通过使用机器学习方法分析超光谱图像来识别草中的真菌病
1Siberian Federal Scientific Centre of Agro-BioTechnologies of the Russian Academy of Sciences, Krasnoobsk, Novosibirsk region, Russia.
Vavilovskii zhurnal genetiki i selektsii
|April 23, 2025
概括
超光谱成像与机器学习相结合,可以准确地检测和区分常见的草真菌病. 这种非侵入性方法为改善草生产中的疾病诊断提供了有希望的方法.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 遥感 遥感 遥感 遥感
背景情况:
- 常见的真菌病,如叶子斑,叶子烧伤和叶子,在西西伯利亚显著影响草产量和质量.
- 准确,快速和非侵入性疾病诊断对于有效的草生产管理至关重要.
研究的目的:
- 评估超光谱成像用于检测和区分草叶中的真菌病的有效性.
- 为了比较各种机器学习算法在分类健康和病变的叶子光谱中的性能.
主要方法:
- 在实验室条件下使用高光谱成像来捕获叶子反射光谱.
- 使用五种机器学习方法 (SVM,KNN,LDA,PLS-DA,RF) 来进行分类.
- 研究了尺寸缩小技术和植被指数,以优化光谱数据处理.
主要成果:
- 支持矢量机 (SVM) 使用全范围光谱数据实现了最高的分类准确率89.9%.
- 尺寸缩小和特征选择 (最佳波长,植被指数) 导致整体分类准确度略有下降.
- 所有测试的机器学习方法都显示出基于光谱数据区分真菌病的潜力.
结论:
- 超光谱成像,再加上机器学习,证明了草真菌病的非侵入性差异化显著潜力.
- 这项技术可以帮助早期和准确的疾病诊断,有助于改善作物管理和产量保护.
