在不同的环境下,使用深度转移学习和Vis-NIR高光谱成像来非破坏性检测油菜叶中的含量
Xin Zhou1, Yang Liu2, Chunjiang Zhao3
1School of Electrical and Information Engineering of Jiangsu University, Zhenjiang 212013, China; Key Laboratory for Theory and Technology of Intelligent Agricultural Machinery and Equipment of, Jiangsu University, Zhenjiang 212013, China; Jiangsu Province and Education Ministry Co-sponsored Synergistic Innovation Center of Modern, Agricultural Equipment, Zhenjiang 212013, China.
一个新的转移堆拒绝自编码器 (T-SDAE) 算法准确地预测油菜叶中的 (Cd). 这种深度学习方法集成了超光谱成像,以可靠的环境Cd检测.
科学领域:
- 农业科学 农业科学
- 环境科学 环境科学
- 数据科学数据科学数据科学
背景情况:
- 在油菜等作物中积累的 (Cd) 对食品安全和生态系统构成风险.
- 准确预测CD内容对于有效的风险管理和缓解策略至关重要.
- 环境因素,如的可用性,显著影响植物重金属吸收.
研究的目的:
- 开发和验证一个强大的深度学习模型,用于预测油菜叶中的 (Cd) 含量.
- 评估模型在不同环境 (无,低和高) 的性能.
- 将超光谱成像与深度转移学习相结合,以提高Cd检测.
主要方法:
- 使用堆叠的无声自动编码器 (SDAE) 进行维度减小和特征提取.
- 通过传输一个有效的SDAE深度学习网络,开发了一个转移堆无证自编码器 (T-SDAE) 模型.
- 使用支持向量回归 (SVR) 模型进行CD内容预测,结合SDAE提取的特征.
主要成果:
- 在无,低和高环境中,SDAE-SVR模型表现出强大的预测性能,R值分别为0.9127,0.9829,0.9606.
- 优化的T-SDAE-SVR模型实现了0.9273.3的预测设定系数 (Rp2) 的确定系数.
- T-SDAE-SVR模型的预测剩余标准误差 (RMSEP) 为0.01465 mg/kg,预测与偏差 (RPD) 的比率为3.237.
结论:
- 拟议的T-SDAE算法有效地迁移深度学习模型,用于在不同条件下对油菜叶的Cd预测.
- 将高光谱成像技术与深度转移学习相结合,提供了一种可行且准确的方法,用于检测油菜中Cd含量的变化.
- 这种方法为监测和管理农业环境中的污染提供了有价值的工具.
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
07:58Author Spotlight: Non-Invasive High-Resolution Measurement of Chlorophyll Synthesis During De-Etiolation
Published on: January 12, 2024
相关概念视频
Light Acquisition
Key Elements for Plant Nutrition
