大米和杂草的近距离超光谱检测:特征和差别分析分析
Zhentao Wang1,2,3,4, Tenghui Lin2, Huijie Li1
1College of Mechanical and Electrical Engineering, Shihezi University, Shihezi, China.
Frontiers in plant science
|December 29, 2025
概括
这项研究引入了一种新的深度学习模型,SS-CNN,用于使用高光谱成像识别大米和杂草物种. 该模型在绘制杂草物种和监测它们的生长方面实现了高精度,即使训练数据有限.
科学领域:
- 农业遥感 农业遥感
- 植物科学 植物科学
- 机器学习用于农业
背景情况:
- 杂草是农作物生产的主要限制,影响生物多样性和生态系统服务.
- 超光谱成像为农业中的植被监测和物种识别提供了先进的功能.
- 准确地绘制和评估杂草物种及其生理活动对于有效的作物管理至关重要.
研究的目的:
- 开发和评估深度学习网络,以使用高光谱图像识别大米和杂草物种.
- 在中国北方建立一个大米和杂草物种的超谱图书馆.
- 在不同的训练数据条件下评估开发模型的性能.
主要方法:
- 使用地面的SPECIM-IQ摄像头收集了36种物种 (大米和35种杂草) 的1080高光谱图像.
- 提取了光谱反射率曲线并分析了树冠光谱配置文件,植被指数和主要成分分析 (PCA).
- 开发并测试了一种新的深度学习网络,SS-CNN,用于物种识别.
主要成果:
- SS-CNN模型实现了高识别精度,总精度 (OA) 为99.910%,平均精度 (AA) 为99.502%,训练数据为70%.
- 即使只有5%的训练数据,SS-CNN也保持了最佳表现 (OA: 95.370%;AA: 86.468%).
- 废弃实验证实了SS-CNN模型的有效性.
结论:
- 靠近的超谱遥感与深度学习相结合,在具有挑战性的现场条件下有效地识别和描述大米和杂草物种.
- 这项研究为了解田杂草压力的高光谱特征提供了有价值的基线.
- 这些发现支持改善农业环境中杂草生长状态和管理策略的监测.
