Investigación sobre el método de detección de madurez de peras de Korla basado en tecnología hiperespectral
Autores: Liu, Jiale; Meng, Hongbing
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Investigación sobre el método de detección de madurez de peras de Korla basado en tecnología hiperespectral
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Datos espectrales
Técnicas de preprocesamiento
Red neuronal convolucional
Etapas de madurez
Tecnología de imágenes hiperespectrales
Tecnología de agricultura inteligente
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
En este estudio, se utilizó la tecnología de imagen hiperespectral con un rango de longitud de onda de 450 a 1000 nanómetros para recopilar datos espectrales de 160 muestras de peras Korla en diferentes etapas de madurez (inmadura, semimadura, madura y pasada). Para garantizar datos de alta calidad, se emplearon múltiples técnicas de preprocesamiento como la corrección de dispersión multiplicativa (MSC), variante normal estándar (SNV) y normalización. Con base en estos datos preprocesados, se construyó y entrenó un modelo personalizado de red neuronal convolucional (CNN-S) para lograr una clasificación e identificación precisa de las etapas de madurez de las peras Korla. Además, se utilizó un modelo de red neuronal BP para determinar las longitudes de onda características para la evaluación de la madurez basada en las longitudes de onda de las características del contenido de azúcar. Los resultados demostraron que el modelo BP, basado en las longitudes de onda de las características del contenido de azúcar, discriminó eficazmente las etapas de madurez de las peras. Específicamente, las tasas de reconocimiento integrales para los conjuntos de entrenamiento, prueba y validación fueron del 98.5%, 93.5% y 90.5%, respectivamente. Además, la combinación de la tecnología de imagen hiperespectral y el modelo CNN-S personalizado mejoró significativamente el rendimiento de detección de la madurez de las peras. En comparación con los modelos CNN tradicionales, el modelo CNN-S mejoró la precisión del conjunto de pruebas en casi un 10%. Además, el modelo CNN-S superó a las técnicas existentes basadas en análisis discriminante de mínimos cuadrados parciales (PLS-DA) y máquina de vectores de soporte (SVM) en la captura de características de datos hiperespectrales, mostrando una capacidad de generalización y eficiencia de detección superiores. El rendimiento superior de este método en aplicaciones prácticas respalda aún más su potencial en tecnología agrícola inteligente, proporcionando una solución más eficiente y precisa para la detección de la calidad de productos agrícolas. Además, desempeña un papel crucial en el desarrollo de la tecnología agrícola inteligente.
Descripción
En este estudio, se utilizó la tecnología de imagen hiperespectral con un rango de longitud de onda de 450 a 1000 nanómetros para recopilar datos espectrales de 160 muestras de peras Korla en diferentes etapas de madurez (inmadura, semimadura, madura y pasada). Para garantizar datos de alta calidad, se emplearon múltiples técnicas de preprocesamiento como la corrección de dispersión multiplicativa (MSC), variante normal estándar (SNV) y normalización. Con base en estos datos preprocesados, se construyó y entrenó un modelo personalizado de red neuronal convolucional (CNN-S) para lograr una clasificación e identificación precisa de las etapas de madurez de las peras Korla. Además, se utilizó un modelo de red neuronal BP para determinar las longitudes de onda características para la evaluación de la madurez basada en las longitudes de onda de las características del contenido de azúcar. Los resultados demostraron que el modelo BP, basado en las longitudes de onda de las características del contenido de azúcar, discriminó eficazmente las etapas de madurez de las peras. Específicamente, las tasas de reconocimiento integrales para los conjuntos de entrenamiento, prueba y validación fueron del 98.5%, 93.5% y 90.5%, respectivamente. Además, la combinación de la tecnología de imagen hiperespectral y el modelo CNN-S personalizado mejoró significativamente el rendimiento de detección de la madurez de las peras. En comparación con los modelos CNN tradicionales, el modelo CNN-S mejoró la precisión del conjunto de pruebas en casi un 10%. Además, el modelo CNN-S superó a las técnicas existentes basadas en análisis discriminante de mínimos cuadrados parciales (PLS-DA) y máquina de vectores de soporte (SVM) en la captura de características de datos hiperespectrales, mostrando una capacidad de generalización y eficiencia de detección superiores. El rendimiento superior de este método en aplicaciones prácticas respalda aún más su potencial en tecnología agrícola inteligente, proporcionando una solución más eficiente y precisa para la detección de la calidad de productos agrícolas. Además, desempeña un papel crucial en el desarrollo de la tecnología agrícola inteligente.