Un enfoque novedoso para la clasificación de piñones: combinando espectroscopia de infrarrojo cercano y características de forma de imagen con aprendizaje de conjunto basado en votación suave
Autores: Yu, Yueyun; Huang, Xin; Lv, Danjv; Ng, Benjamin K.; Lam, Chan-Tong
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un enfoque novedoso para la clasificación de piñones: combinando espectroscopia de infrarrojo cercano y características de forma de imagen con aprendizaje de conjunto basado en votación suave
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Piñones
Algoritmo de selección de características espectrales NIR
IBiEO-SP
Precisión de clasificación
Métodos de preprocesamiento espectral
Sinergia de datos multimodales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
Los piñones tienen un valor económico significativo debido a su rica proteína vegetal y grasas saludables, sin embargo, la clasificación precisa de variedades ha sido durante mucho tiempo obstaculizada por las limitaciones de las técnicas tradicionales como el análisis químico y la visión artificial. Este estudio propone un novedoso algoritmo de selección de características espectrales de infrarrojo cercano (NIR), denominado optimizador de equilibrio binario mejorado con probabilidad de selección (IBiEO-SP), que incorpora un mecanismo de ajuste dinámico de probabilidad para lograr una reducción eficiente de la dimensionalidad de las características. La validación experimental en un conjunto de datos que comprende siete variedades de piñones demostró que, en comparación con la optimización de enjambre de partículas (PSO) y el algoritmo genético (GA), el algoritmo IBiEO-SP mejoró la precisión promedio de clasificación en un 5.7% (<0.01, prueba t de Student) bajo cuatro métodos de preprocesamiento espectral (MSC, SNV, SG1 y SG2). Notablemente, solo se necesitaron 2-3 características para lograr un rendimiento óptimo (MSC + bosque aleatorio: precisión del 99.05%, F1 del 100%; SNV + KNN: precisión del 97.14%, F1 del 100%). Además, se propuso una estrategia de sinergia de datos multimodal que integra la espectroscopia NIR con características morfológicas, y se construyó un modelo de clasificación utilizando un conjunto de votación suave. La precisión final de la clasificación alcanzó el 99.95%, lo que representa una mejora del 2.9% sobre el análisis de un solo modo espectral. Los resultados indican que el algoritmo IBiEO-SP equilibra de manera efectiva el poder discriminativo de las características y las necesidades de generalización del modelo, superando la contradicción entre la redundancia de datos de alta dimensión y la pérdida de información de baja dimensión. Este trabajo proporciona una solución de alta precisión y baja complejidad para la detección rápida de calidad de piñones, con amplias implicaciones para la inspección de productos agrícolas y la seguridad alimentaria.
Descripción
Los piñones tienen un valor económico significativo debido a su rica proteína vegetal y grasas saludables, sin embargo, la clasificación precisa de variedades ha sido durante mucho tiempo obstaculizada por las limitaciones de las técnicas tradicionales como el análisis químico y la visión artificial. Este estudio propone un novedoso algoritmo de selección de características espectrales de infrarrojo cercano (NIR), denominado optimizador de equilibrio binario mejorado con probabilidad de selección (IBiEO-SP), que incorpora un mecanismo de ajuste dinámico de probabilidad para lograr una reducción eficiente de la dimensionalidad de las características. La validación experimental en un conjunto de datos que comprende siete variedades de piñones demostró que, en comparación con la optimización de enjambre de partículas (PSO) y el algoritmo genético (GA), el algoritmo IBiEO-SP mejoró la precisión promedio de clasificación en un 5.7% (<0.01, prueba t de Student) bajo cuatro métodos de preprocesamiento espectral (MSC, SNV, SG1 y SG2). Notablemente, solo se necesitaron 2-3 características para lograr un rendimiento óptimo (MSC + bosque aleatorio: precisión del 99.05%, F1 del 100%; SNV + KNN: precisión del 97.14%, F1 del 100%). Además, se propuso una estrategia de sinergia de datos multimodal que integra la espectroscopia NIR con características morfológicas, y se construyó un modelo de clasificación utilizando un conjunto de votación suave. La precisión final de la clasificación alcanzó el 99.95%, lo que representa una mejora del 2.9% sobre el análisis de un solo modo espectral. Los resultados indican que el algoritmo IBiEO-SP equilibra de manera efectiva el poder discriminativo de las características y las necesidades de generalización del modelo, superando la contradicción entre la redundancia de datos de alta dimensión y la pérdida de información de baja dimensión. Este trabajo proporciona una solución de alta precisión y baja complejidad para la detección rápida de calidad de piñones, con amplias implicaciones para la inspección de productos agrícolas y la seguridad alimentaria.