光谱传感和机器学习的相互增强用于苹果果实无损检测


发布时间:

2023-01-05

来源:

植物表型资讯

作者:

PhenoTrait

苹果果实损伤的无损检测技术能够确保所收集水果批次的可储存性,对于正确操作水果分拣线至关重要。果实成像最佳方法和有效图像处理方法的选择仍然是一个争论的主题。在此,我们对高光谱图像的信息内容进行了分析,重点是光谱成分、空间成分或两者。我们采用了随机森林(RF)分类器,使用不同的参数作为输入:反射光谱、植被指数(VIs)和纹理值,比较了它们在苹果果实损伤检测任务中的表现。对于端到端的分类问题,发现原始超立方体中的信息量超过了一个数量级。将光谱转换为植被指数实现了60倍的压缩,而且与表型相关的信息没有明显的损失,并且在不同的光照条件下性能更加稳定。研究结果表明,如果辅以有关对象的光谱信息,先进的机器学习方法可能会更有效。在本文中,我们还讨论了基于机器学习处理高光谱数据用于水果分级的不同方法的潜在优势和隐患。
 

图1 苹果果实的高光谱成像的设置。名称:底盘(1);高光谱相机(2),带橡胶滚轮的桌子(3)相机悬架(4),步进电机(5,6)和变速器(7),光源(8)。

 

图2 分类流程概述。在预处理和图像配准之后,光谱图像的两个空间维度都不同;一种热标签编码实际上是在训练和推理过程中内部使用的。

 

图3 用于对健全的和受损的果实区域进行分类的一些特征的视觉表示(在数字上方表示)。

 

图4 一个健康苹果的分类结果。

 

图5 真菌损伤苹果的分类结果。

 

图6 严重晒伤的苹果的分类结果。

 

图7 不同分类器的精确-召回曲线(如上图所示)。插图显示了平均精度(AP)、F2分数、最佳损伤分数阈值、召回率以及该阈值下的精度值(曲线上标记为红色的对应点☆)。

 

 

来 源

Shurygin B, Smirnov I, Chilikin A, et al. Mutual Augmentation of Spectral Sensing and Machine Learning for Non-Invasive Detection of Apple Fruit Damages[J]. Horticulturae, 2022, 8(12): 1111.

https://doi.org/10.3390/horticulturae8121111

 

编 辑

小王博士在努力

 

扩展阅读

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。