Detección no destructiva de perforadores de tallos de lichi utilizando fusión de datos de múltiples sensores
Autores: Zhao, Zikun; Xu, Sai; Lu, Huazhong; Liang, Xin; Feng, Hongli; Li, Wenjing
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Detección no destructiva de perforadores de tallos de lichi utilizando fusión de datos de múltiples sensores
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Mejorar
Evaluación de calidad de lichi
Enfoque de fusión de múltiples fuentes
Imágenes hiperespectrales
Imágenes de rayos X
Espectroscopía visible/infrarroja cercana
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Para mejorar la evaluación de la calidad del lichi y abordar las inconsistencias en la detección de plagas en postcosecha, este estudio presenta un enfoque de fusión de múltiples fuentes que combina imágenes hiperespectrales, imágenes de rayos X y espectroscopia visible/cercana al infrarrojo (Vis/NIR). Los métodos tradicionales de un solo sensor tienen limitaciones en la detección de daños por plagas, especialmente en lichis con pieles complejas, ya que a menudo no logran capturar las características tanto externas como internas de la fruta. Al integrar múltiples sensores, nuestro enfoque supera estas limitaciones, ofreciendo un sistema de detección más preciso y robusto. Se observaron diferencias significativas entre lichis libres de plagas e infestados. Los lichis libres de plagas mostraron una mayor dureza, azúcares solubles (11% más en la pulpa, 7% más en la cáscara), vitamina C (50% más en la pulpa, 2% más en la cáscara), polifenoles, antocianinas y valores ORAC (26%, 9% y 14% más altos, respectivamente). Los datos Vis/NIR procesados con SG+SNV+CARS produjeron un modelo de regresión de mínimos cuadrados parciales (PLSR) con un R de 0.82, un RMSE de 0.18 y una precisión del 89.22%. El modelo hiperespectral, utilizando SG+MSC+SPA, logró un R de 0.69, un RMSE de 0.23 y una precisión del 81.74%, mientras que el método de rayos X con regresión de vector de soporte (SVR) alcanzó un R de 0.69, un RMSE de 0.22 y una precisión del 76.25%. A través de la fusión a nivel de características, la Eliminación Recursiva de Características con Validación Cruzada (RFECV) y la reducción de dimensionalidad utilizando PCA, optimizamos hiperparámetros y desarrollamos un modelo de Bosque Aleatorio. Este modelo logró una precisión del 92.39% en la detección de plagas, superando a los métodos individuales en un 3.17%, 10.25% y 16.14%, respectivamente. El enfoque de fusión de múltiples fuentes también mejoró la precisión general en un 4.79%, destacando el papel crítico de la fusión de sensores en la mejora de la detección de plagas y en el apoyo al desarrollo de sistemas automatizados no destructivos para la detección del barrenador del tallo del lichi.
Descripción
Para mejorar la evaluación de la calidad del lichi y abordar las inconsistencias en la detección de plagas en postcosecha, este estudio presenta un enfoque de fusión de múltiples fuentes que combina imágenes hiperespectrales, imágenes de rayos X y espectroscopia visible/cercana al infrarrojo (Vis/NIR). Los métodos tradicionales de un solo sensor tienen limitaciones en la detección de daños por plagas, especialmente en lichis con pieles complejas, ya que a menudo no logran capturar las características tanto externas como internas de la fruta. Al integrar múltiples sensores, nuestro enfoque supera estas limitaciones, ofreciendo un sistema de detección más preciso y robusto. Se observaron diferencias significativas entre lichis libres de plagas e infestados. Los lichis libres de plagas mostraron una mayor dureza, azúcares solubles (11% más en la pulpa, 7% más en la cáscara), vitamina C (50% más en la pulpa, 2% más en la cáscara), polifenoles, antocianinas y valores ORAC (26%, 9% y 14% más altos, respectivamente). Los datos Vis/NIR procesados con SG+SNV+CARS produjeron un modelo de regresión de mínimos cuadrados parciales (PLSR) con un R de 0.82, un RMSE de 0.18 y una precisión del 89.22%. El modelo hiperespectral, utilizando SG+MSC+SPA, logró un R de 0.69, un RMSE de 0.23 y una precisión del 81.74%, mientras que el método de rayos X con regresión de vector de soporte (SVR) alcanzó un R de 0.69, un RMSE de 0.22 y una precisión del 76.25%. A través de la fusión a nivel de características, la Eliminación Recursiva de Características con Validación Cruzada (RFECV) y la reducción de dimensionalidad utilizando PCA, optimizamos hiperparámetros y desarrollamos un modelo de Bosque Aleatorio. Este modelo logró una precisión del 92.39% en la detección de plagas, superando a los métodos individuales en un 3.17%, 10.25% y 16.14%, respectivamente. El enfoque de fusión de múltiples fuentes también mejoró la precisión general en un 4.79%, destacando el papel crítico de la fusión de sensores en la mejora de la detección de plagas y en el apoyo al desarrollo de sistemas automatizados no destructivos para la detección del barrenador del tallo del lichi.