机器学习方法对预测西瓜成熟度的比较分析,使用声学和质量特征
Pravathy Nayana N1, Arun Kumar T V1, Pramod P Aradwad2
1ICAR-Indian Agricultural Research Institute, New Delhi, India.
Food chemistry
|May 15, 2025
概括
机器学习准确地使用声学和破坏性特征对西瓜成熟度进行分类. 支持矢量机 (SVM) 的准确度超过97%,使农业实时质量评估成为可能.
科学领域:
- 农业工程 农业工程
- 机器学习 机器学习
- 食品科学 食品科学 食品科学
背景情况:
- 精确的西瓜成熟度评估对于最佳的收获和质量至关重要.
- 传统的方法往往是破坏性的,耗时的,或主观的.
- 整合多样化的质量特征可以改善非破坏性预测模型.
研究的目的:
- 评估机器学习算法来对西瓜成熟度进行分类 (未成熟,成熟,过度成熟).
- 调查结合声学和破坏性质量特征的有效性.
- 为准确的成熟度预测确定最佳特征集和算法.
主要方法:
- 训练和评估了9个机器学习算法.
- 功能包括声学数据 (频率,振幅) 和破坏性数据 (TSS,坚固度,湿度).
- 使用了诸如分类准确度和马修斯相关系数等性能指标.
主要成果:
- 支持矢量机 (SVM) 使用频率-振幅-TSS-刚度-湿度和频率-振幅-TSS-刚度特征实现了最高准确率 (97.72%).
- 极端学习机器也显示了高精度 (97.68%).
- 仅仅声学特征就产生了92.47%的准确性,而频率和振幅相结合达到96.98%.
结论:
- 整合声学和破坏性特征的机器学习模型有效地对西瓜成熟度进行了分类.
- 在这个分类任务中,SVM表现出了卓越的性能.
- 这些发现支持实时,现场系统的发展,以评估西瓜的质量.


