利用高光谱成像和机器学习增强油菜籽成熟度分类

菜籽油是一种重要的油料作物，面临着不断增长的全球需求，由于开花不同步，在实现均匀种子成熟度方面面临着重大挑战。传统的成熟度评估方法因其破坏性而受到限制。高光谱成像 (HSI) 通过使用空间和光谱数据对作物成熟度进行准确分类，提供了一种非破坏性、高效的解决方案。HSI 技术的进步为提高油菜籽质量和育种研究提供了机会，满足了对更有效的成熟度分类方法的需求。

2024年1月，Plant Phenomics 发表了题为“利用高光谱图像结合机器学习对油菜籽进行成熟度分类”的研究文章。

本研究采用HSI技术对油菜籽的光谱特征进行分析并对成熟度进行分级。光谱数据经过各种预处理方法，包括 Savitzky-Golay (SG) 平滑、标准正态变量 (SNV)、去趋势和导数(D1st、D2nd)，通过降低噪声和强调相关光谱特征以达到成熟度来提高数据质量分类。

分析揭示了油菜籽不同成熟阶段的不同光谱模式，特别是在 420-982 nm 波长范围内，其中完全成熟阶段与绿色和黄色阶段的差异越来越大，特别是在 720 nm 之外。

利用整个波长范围的建模分析揭示了各种预处理方法和分类算法(包括极限学习机 (ELM) 和支持向量机 (SVM))在准确度和精度方面的显着差异。

使用预处理光谱数据的模型通常优于使用原始数据的模型，D2nd 和 SG+D1st 等组合实现了 92% 以上的高预测精度。特征波长选择通过识别对成熟度分类至关重要的关键波长来进一步完善模型，并使用 CARS 和 IVISSA-SPA 算法提取最有效的波长以进行准确的成熟度预测。

随后基于选定特征波长的分类模型展现了卓越的性能，D2nd-IVISSA-SPA-SVM 实现了令人印象深刻的 97.86% 的准确率。这种方法有效地解决了数据冗余问题，并强调了选择最佳特征波长对于开发稳健的成熟度分类模型的重要性。

该研究强调了集成 HSI 技术、预处理方法和机器学习算法在油菜成熟度无损评估方面的巨大潜力。这种集成有望推动该领域的未来进步。