19:39 2024-03-18
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Îmbunătățirea clasificării maturității rapiței cu imagini hiperspectrale și învățare automată
_ Îmbunătățirea clasificării maturității rapiței cu imagistica hiperspectrală și învățarea automată
Uleiul de rapiță, o cultură vitală de semințe oleaginoase care se confruntă cu o cerere globală în creștere, se confruntă cu o provocare semnificativă în obținerea unei maturități uniforme a semințelor, datorită înfloririi asincrone. Metodele tradiționale de evaluare a maturității sunt limitate de natura lor distructivă. Imaginile hiperspectrale (HSI) oferă o soluție nedistructivă și eficientă prin utilizarea datelor spațiale și spectrale pentru a clasifica cu exactitate maturitatea culturilor. Acest progres în tehnologia HSI prezintă o oportunitate de a îmbunătăți calitatea rapiței și cercetarea de reproducere, abordând nevoia unor metode mai eficiente de clasificare a maturității.
În ianuarie 2024, Plant Phenomics a publicat un articol de cercetare intitulat „Clasificarea maturității a rapiței folosind imagine hiperspectrală combinată cu învățarea automată.”
În studiu, tehnologia HSI a fost folosită pentru a analiza caracteristicile spectrale și a clasifica nivelurile de maturitate ale rapiței. Datele spectrale au fost supuse diferitelor metode de preprocesare, inclusiv netezirea Savitzky-Golay (SG), Standard Normal Variate (SNV), Detrend și derivate (D1st, D2nd), pentru a îmbunătăți calitatea datelor prin reducerea zgomotului și accentuarea caracteristicilor spectrale relevante pentru maturitate. clasificare.
Analiza a evidențiat modele spectrale distincte în diferite stadii de maturitate ale rapiței, în special în intervalul de lungimi de undă 420-982 nm, unde stadiul complet matur a arătat o diferență tot mai mare față de etapele verde și galben, în special dincolo de 720. nm.
Analiza de modelare, utilizând întreaga gamă de lungimi de undă, a evidențiat discrepanțe notabile în acuratețe și precizie între diferite metode de preprocesare și algoritmi de clasificare, inclusiv Extreme Learning Machine (ELM) și Support Vector Machine (SVM).
Modelele care utilizează date spectrale preprocesate le-au depășit în general pe cele care utilizează date originale, D2nd și combinații precum SG+D1st obținând precizii de predicție ridicate peste 92%. Selectarea lungimii de undă a caracteristicilor a rafinat și mai mult modelul prin identificarea lungimilor de undă cheie care sunt cruciale pentru clasificarea maturității, algoritmii CARS și IVISSA-SPA extragând cele mai eficiente lungimi de undă pentru o predicție precisă a maturității.
Modelele ulterioare de clasificare bazate pe lungimile de undă ale caracteristicilor selectate. a prezentat performanțe superioare, D2nd-IVISSA-SPA-SVM atingând o rată de precizie impresionantă de 97,86%. Această abordare a abordat în mod eficient redundanța datelor și a evidențiat importanța selectării lungimilor de undă optime ale caracteristicilor pentru dezvoltarea modelelor robuste de clasificare a maturității.
Studiul subliniază potențialul imens al integrării tehnologiei HSI, metodologiilor de preprocesare și algoritmi de învățare automată pentru non -evaluarea distructivă a maturităţii rapiţei. O astfel de integrare este promițătoare pentru a genera progrese viitoare în acest domeniu.
Comentarii:
Adauga Comentariu