基于高光谱成像的深度学习方法用于检测果中的隔离疾病.

科学领域:

• 农业科学 农业科学
• 植物病理学 植物病理学
• 频谱学是一种光谱学.

背景情况:

• 手动检查果是否有隔离疾病是缓慢的,并限制了自动化.
• 在RGB图像中区分类似的疾病症状对海关来说是一项挑战.
• 港口需要快速,非破坏性的检测系统.

研究的目的:

• 开发一种快速,非破坏性的系统,用于检测常见的果检疫病原体.
• 使用超光谱成像来区分微妙的疾病特征.
• 为了实现果的自动进出口控制.

主要方法:

• 使用近距离摄像机获得高光谱图像 (400-1000 nm).
• 分析了不同疾病阶段的果的反射度曲线.
• 一个专门的卷积神经网络 (CNN),HSC-Resnet,被设计用于高光谱数据.

主要成果:

• 在检测果检疫疾病方面,HSC-Resnet的精度达到了95.51%.
• 该系统有效地分离了病原体之间的微妙光谱差异.
• 量化了依赖阶段的光谱变化.

结论:

• 超光谱成像与CNN相结合,为快速,非破坏性疾病检测提供了一个有希望的解决方案.
• 这项技术可以显著提高果进出口管理和生物安全.
• 检疫病原体的准确识别在港口规模上是可以实现的.