小麦种子分类:利用集成学习方法


发布时间:

2022-04-26

来源:

本站

作者:

PhenoTrait

  小麦品种的识别和鉴定对粮食供应链质量评估至关重要,特别是小麦种子的检验方法。一般情况下,谷物的识别和鉴定是通过视觉手动进行的。基于机器学习和计算机视觉的自动分类技术提供了快速和高通量的解决方案。即便如此,在品种层面上,分类仍然是一个复杂的过程。在本文中,我们利用机器学习方法对小麦种子进行了分类,种子分类是根据7个物理特征进行的:小麦的面积、周长、坚实度、籽粒长度、籽粒宽度、不对称系数和籽粒沟长度。该数据集从UCI库收集,包含来自三个小麦品种Kama、Rosa和Canadian的210个小麦籽粒。在第一阶段,K-近邻(KNN)、决策树(CART)和高斯朴素贝叶斯(NB)用于籽粒分类,所得到的分类结果与机器学习的集成方法进行了比较。结果显示,KNN、CART和NB分类器的分类准确率分别为92%、94%和92%。95%的最高准确率是通过基于投票法的集成分类器实现的。

 

  图1 不同小麦种子品种的计数。

 

  图2 分类过程框图

 

  表1 使用KNN进行小麦籽粒分类的结果

 

  表2 使用CART进行小麦籽粒分类的结果

 

  表3 使用NB进行小麦籽粒分类的结果

 

  表4集合方法中的硬投票

 

  表5采用集成方法进行小麦种子分类的结果

 

  图3 混淆矩阵(KNN)

 

  图4 混淆矩阵(CART)

 

  图5 混淆矩阵(NB)

 

  图6 混淆矩阵(集成方法)

 

  表6 精度、召回率和F1数之间的比较

 

  表7 各分类算法准确率

 

  来源:Khatri A et al, Wheat Seed Classification: Utilizing Ensemble Machine Learning Approach. Hindawi Scientific Programming, Vol. 2022. https://doi.org/10.1155/2022/2626868

 

  编辑:小王博士在努力

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。