Detección temprana y evaluación dinámica de la sarna de la batata basadas en imágenes hiperespectrales
Autores: Ning, Xiaosong; Xia, Qiyao; Tang, Fajiang; Ding, Ziyu; Ding, Xiawei; Zeng, Fanguo; Wang, Zhangying; Zou, Hongda; Yue, Xuejun; Huang, Lifei
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Detección temprana y evaluación dinámica de la sarna de la batata basadas en imágenes hiperespectrales
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Sarro de la papa dulce
Imágenes hiperespectrales
Técnicas de aprendizaje automático
Detección de enfermedades
Datos espectrales-temporales
Modelos de clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Este estudio investiga la detección temprana de la sarna de la batata mediante el uso de imágenes hiperespectrales y técnicas de aprendizaje automático. El enfoque de la investigación se centra en desarrollar un enfoque preciso, económico y no destructivo para la detección y clasificación de enfermedades. Los experimentos de imágenes hiperespectrales se realizaron en dos variedades de batata: Guangshu 87 (resistente) y Guicaishu 2 (susceptible). El preprocesamiento de datos incluyó la eliminación de ruido, la selección de la región de interés (ROI) y la extracción del espectro promedio, seguido de la reducción de dimensionalidad mediante análisis de componentes principales (PCA) y selección de características de random forest (RF). Se introdujo un novedoso método de clasificación dinámica basado en datos espectrales-temporales para clasificar las etapas tempranas de la enfermedad, incluidos los períodos de latencia temprana y de levedad temprana. Este método identificó cambios espectrales temporales significativos, lo que permitió un refinado marco de clasificación de enfermedades. Se identificaron bandas espectrales clave asociadas con la sarna de la batata en el rango del infrarrojo cercano, incluyendo 801.8 nm, 769.8 nm, 898.5 nm, 796.4 nm y 780.5 nm. Se construyeron modelos de clasificación, incluidos el vecino más cercano (KNN), la máquina de vectores de soporte (SVM) y el análisis discriminante lineal (LDA), para evaluar la efectividad de las características espectrales. Entre estos modelos de clasificación, el modelo MSC-PCA-SVM demostró el mejor rendimiento. Específicamente, el Modelo de Clasificación de Enfermedades de Variedades Susceptibles logró una precisión general (OA) del 98.65%, mientras que el Modelo de Clasificación de Enfermedades de Variedades Combinadas alcanzó un OA del 95.38%. Los resultados resaltan el potencial de la imagen hiperespectral para la detección temprana de enfermedades, especialmente para el monitoreo no destructivo de variedades de batata resistentes y susceptibles. Este estudio proporciona un método práctico para la clasificación temprana de la sarna de la batata, y la investigación futura podría centrarse en el monitoreo en tiempo real de enfermedades para mejorar la gestión de los cultivos de batata.
Descripción
Este estudio investiga la detección temprana de la sarna de la batata mediante el uso de imágenes hiperespectrales y técnicas de aprendizaje automático. El enfoque de la investigación se centra en desarrollar un enfoque preciso, económico y no destructivo para la detección y clasificación de enfermedades. Los experimentos de imágenes hiperespectrales se realizaron en dos variedades de batata: Guangshu 87 (resistente) y Guicaishu 2 (susceptible). El preprocesamiento de datos incluyó la eliminación de ruido, la selección de la región de interés (ROI) y la extracción del espectro promedio, seguido de la reducción de dimensionalidad mediante análisis de componentes principales (PCA) y selección de características de random forest (RF). Se introdujo un novedoso método de clasificación dinámica basado en datos espectrales-temporales para clasificar las etapas tempranas de la enfermedad, incluidos los períodos de latencia temprana y de levedad temprana. Este método identificó cambios espectrales temporales significativos, lo que permitió un refinado marco de clasificación de enfermedades. Se identificaron bandas espectrales clave asociadas con la sarna de la batata en el rango del infrarrojo cercano, incluyendo 801.8 nm, 769.8 nm, 898.5 nm, 796.4 nm y 780.5 nm. Se construyeron modelos de clasificación, incluidos el vecino más cercano (KNN), la máquina de vectores de soporte (SVM) y el análisis discriminante lineal (LDA), para evaluar la efectividad de las características espectrales. Entre estos modelos de clasificación, el modelo MSC-PCA-SVM demostró el mejor rendimiento. Específicamente, el Modelo de Clasificación de Enfermedades de Variedades Susceptibles logró una precisión general (OA) del 98.65%, mientras que el Modelo de Clasificación de Enfermedades de Variedades Combinadas alcanzó un OA del 95.38%. Los resultados resaltan el potencial de la imagen hiperespectral para la detección temprana de enfermedades, especialmente para el monitoreo no destructivo de variedades de batata resistentes y susceptibles. Este estudio proporciona un método práctico para la clasificación temprana de la sarna de la batata, y la investigación futura podría centrarse en el monitoreo en tiempo real de enfermedades para mejorar la gestión de los cultivos de batata.