眾所周知，高光譜成像在數(shù)量和質(zhì)量方面帶來(lái)了更豐富的數(shù)據(jù)，但是這一特性也帶來(lái)了巨大負(fù)擔(dān)：高光譜采集所蘊(yùn)含的大量數(shù)據(jù)。因此，高效而智能的數(shù)據(jù)分析必不可少。

01

葡萄品種分類是葡萄栽培和葡萄酒業(yè)的重要植物表型問(wèn)題，通常是在實(shí)驗(yàn)室條件下通過(guò)破壞技術(shù)，如傳統(tǒng)的電泳和DNA分析來(lái)完成的。

本文利用高光譜成像技術(shù)和不同的機(jī)器學(xué)習(xí)算法，提出了一種在田間條件下對(duì)大量葡萄品種進(jìn)行分類的新方法。在自然光照下，使用高光譜相機(jī)以5km/h的速度安裝在All-terrain vehicle上進(jìn)行動(dòng)態(tài)成像。

(A)All-terrain vehicle中移動(dòng)高光譜成像垂直拍攝位于西班牙拉里奧哈(La Rioja）Logro?o的葡萄園。在受太陽(yáng)照射的冠層側(cè)以5km/h的速度進(jìn)行光譜采集。

(B)二維高光譜圖像的構(gòu)建通過(guò)push broom來(lái)進(jìn)行，葡萄園頂部的垂直線信息被線掃相機(jī)獲取。因此，圖像的構(gòu)圖是由該掃描線以恒定速度拖動(dòng)執(zhí)行。

02

我們?cè)?0個(gè)不同品種的樹冠上采集了兩個(gè)不同葉片物候階段的光譜信息。總共生成了1200個(gè)光譜樣本。

每幅m×n高光譜圖像逐列處理。對(duì)于每一列i，每個(gè)像素(光譜)與標(biāo)注葉片光譜進(jìn)行比較，若超過(guò)某一規(guī)定閾值，則標(biāo)記為葉片像素。然后，對(duì)列i中的所有葉子像素求平均值。

03

采用支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（多層感知器，MLP）開發(fā)了大量模型，測(cè)試了不同的算法參數(shù)和光譜預(yù)處理技術(shù)。兩種分類器均獲得了極好的性能表現(xiàn)。

統(tǒng)計(jì)分析表明，支持向量機(jī)的最佳核函數(shù)是線性核，MLP的最佳激活函數(shù)是雙曲正切函數(shù)。預(yù)測(cè) MLP單個(gè)品種的性能范圍為0.94至0.99之間，變化較?。辉谥С窒蛄繖C(jī)的情況下，獲得的變化略高，單個(gè)品種的差異在0.83至0.97之間。

從光譜數(shù)據(jù)集(輸入)，應(yīng)用各種預(yù)處理技術(shù)的不同組合，使用兩種機(jī)器學(xué)習(xí)算法建模，并通過(guò)幾個(gè)5-fold重復(fù)進(jìn)行驗(yàn)證。最后,評(píng)估了三種性能統(tǒng)計(jì)數(shù)據(jù)。

這些結(jié)果使得在田間部署一種能夠成功分類不同葡萄品種葉片的動(dòng)態(tài)高光譜成像系統(tǒng)成為可能。因此該技術(shù)可以被認(rèn)為是在田間條件下進(jìn)行植物表型鑒定的一種新的有用的非破壞性工具。

本研究基于高光譜成像在田間條件下，通過(guò)機(jī)器學(xué)習(xí)展示了對(duì)多個(gè)葡萄品種進(jìn)行分類的真實(shí)表現(xiàn)(高光譜過(guò)去多在實(shí)驗(yàn)室環(huán)境和少樣本條件下)。結(jié)果表明可以將高光譜成像搭載到農(nóng)用車輛上對(duì)葡萄品種進(jìn)行實(shí)時(shí)分類，為植物表型和葡萄高產(chǎn)栽培提供極有價(jià)值的信息。

責(zé)任編輯：xj

原文標(biāo)題：基于田間條件下的動(dòng)態(tài)高光譜成像和機(jī)器學(xué)習(xí)對(duì)于葡萄品種分類的研究

文章出處：【微信公眾號(hào)：新機(jī)器視覺(jué)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。