机器学习技术用于非破坏性估计梅果的重量
Atefeh Sabouri1, Adel Bakhshipour2, Mehrnaz Poorsalehi3
1Department of Agronomy and Plant Breeding, Faculty of Agricultural Sciences, University of Guilan, Rasht, Iran. a.sabouri@guilan.ac.ir.
Scientific reports
|January 4, 2025
概括
使用基于水果尺寸的人工智能 (AI) 和机器学习 (ML) 模型,准确估计梅子的新鲜重量 (FW). 具有特定内核函数的支持向量回归 (SVR) 对于非破坏性的FW预测是最有效的.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 准确的梅的新鲜重量 (FW) 估计对于产量预测和质量控制等农业实践至关重要.
- 传统的FW测量方法往往是破坏性的,劳动密集型和耗时的.
- 开发用于FW估计的非破坏性技术是一个重要的农业挑战.
研究的目的:
- 调查人工智能 (AI) 和机器学习 (ML) 的有效性,以利用水果尺寸预测梅的新鲜重量 (FW).
- 评估和比较各种ML模型在估计梅花FW时的性能.
- 建立一个高效的,非破坏性的方法来估计梅花的FW.
主要方法:
- 通过智能手机相机拍摄的水果图像被处理以提取尺寸.
- 机器学习模型包括支持向量回归 (SVR),多变量线性回归 (MLR),多层感知器 (MLP) 和决策树 (DT) 被使用.
- 选择了具有Pearson-VII内核 (PUK) 函数和0.1的惩罚值 (c) 的SVR模型进行详细分析.
主要成果:
- 该SVR模型在梅花FW估计中表现出高准确度.
- 在训练期间达到0.9369的R平方 (R2) 值,在测试期间达到0.9267.
- 报告了0.4850g (训练) 和0.4863g (测试) 的根平均平方误差 (RMSE),表明了精确的预测.
结论:
- 使用SVR开发的基于人工智能的方法提供了一个准确而非破坏性的方法来估计梅的新鲜重量.
- 这种技术比传统的破坏性方法有了显著的改进.
- 这些发现对精准农业的研究人员和实践者来说是有价值的,使得有效的产量和质量评估成为可能.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.6K
04:21Author Spotlight: Sieving Fruit Pulp to Detect Immature Tephritid Fruit Flies in the Field
Published on: July 28, 2023
1.6K
