基于高光谱的分类,将单个小麦植物分为细度的繁殖阶段
Yiting Xie1,2,3, Stuart J Roy4,5, Rhiannon K Schilling4,6,7
1University of Adelaide, Adelaide, Australia. yiting.xie@adelaide.edu.au.
Plant methods
|November 11, 2025
概括
使用高光谱成像和机器学习准确预测小麦生长阶段,可以自动化实地试验评估. 这种方法提高了生物安全性,并减少了植物生物技术中人工检查负担.
科学领域:
- 农业科学 农业科学
- 植物生物技术 植物生物技术
- 遥感 遥感 遥感 遥感
背景情况:
- 实地试验对于转基因和基因组编辑植物的开发至关重要.
- 准确的开花时间预测是澳大利亚生物技术现场试验的强制要求.
- 目前的方法依赖于对小麦生长阶段的劳动密集型视觉检查 (Zadoks Z37-Z41).
研究的目的:
- 使用成像数据开发小麦生长阶段的自动预测方法.
- 为了评估光谱转换和特征选择对分类准确性的有效性.
- 为手动现场检查提供低成本,高效的替代方案.
主要方法:
- 超光谱和RGB图像是在温室和半自然环境中捕获的.
- 支持向量机器分类与光谱转换 (标准正常变量,超色调,主要组件分析) 一起使用.
- 进行了特征选择,以确定最佳的波长来进行分类.
主要成果:
- 结合的光谱转换实现了0.832的F1得分,用于预解生长阶段的分类.
- 分类准确性 (F1评分为0.752) 仅在5个选择的波长中保持.
- 标准正常变量转换在有限的训练数据和强大的概括性方面表现出强的性能.
结论:
- 变换丰富的光谱数据和优化的特征选择使小麦能够准确地分类生长阶段.
- 这种自动化方法减少了手工检查的负担,并提高了植物生物技术现场试验中的生物安全性.
- 该方法为监管合规和研究效率提供了具有成本效益的解决方案.
