小样本真实性识别和品种分类的Anoectochilus roxburghii (墙) 的. 林德尔. 林德尔. 林德尔. 林德尔. 林德尔. 林德尔. 林德尔. 林德尔. 林德尔. 使用高光谱成像和机器学习

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 植物学 植物学

背景情况:

• 准确的鉴定药用植物,如金线 (Anoectochilus roxburghii) 是至关重要的.
• 假冒物种在草药和贸易中构成了重大挑战.
• 超光谱成像为植物分析提供详细的光谱信息.

研究的目的:

• 开发和评估用于验证Aneoctochilus roxburghii的机器学习模型.
• 通过使用超光谱数据,将Goldthread与其假冒物种区分开来.
• 探索各种机器学习算法和光谱融合技术的有效性.

主要方法:

• 收集了来自九种Anoectochilus roxburghii物种和两种假冒物种前后叶的超光谱数据.
• 应用机器学习模型:支持向量机 (SVM),K-最近邻居 (KNN),随机森林 (RF),线性差异分析 (LDA) 和卷积神经网络 (CNN).
• 开发了一种多视图光谱融合卷积神经网络 (CNN) 模型,整合了叶子两侧的数据.

主要成果:

• 支持矢量机 (SVM) 在区分黄金线与假货方面实现了100%的分类准确性.
• 与传统模型相比,SVM在处理高维光谱数据方面表现出优越性.
• 多视图光谱融合CNN模型也实现了完美的100%分类准确度.
• 模型有效地捕捉了前叶和后叶之间的光谱差异.

结论:

• 超光谱成像与机器学习相结合,为植物真实性识别提供了一种高度有效的方法.
• 开发的SVM和多视图光谱融合CNN模型为检测假冒物种提供了强大的解决方案.
• 这种方法为草药产品的质量控制提供了新的和有希望的前景.