通过波长优化和深度学习,在类中进行huanglongbing检测的跨种植型高光谱框架

科学领域:

• 植物病理学 植物病理学
• 农业工程 农业工程
• 遥感 遥感 遥感 遥感

背景情况:

• 黄龙 (HLB) 是全球生产的严重威胁.
• 由于形态差异,现有的超谱检测方法在跨品种准确性方面扎.
• 早期和准确的HLB检测对于疾病管理和减轻经济损失至关重要.

研究的目的:

• 开发一种强大的超谱成像方法,用于多种类型的HLB检测.
• 为了在不同果品种中识别HLB检测的一致的光谱特征.
• 建立适用于所有类品种的通用HLB检测框架.

主要方法:

• 超光谱数据采集和预处理.
• 连续投影算法 (SPA) 用于特征波长提取.
• 粒子集群优化 (PSO) 用于识别跨种类一致的波长.
• 使用支持矢量机 (SVM),多层感知器 (MLP) 和卷积多尺度残余网络 (CMR-CNN) 的分类.

主要成果:

• 通过SPA和PSO识别的优化波长表明了跨品种歧视能力.
• 用PSO优化的功能集显著改善了分类模型的性能.
• 在多种类型的HLB检测中,CMR-CNN模型实现了最高的准确性 (92.85%±0.7%).
• SVM和MLP模型也显示了PSO优化的功能,提高了准确性.

结论:

• 建议使用SPA和PSO的高光谱成像方法有效地解决了在HLB诊断中跨品种检测的挑战.
• CMR-CNN模型在使用高光谱成像进行植物疾病诊断方面表现出卓越的性能.
• 这项研究为HLB检测建立了一个通用框架,消除了对品种特定模型的需求.