基于高光谱成像和深度学习,识别了中的黄静脉清除疾病
Xunlan Li1, Fangfang Peng1, Zhaoxin Wei1
1Research Institute of Pomology, Chongqing Academy of Agricultural Sciences, Chongqing, China.
Frontiers in plant science
|July 1, 2025
概括
超光谱成像精确检测黄色静脉清除疾病使用新型混合CNN模型. 这种先进的方法优化了数据处理,以实现高效和强大的植物疾病诊断.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 超光谱成像 (HSI) 提供了植物疾病检测的潜力.
- 在植物中,黄静脉清除病 (YVCD) 缺乏基于HSI的识别研究.
- 高维的HSI数据处理对准确和快速的疾病诊断提出了挑战.
研究的目的:
- 开发和评估一种新的超光谱特征提取方法,用于在植物中检测YVCD.
- 优化超光谱数据处理以提高分类准确性和降低计算成本.
- 为了比较混合3D-2D卷积神经网络 (CNN) 架构与传统机器学习和其他CNN模型的性能.
主要方法:
- 实现了混合3D-2D-LcNet架构,将3D和2D卷积层结合起来,用于超谱特征提取.
- 利用竞争性适应性重权取样 (CARS) 和连续投影算法 (SPA) 来减少维度和特征波长选择.
- 将混合模型与机器学习算法 (SVM,PLSDA) 和其他CNN模型 (3D-ShuffleNetV2,2D-LcNet,2D-ShuffleNetV2) 相比较.
主要成果:
- 基于CNN的模型实现了高精度 (93.90%97.35%),显著超过机器学习方法 (68.83%93.52%).
- 混合3D-2D-LcNet模型获得了最高的准确性 (97.35%与CARS, 96.86%与SPA).
- 与3D-CNNs相比,混合模型显示了较低的计算成本,平衡了有效性和复杂性.
结论:
- 混合3D-2D-LcNet架构有效地从超频谱数据中提取特征,用于植物中的YVCD诊断.
- 这种方法为植物疾病检测中高光谱图像的快速处理提供了一个有前途的方法.
- 该研究强调了优化HSI分析的潜力,以有效和准确地管理农业疾病.
