研究目的
利用基于光谱反射率的机器学习算法检测辣椒枯萎病,实现症状出现前的早期诊断。
研究成果
辣椒叶片在350至2500纳米波段的光谱反射率能有效检测出可见症状出现前的镰刀菌病害,其中KNN算法的分类准确率最高(两组样本达100%,全部样本达99%)。小波变换成功降低了数据维度,该方法比传统实验室技术更快速且成本更低,为农业病害早期管理提供了潜在应用价值。
研究不足
该研究在受控的室内环境中进行,可能无法完全代表田间条件。样本量仅限于80片叶子,且仅研究了1种病害(镰刀菌)和1种植物类型(辣椒)。虽然使用小波系数的统计值减少了处理时间,但与使用完整系数相比会导致部分数据丢失和精度降低。
1:实验设计与方法选择:
研究在气候控制室内种植辣椒植株,通过接种镰刀菌使其染病,并对部分植株接种丛枝菌根真菌,形成四组实验组。使用光谱辐射仪采集光谱反射率数据,经小波变换进行特征提取后,应用机器学习算法(K近邻、人工神经网络、朴素贝叶斯)进行分类。
2:样本选择与数据来源:
选用辣椒植株(Capsicum annuum),分为四组:F+M+(染病且接种AMF)、F+M-(染病未接种)、F-M+(健康且接种)、F-M-(健康未接种)。每组4盆,每盆5片叶,共80个样本。数据为350至2500纳米波长范围、1纳米分辨率的光谱反射值。
3:实验设备与材料清单:
ASD FieldSpec 3光谱辐射仪、叶片夹、用于校准的白色Spectralon板、控温(26°C)、控湿(60%)及光照的气候室。配备Matlab R2015b软件、英特尔i5处理器、8GB内存的计算机。
4:实验流程与操作步骤:
使用经白色Spectralon校准的光谱辐射仪进行光谱测量。数据转换为ASCII文件后,采用Sym5、dB2、Haar小波进行特征提取,并计算小波系数的统计值(均值、标准差、最小值、最大值)。通过K近邻、人工神经网络和朴素贝叶斯算法进行分类,采用交叉验证(75%训练集、25%测试集,重复10次)。
5:dBHaar小波进行特征提取,并计算小波系数的统计值(均值、标准差、最小值、最大值)。通过K近邻、人工神经网络和朴素贝叶斯算法进行分类,采用交叉验证(75%训练集、25%测试集,重复10次)。
数据分析方法:
5. 数据分析方法:基于分类成功率评估性能。K近邻采用欧氏距离,人工神经网络采用反向传播,朴素贝叶斯采用贝叶斯概率。结果通过Matlab分析。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容