Identificación de autenticidad en muestras pequeñas y clasificación de variedades de (Wall.) Lindl. utilizando imágenes hiperespectrales y aprendizaje automático
Autores: Xu, Yiqing; Ding, Haoyuan; Zhang, Tingsong; Wang, Zhangting; Wang, Hongzhen; Zhou, Lu; Dai, Yujia; Liu, Ziyuan
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Identificación de autenticidad en muestras pequeñas y clasificación de variedades de (Wall.) Lindl. utilizando imágenes hiperespectrales y aprendizaje automático
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Imágenes hiperespectrales
Aprendizaje automático
Identificación de autenticidad
Especies falsificadas
Modelo SVM
Datos espectrales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Este estudio tiene como objetivo utilizar la tecnología de imágenes hiperespectrales combinada con métodos de aprendizaje automático para la identificación y clasificación de la autenticidad de Goldthread y sus especies falsificadas. Se recopilaron datos hiperespectrales de las hojas frontales y traseras de nueve especies de Goldthread y dos especies falsificadas (Bloodleaf y Spotted-leaf), seguidos de la clasificación utilizando una variedad de modelos de aprendizaje automático, incluidos Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Random Forest (RF), Linear Discriminant Analysis (LDA) y Convolutional Neural Networks (CNN). Los resultados experimentales demostraron que el modelo SVM logró una precisión de clasificación del 100% para distinguir Goldthread de sus especies falsificadas, capturando efectivamente las diferencias espectrales entre las hojas frontales y traseras. En contraste, los modelos de aprendizaje automático tradicionales mostraron un rendimiento variado, siendo SVM superior debido a su capacidad para manejar espacios de características de alta dimensión. La introducción de un modelo CNN de fusión espectral de múltiples vistas, que integra datos espectrales de ambas hojas, mejoró aún más la precisión de clasificación, logrando una tasa de clasificación perfecta del 100%. Este enfoque destaca el potencial de la imagen hiperespectral y el aprendizaje automático en la identificación de la autenticidad de las plantas y proporciona una nueva perspectiva para la detección de especies falsificadas.
Descripción
Este estudio tiene como objetivo utilizar la tecnología de imágenes hiperespectrales combinada con métodos de aprendizaje automático para la identificación y clasificación de la autenticidad de Goldthread y sus especies falsificadas. Se recopilaron datos hiperespectrales de las hojas frontales y traseras de nueve especies de Goldthread y dos especies falsificadas (Bloodleaf y Spotted-leaf), seguidos de la clasificación utilizando una variedad de modelos de aprendizaje automático, incluidos Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Random Forest (RF), Linear Discriminant Analysis (LDA) y Convolutional Neural Networks (CNN). Los resultados experimentales demostraron que el modelo SVM logró una precisión de clasificación del 100% para distinguir Goldthread de sus especies falsificadas, capturando efectivamente las diferencias espectrales entre las hojas frontales y traseras. En contraste, los modelos de aprendizaje automático tradicionales mostraron un rendimiento variado, siendo SVM superior debido a su capacidad para manejar espacios de características de alta dimensión. La introducción de un modelo CNN de fusión espectral de múltiples vistas, que integra datos espectrales de ambas hojas, mejoró aún más la precisión de clasificación, logrando una tasa de clasificación perfecta del 100%. Este enfoque destaca el potencial de la imagen hiperespectral y el aprendizaje automático en la identificación de la autenticidad de las plantas y proporciona una nueva perspectiva para la detección de especies falsificadas.