10.3964/j.issn.1000-0593(2023)05-1541-09
高光谱和集成学习的鸭梨黑斑病潜育期快速识别方法
鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小,肉眼难以观察,因此对其早期识别仍然是困难的.结合高光谱成像技术和Stacking集成学习算法,实现了鸭梨黑斑病的潜育期识别检测.首先,获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像,基于图像选取感兴趣区域(ROI),然后对提取的平均光谱数据进行一阶导数(FD)、二阶导数(SD)、标准正态变量变换(SNVT)及组合SNV-FD和SNV-SD预处理后,采用竞争性自适应权重取样法(CARS)提取特征波长的光谱信息.最后基于筛选出的特征信息分别建立最小二乘支持向量机(LS-SVM)、K最邻近法(KNN)、随机森林(RF)和线性判别分析(LDA)分类模型.其中,预测效果最好的组合为SNV-FD-LSSVM,SNV-KNN和SNV-FD-RF,准确率分别达到94%,88%和88%.四种算法建立的模型中,测试集准确率不低于85.00%的个数分别为5、3、2和0,因此优选出LS-SVM、KNN和RF三个分类器用于后续的集成学习.为提高模型准确率,以优选出的LS-SVM、KNN和RF三种模型作为基分类器构建Stacking学习框架,并与单一分类器建模结果进行对比分析.结果表明,集成学习模型的总体识别正确率达到了98.68%,较单一分类器模型提高了4.64%,且对潜育期样品的识别率提高了11%.证实了高光谱成像结合集成学习方法识别潜育期黑斑病鸭梨样品可行;集成模型显著提高了单一模型的准确性;为鸭梨黑斑病早期检测和病害分级提供一种新的方法,同时为深入研究集成学习算法在光谱定性中的应用奠定了一定基础.
高光谱成像技术、鸭梨黑斑病、Stacking集成模型、潜育期、基模型
43
S379.9(农产品收获、加工及贮藏)
河北省省属学校基本科研业务费研究项目;河北省重点研发项目;塔里木大学现代农业工程重点实验室开放课题;国家自然科学基金
2023-06-09(万方平台首次上网日期,不代表论文的发表时间)
共9页
1541-1549