可见光光谱和机器学习的温室黄瓜霜霉病严重度定量估算

温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件,对于减少农药使用量、提升温室黄瓜品质和农民经济效益具有重要意义。机器学习在植物病害诊断领域的应用越来越广泛,已经取得了丰富的研究成果,病害严重程度的估算萌发了新的思路。利用霜霉病可见光图像并结合机器学习方法,开展温室黄瓜霜霉病严重度快速准确定量估算研究。利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理,剔除病害图像的背景。以黄瓜霜霉病叶片图像为输入,构建基于卷积神经网络(CNN)的估算模型。利用可见光光谱颜色特征(CVCF)结合支持向量机进行温室黄瓜霜霉病病斑图像分割,采用SURF(speeded up robust features)特征及形态学操作对分割结果进行优化。在获取黄瓜霜霉病病斑分割图像后,提取病斑图像RGB, HSV, L~*a~*b~*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征,以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、相关性、熵和平稳度4个纹理特征,共计90个特征;利用Pearson相关性分析进行特征优选,采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型,包括支持基于向量机回归(SVR)的估算模型和基于BP神经网络(BPNN)的估算模型。基于以上3种估算模型开展黄瓜霜霉病严重度定量估算,采用决定系数(R^2)和归一化均方根误差(NRMSE)对估算模型准确率进行定量评价。结果表明,模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系,其中,基于CNN的估算模型准确率最高,模型的R^2为0.919 0, NRMSE为23.33%,其次是基于BPNN的估算模型,其R^2为0.890 8, NRMSE为24.64%,基于SVR的估算模型的准确率最低,其R^2为0.8901, NRMSE为31.08%。研究结果表明,利用黄瓜霜霉病可见光图像数据,结合卷积神经网络估算模型,实现了温室黄瓜霜霉病严重度的准确估算,能够为温室黄瓜霜霉病的科学防治提供参考,提高病害防治效率,减少农药使用。     

宽度学习的虾新鲜度检测方法

为了提升虾新鲜度判别的准确性,提出了一种基于宽度学习(BLS)的虾新鲜度检测方法。首先采用多元散射校正（MSC）、标准正态变量校正（SNV）和直接正交信号校正（DOSC）对不同冷藏天数虾的原始高光谱进行预处理,再使用t分布随机邻域嵌入（t-SNE）将预处理之后的数据可视化,可视化结果表明DOSC聚类效果最佳。然后使用随机森林（RF）、主成分分析（PCA）和二维相关光谱分析（2D-COS）对经DOSC预处理之后的光谱数据进行特征选择。最后基于选择的特征波长对虾新鲜度进行建模分析。将宽度学习（BLS）首次用于虾新鲜度建模,同时与偏最小二乘判别（PLS-DA）和极限学习机（ELM）等经典判别模型做比较。研究结果表明RF方法最大限度地消除了光谱中的冗余信息,而BLS与线性建模方法PLS-DA以及非线性建模方法ELM相比,准确率更高并且判别时间更短,因此RF-BLS组合模型获得了最佳新鲜度判别效果,表明高光谱成像技术结合宽度学习识别虾的新鲜度是可行的,可以为在线检测虾新鲜度系统的开发提供理论依据。