2, Kaixin Meng2, Kaixing Zhang2
1Peking University Institute of Advanced Agricultural Sciences, Shandong Laboratory of Advanced Agricultural Sciences, Weifang, Shandong, China.
Frontiers in plant science
|December 24, 2024
概括
这项研究使用高光谱成像和深度学习准确识别了玉米和大豆叶病. 第一个衍生性-竞争性适应性重量化采样-杂草虫优化-双向长期短期记忆网络模型实现了98.7%的分类准确度.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 频谱学是一种光谱学.
背景情况:
- 对玉米和大豆叶病的准确区分对于交叉作物系统至关重要.
- 现有的方法需要改进,以准确有效地检测疾病.
研究的目的:
- 开发和评估超光谱成像和深度学习方法,用于对玉米和大豆的叶子斑,生和混合疾病进行分类.
- 为了确定疾病分类的最佳预处理和特征提取方法.
主要方法:
- 收集了患病的玉米和大豆叶的高光谱图像 (400-1000nm).
- 数据预处理包括第1导数 (1st Der),萨维茨基-戈莱 (SG),标准正常变量 (SNV) 和乘法散射校正 (MSC).
- 应用了特征提取方法,如竞争性自适应重量化采样 (CARS),连续投影算法 (SPA) 和主要组件分析 (PCA),然后使用支持矢量机 (SVM),双向长期短期记忆网络 (BiLSTM) 和虫优化-双向长期短期记忆网络 (DBO-BiLSTM) 进行分类.
主要成果:
- 第一个导数 (1 Der) 是最佳的预处理方法.
- 第一个Der-CARS-DBO-BiLSTM模型在测试套件中获得了最高的分类率98.7%.
- 这种综合方法在疾病歧视方面表现出卓越的表现.
结论:
- 超光谱成像与深度学习相结合,提供了一种可行且有效的方法来对玉米-大豆交叉作物系统中的疾病进行分类.
- 第一个Der-CARS-DBO-BiLSTM模型为作物疾病识别提供了一种新的,非侵入性的,精确和高效的方法.
- 这些发现支持通过改进的疾病管理策略,促进农业生产的进步.
