利用高光谱成像结合机器学习估算哈密瓜果实质量属性和营养成分-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

利用高光谱成像结合机器学习估算哈密瓜果实质量属性和营养成分

发布时间：

2025-05-07

来源：

作者：

快速、准确地估算生物量、营养成分和糖分有助于高效的植物表型分析和精准农业管理。高光谱技术通过光谱反射率实现了对哈密瓜（C.melo）叶片和果实中氮、钾和蔗糖浓度的快速、非破坏性测定。使用MobileNet-v3-l模型对氮和钾的定量预测进行了精确评估，该模型表现出最高的准确性，R²为0.958，MSE为12.188，MAE为1.519。与最高精度的RGB R²模型相比，MSE降低了21%，MAE降低了16%。同时，ResNet18模型的准确性最高，R²为0.921，MSE为16.246，MAE为1.851。与最高精度的RGB R²模型相比，钾模型的MSE增加了85%，MAE增加了8%。在蔗糖模型中，RegNet-y-8gf模型的准确性最高，R²为0.958，MSE为8.776，MAE为1.707。此外，在还原糖模型中，使用RGB高光谱成像的ResNet18模型准确性最高，R²为0.936，MSE为0.517，MAE为0.471。本研究表明，在自然光条件下通过近距离测量直接应用高光谱成像技术（HSI）预测哈密瓜收获时间具有潜力。

图1 U2²Net网络结构。

图2 网纹哈密瓜叶片和果实图像标注：(A) 叶片原始RGB图像；(B) 叶片图像标注；(C) 叶片分割图像；(D) 果实原始RGB图像；(E) 果实图像标注；(F) 果实分割图像。

图3 SPA波段选择结果。

图4 水培营养与氮/钾肥料施用对哈密瓜品种相对鲜重和干重的影响。处理组（T1、T2 和 T3）与对照组（CK）相比存在显著差异。数据表示三次重复实验的平均值及标准误（S.E.）。

图5 不同氮/钾处理下哈密瓜品种相对果重的交互作用效应。

图6 哈密瓜果实发育过程中，不同氮/钾肥料水平下蔗糖、葡萄糖和果糖浓度（mg g⁻¹）的动态变化：误差条表示三次重复实验的标准偏差。

图7 不同哈密瓜品种在从幼苗期到果实成熟期的氮（N）和钾（K）浓度（mg）动态变化，响应四种氮/钾肥料水平：误差条表示三次重复实验的标准偏差。

图8 (A) EfficientNet-v2-s模型的训练结果；(B) EfficientNet-v2-s模型的训练损失曲线；(C) EfficientNet-v2-s模型的训练R²曲线；(D) ShuffleNet-v2-2.0模型的训练结果；(E) ShuffleNet-v2-2.0模型的训练损失曲线；(F) ShuffleNet-v2-2.0模型的训练R²曲线。

图9 (A) ResNet18模型的训练结果；(B) ResNet18模型的训练损失曲线；(C) ResNet18模型的训练R²曲线；(D) ResNet18模型的训练结果；(E) ResNet18模型的训练损失曲线；(F) ResNet18模型的训练R²曲线。

图10 RegNet-y-8gf模型的训练和测试结果：(A) RegNet-y-8gf模型的训练结果；(B) RegNet-y-8gf模型的训练损失曲线；(C) RegNet-y-8gf模型的训练R²曲线；ResNet18模型的训练和测试结果：(D) ResNet18模型的训练结果；(E) ResNet18模型的训练损失曲线；(F) ResNet18模型的训练R²曲线。

图11 SqueezeNet-1.0模型的训练和测试结果：(A) SqueezeNet-1.0模型的训练结果；(B) SqueezeNet-1.0模型的训练损失曲线；(C) SqueezeNet-1.0模型的训练R²曲线；(D) SqueezeNet-1.0模型的训练结果；(E) SqueezeNet-1.0模型的训练损失曲线；(F) SqueezeNet-1.0模型的训练R²曲线。

来源

Shah I H, Jinhui W, Ding X, et al. A non‐destructive approach: Estimation of melon Fruit quality attributes and nutrients using hyperspectral imaging coupled with machine learning[J]. Smart Agricultural Technology, 2025: 100811.

https://doi.org/10.1016/j.atech.2025.100811

编辑

王永贤

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。