Determinación de índices de calidad interna en melón oriental utilizando imagen hiperespectral tipo instantánea y modelo de aprendizaje automático
Autores: Cho, Byeong-Hyo; Lee, Ki-Beom; Hong, Youngki; Kim, Kyoung-Chul
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Determinación de índices de calidad interna en melón oriental utilizando imagen hiperespectral tipo instantánea y modelo de aprendizaje automático
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Modelo de predicción
Concentración de soluciones sólidas
Contenido de humedad
Melón oriental
Imágenes hiperespectrales
Modelo de aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
En este estudio, nos propusimos desarrollar un modelo de predicción de la concentración de soluciones sólidas (SSC) y el contenido de humedad (MC) en melón oriental con imágenes hiperespectrales de tipo instantáneo (Visible (VIS): 460-600 nm, 16 bandas; Rojo-Infrarrojo cercano (Rojo-NIR): 600-860 nm, 15 bandas) utilizando un modelo de aprendizaje automático. Los melones orientales fueron cultivados en un invernadero hidropónico, República de Corea, y se utilizaron un total de 91 melones orientales cosechados de marzo a abril de 2022 como muestras. El SSC y el MC de los melones orientales se midieron utilizando métodos destructivos después de tomar imágenes hiperespectrales de los melones orientales. El espectro de reflectancia obtenido de las imágenes hiperespectrales fue procesado por el método de variante normal estándar (SNV). Los puntajes de importancia de variables en proyección (VIP) se utilizaron para seleccionar las bandas relacionadas con el SSC y el MC. Como resultado, se seleccionaron diez (609, 736, 561, 849, 818, 489, 754, 526, 683 y 597 nm) y seis (609, 736, 561, 818, 849 y 489 nm) bandas para el SSC y el MC, respectivamente. Se utilizaron cuatro modelos de aprendizaje automático, regresión de vectores de soporte (SVR), regresión de ridge (RR), regresión de vecinos más cercanos (K-NNR) y regresión de bosque aleatorio (RFR), para desarrollar modelos para predecir el SSC y el MC, y se compararon sus rendimientos. El SVR mostró el mejor rendimiento para predecir tanto el SSC como el MC de los melones orientales. El modelo SVR logró una precisión relativamente alta con valores de R de 0.86 y 0.74 y valores de RMSE de 1.06 y 1.05 para el SSC y el MC, respectivamente. Sin embargo, será necesario llevar a cabo más experimentos bajo diversas condiciones, como diferentes madureces de frutas y fuentes de luz y entornos variables, para lograr predicciones más completas y aplicarlas a robots de monitoreo en el futuro. No obstante, se considera que las imágenes hiperespectrales de tipo instantáneo ayudadas por SVR serían una herramienta útil para predecir el SSC y el MC del melón oriental. Además, si el modelo de clasificación de madurez para el melón oriental se puede aplicar a los campos, podría conducir a menos trabajo y resultar en una producción de melón oriental de alta calidad.
Descripción
En este estudio, nos propusimos desarrollar un modelo de predicción de la concentración de soluciones sólidas (SSC) y el contenido de humedad (MC) en melón oriental con imágenes hiperespectrales de tipo instantáneo (Visible (VIS): 460-600 nm, 16 bandas; Rojo-Infrarrojo cercano (Rojo-NIR): 600-860 nm, 15 bandas) utilizando un modelo de aprendizaje automático. Los melones orientales fueron cultivados en un invernadero hidropónico, República de Corea, y se utilizaron un total de 91 melones orientales cosechados de marzo a abril de 2022 como muestras. El SSC y el MC de los melones orientales se midieron utilizando métodos destructivos después de tomar imágenes hiperespectrales de los melones orientales. El espectro de reflectancia obtenido de las imágenes hiperespectrales fue procesado por el método de variante normal estándar (SNV). Los puntajes de importancia de variables en proyección (VIP) se utilizaron para seleccionar las bandas relacionadas con el SSC y el MC. Como resultado, se seleccionaron diez (609, 736, 561, 849, 818, 489, 754, 526, 683 y 597 nm) y seis (609, 736, 561, 818, 849 y 489 nm) bandas para el SSC y el MC, respectivamente. Se utilizaron cuatro modelos de aprendizaje automático, regresión de vectores de soporte (SVR), regresión de ridge (RR), regresión de vecinos más cercanos (K-NNR) y regresión de bosque aleatorio (RFR), para desarrollar modelos para predecir el SSC y el MC, y se compararon sus rendimientos. El SVR mostró el mejor rendimiento para predecir tanto el SSC como el MC de los melones orientales. El modelo SVR logró una precisión relativamente alta con valores de R de 0.86 y 0.74 y valores de RMSE de 1.06 y 1.05 para el SSC y el MC, respectivamente. Sin embargo, será necesario llevar a cabo más experimentos bajo diversas condiciones, como diferentes madureces de frutas y fuentes de luz y entornos variables, para lograr predicciones más completas y aplicarlas a robots de monitoreo en el futuro. No obstante, se considera que las imágenes hiperespectrales de tipo instantáneo ayudadas por SVR serían una herramienta útil para predecir el SSC y el MC del melón oriental. Además, si el modelo de clasificación de madurez para el melón oriental se puede aplicar a los campos, podría conducir a menos trabajo y resultar en una producción de melón oriental de alta calidad.