使用可见成像与机器学习模型相结合,预测码长豆的黄色马赛克病的严重程度
Abhishek Kumar Dubey1, Prakash Kumar Jha2, Kumari Shubha1
1ICAR-Research Complex for Eastern Region, Patna, India, 800014.
准确估计植物疾病的严重程度对于有效的管理和决策至关重要. 进行了实地实验,以了解相关性,并使用可见图像指数预测一码长的豆中黄色马赛克病的严重程度. 总共有45个可见/红绿蓝 (RGB) 指数从RGB图像中得出,与疾病严重程度相关联,并使用9个机器学习 (ML) 模型作为预测疾病严重程度的输入. 在根据最终疾病严重程度选的143种基因型中,3,18,17,34,53种基因型分别分为免疫性,耐药性,中度耐药性,中度敏感性,敏感性和高度敏感性. 模型性能使用R2,d-index,平均偏差误差和规范化根平均平方误差 (n-RMSE) 度量来评估. 结果显示,34个指数与YMD严重程度有显著的相关性 (p < 0.01),其中23个是正相关,12个是负相关. 在这些中,红色复合 (RCC) 和过度红色 (ExR) 显示出最高和相同的正相关性 (0.87),而绿色红色差异 (GRD) 显示出最大的负相关性 (-0.88) 与疾病严重程度. ML模型取得了值得称赞的性能,在校准中达到R2和d-index值分别超过0.92和0.98,在验证中达到0.88和0.96,这强调了它们在仅使用RGB图像预测YMD严重性的有效性. 随机森林 (RF),立方体,XGBoost (XGB),K-最近邻居 (KNN) 和梯度提升机 (GBM) 成为预测YMD严重程度的五个表现最好的模型,使用码长豆中的可见指数. 这些发现对及时的疾病管理策略,加快育种计划以及帮助政策制定者和农民做出明智决策具有实际意义.
科学领域:
- 植物病理学 植物病理学
- 农业科学 农业科学
- 计算机视觉 计算机视觉
背景情况:
- 准确估计植物疾病严重程度对于有效的作物管理和决策至关重要.
- 黄色马赛克病 (YMD) 显著影响码长豆的产量和质量.
- 传统的疾病评估方法可能是劳动密集型和主观的.
研究的目的:
- 为了将可见图像指数与一码长豆中的黄色马赛克病严重程度相关联.
- 开发和评估用于使用RGB图像数据预测YMD严重性的机器学习模型.
- 为了确定最佳的可见指数和机器学习算法,用于疾病严重程度的预测.
主要方法:
- 在143码长的豆类基因型上进行了实地实验.
- 45个可见/红绿蓝 (RGB) 指数来自RGB图像.
- 相关性分析和9个机器学习模型 (包括随机森林,XGBoost,KNN) 用于预测.
- 模型性能使用R2,d-index,平均偏差误差和n-RMSE进行评估.
主要成果:
- 34个可见指数与YMD严重程度有显著的相关性 (p < 0.01).
- 红色复合 (RCC) 和过度红色 (ExR) 具有最高的正相关性 (0.87);绿色红色差异 (GRD) 具有最大的负相关性 (-0.88).
- 机器学习模型实现了高精度 (R2>0.92校准,R2>0.88验证) 和d指数 (>0.98校准,>0.96验证).
- 随机森林,立体主义者,XGBoost,KNN和GBM是表现最好的模型.
结论:
- 可见图像指数,特别是RCC,ExR和GRD,是码长豆中YMD严重性的有效指标.
- 机器学习模型只使用RGB图像数据准确预测YMD严重程度.
- 这些发现支持及时的疾病管理,加速育种计划,并向农业利益相关者提供信息.
