基于高光谱预处理,特征选和机器学习的不同质小麦品种的分类
Xinghui Qi1, Shaohua Zhang1, Liyang Wang1
1Agronomy College of Henan Agriculture University/State Key Laboratory of High-Efficiency Production of Wheat-Maize Double Cropping, Zhengzhou 450046, Henan, China.
Food chemistry: X
|March 24, 2025
概括
使用高光谱数据对小麦质类型的分类对于粮食需求至关重要. ReliefF-CWT-SVM模型实现了94.5%的准确性,提供了小麦品种分类的快速方法.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 准确地对小麦质品种进行分类对于满足多样化的食品工业需求至关重要.
- 超光谱数据为小麦特征的快速和非破坏性分析提供了一个有希望的途径.
研究的目的:
- 使用超光谱数据开发和优化小麦质类型的快速分类模型.
- 为了比较各种数据预处理,特征选和机器学习方法的有效性.
主要方法:
- 评估了四种预处理技术,包括连续波波变换 (CWT).
- 应用了两个特征选方法,ReliefF和最小冗余最大相关性 (mRMR).
- 测试了四种机器学习算法,即支持向量机 (SVM),卷积神经网络 (CNN),随机森林 (RF) 和K-最近邻居 (KNN).
主要成果:
- 该ReliefF特征选方法的性能优于全波长和mRMR方法.
- 连续波形转换 (CWT) 预处理比其他方法的准确性更高.
- 支持矢量机 (SVM) 分类器在测试的算法中表现出优异的性能.
- 最佳模型,ReliefF-CWT-SVM,实现了94.5%的整体精度.
结论:
- ReliefF特征提取和CWT预处理与SVM分类的结合提供了一个非常准确的方法来分类小麦质类型.
- 这种开发的模型为基于质特性快速识别小麦品种提供了重要的理论和技术支持.
