Un método de identificación de plantas invasoras alienígenas basado en imágenes hiperespectrales
Autores: Qiao, Xi; Liu, Xianghuan; Wang, Fukuan; Sun, Zhongyu; Yang, Long; Pu, Xuejiao; Huang, Yiqi; Liu, Shuangyin; Qian, Wanqiang
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un método de identificación de plantas invasoras alienígenas basado en imágenes hiperespectrales
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Plantas exóticas invasoras
Tecnología hiperespectral
Imágenes espectrales
Análisis de componentes principales
Máquinas de vectores de soporte
Bosques aleatorios
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Las plantas invasoras alienígenas (IAPs) se consideran una de las mayores amenazas para la biodiversidad y los ecosistemas globales. Se necesita tecnología de detección oportuna y precisa para identificar estas plantas invasoras, ayudando a mitigar el daño a tierras de cultivo, árboles frutales y bosques. La tecnología hiperespectral tiene el potencial de identificar especies similares. Sin embargo, el desafío sigue siendo identificar simultáneamente múltiples plantas invasoras alienígenas con colores similares basándose en datos de imagen. Las imágenes espectrales fueron recopiladas por una cámara hiperespectral con un rango espectral de 450-998 nm, y los espectros crudos fueron extraídos por el software Cubert. Se utilizaron la primera derivada (FD), el alisado de Savitzky-Golay (SG) y la variante normal estándar (SNV) para preprocesar los datos espectrales crudos, respectivamente. Luego, sobre la base del preprocesamiento, se utilizaron el análisis de componentes principales (PCA) y la optimización de colonias de hormigas (ACO) para la reducción de la dimensionalidad de las características, y las características reducidas se utilizaron como variables de entrada para el modelado posterior. Finalmente, se utilizó una combinación de reducción de dimensionalidad y no reducción de dimensionalidad para la identificación utilizando máquinas de vectores de soporte (SVM) y bosques aleatorios (RF). Para determinar el modelo de reconocimiento óptimo, se probaron un total de 18 combinaciones de diferentes métodos de preprocesamiento, métodos de reducción de dimensionalidad y clasificadores. Los resultados mostraron que una combinación de alisado SG y SVM logró una precisión total (A) del 89.36%, una precisión promedio (AA) del 89.39% y una precisión promedio (AP) del 89.54% con un tiempo de prueba de 0.2639 s. En contraste, la combinación de alisado SG, el ACO y SVM resultó en un rendimiento más débil en términos de A (86.76%), AA (86.99%) y AP (87.22%), pero con menos tiempo de prueba (0.0567 s). Los modelos SG-SVM y SG-ACO-SVM deben ser seleccionados considerando la precisión y el costo de tiempo, respectivamente, para el reconocimiento de las siete IAPs y el fondo en la naturaleza.
Descripción
Las plantas invasoras alienígenas (IAPs) se consideran una de las mayores amenazas para la biodiversidad y los ecosistemas globales. Se necesita tecnología de detección oportuna y precisa para identificar estas plantas invasoras, ayudando a mitigar el daño a tierras de cultivo, árboles frutales y bosques. La tecnología hiperespectral tiene el potencial de identificar especies similares. Sin embargo, el desafío sigue siendo identificar simultáneamente múltiples plantas invasoras alienígenas con colores similares basándose en datos de imagen. Las imágenes espectrales fueron recopiladas por una cámara hiperespectral con un rango espectral de 450-998 nm, y los espectros crudos fueron extraídos por el software Cubert. Se utilizaron la primera derivada (FD), el alisado de Savitzky-Golay (SG) y la variante normal estándar (SNV) para preprocesar los datos espectrales crudos, respectivamente. Luego, sobre la base del preprocesamiento, se utilizaron el análisis de componentes principales (PCA) y la optimización de colonias de hormigas (ACO) para la reducción de la dimensionalidad de las características, y las características reducidas se utilizaron como variables de entrada para el modelado posterior. Finalmente, se utilizó una combinación de reducción de dimensionalidad y no reducción de dimensionalidad para la identificación utilizando máquinas de vectores de soporte (SVM) y bosques aleatorios (RF). Para determinar el modelo de reconocimiento óptimo, se probaron un total de 18 combinaciones de diferentes métodos de preprocesamiento, métodos de reducción de dimensionalidad y clasificadores. Los resultados mostraron que una combinación de alisado SG y SVM logró una precisión total (A) del 89.36%, una precisión promedio (AA) del 89.39% y una precisión promedio (AP) del 89.54% con un tiempo de prueba de 0.2639 s. En contraste, la combinación de alisado SG, el ACO y SVM resultó en un rendimiento más débil en términos de A (86.76%), AA (86.99%) y AP (87.22%), pero con menos tiempo de prueba (0.0567 s). Los modelos SG-SVM y SG-ACO-SVM deben ser seleccionados considerando la precisión y el costo de tiempo, respectivamente, para el reconocimiento de las siete IAPs y el fondo en la naturaleza.