使用高光谱技术识别 Sorghum 品种,使用挤压激发卷积神经网络算法进行识别

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:

• 准确识别的品种对于作物管理和育种至关重要.
• 传统的品种识别方法可能是耗时和劳动密集的.
• 超光谱技术为分析植物特征提供了一种非破坏性和快速的方法.

研究的目的:

• 开发和评估一种基于高光谱的模型,用于快速准确地识别麦品种.
• 为了比较一个新的CARS-SECNNet模型与传统的机器学习模型 (SVM,RF) 的性能.
• 评估不同数据预处理技术 (WT,MSC) 对超光谱数据的有效性.

主要方法:

• 开发一个CARS-SECNNet模型,整合挤压激发卷积神经网络和竞争性自适应重量重新抽样.
• 波形变换 (WT) 和乘法散射校正 (MSC) 的应用,用于超光谱数据预处理.
• 将CARS-SECNNet与支持矢量机 (SVM) 和随机森林 (RF) 模型进行对比,用于麦品种识别.

主要成果:

• 与波形变换 (WT) 相比,多倍散射校正 (MSC) 在预处理高光谱数据方面表现出更高的性能.
• 在MSC预处理后,CARS-SECNNet模型实现了99.39%的平均识别率,明显优于RF (88.71%) 和SVM (93.64%).
• 优化的CARS-SECNNet模型达到99.79%的最大精度,验证精度为91.04%.

结论:

• CARS-SECNNet模型与高光谱技术相结合,提供了一种非常准确和快速的品种识别方法.
• 这种方法在准确性和速度方面比传统的机器学习技术具有显著的优势.
• 超光谱成像与先进的深度学习相结合,为农业应用提供了一个有前途的工具.