基于机器学习的装饰性南瓜种子的形态分类和多样性分析

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 装饰性南瓜 (Cucurbita pepo L. var. 这种南瓜有很多种. 种子具有显著的形态变异性,使分类复杂化.
• 准确的种子分类对于农业生产,育种和商业种子分类至关重要.
• 现有的分类方法可能缺乏种子行业所需的效率和准确性.

研究的目的:

• 采用机器学习模型,根据物理和颜色属性对装饰性南瓜种子进行分类.
• 评估随机森林 (RF),LightGBM和k-最近邻居 (KNN) 算法的性能.
• 确定装饰性南瓜行业中自动化种子分类的最有效模型.

主要方法:

• 收集了900种装饰性南瓜种子 (六种品种) 的形态 (质量,延长,宽度,厚度) 和色度 (CIELAB L*,a*,b*) 数据.
• 使用规范化和平衡技术预处理数据集,以优化模型训练.
• 训练和评估RF,LightGBM和KNN模型,通过准确度,精度,回忆,F1分数,MCC和科恩的卡帕等指标来评估性能.

主要成果:

• 随机森林 (RF) 模型表现出卓越的性能,达到95.9%的准确性和0.951.95的马修斯相关系数 (MCC).
• 射频模型在所有指标上取得了高分:平衡精度 (0.961),精度 (0.962),回忆 (0.961) 和F1分数 (0.961).
• 在测试的算法中,k-近邻 (KNN) 模型表现出最低的分类性能.

结论:

• 机器学习,特别是随机森林模型,为自动化装饰性南瓜种子分类提供了高度准确和高效的解决方案.
• 人工智能驱动的分类可以显著减少错误,提高种子分类的效率,并支持开发有效的育种方案.
• 这种方法具有巨大的潜力,可以通过改善质量控制和选择过程来推动装饰性南瓜种子行业的发展.