學(xué)術(shù)中心
利用高光譜成像結(jié)合機(jī)器學(xué)習(xí)估算哈密瓜果實(shí)質(zhì)量屬性和營(yíng)養(yǎng)成分
發(fā)布時(shí)間:
2025-05-07
來源:
作者:
快速、準(zhǔn)確地估算生物量、營(yíng)養(yǎng)成分和糖分有助于高效的植物表型分析和精準(zhǔn)農(nóng)業(yè)管理。高光譜技術(shù)通過光譜反射率實(shí)現(xiàn)了對(duì)哈密瓜(C.melo)葉片和果實(shí)中氮、鉀和蔗糖濃度的快速、非破壞性測(cè)定。使用MobileNet-v3-l模型對(duì)氮和鉀的定量預(yù)測(cè)進(jìn)行了精確評(píng)估,該模型表現(xiàn)出最高的準(zhǔn)確性,R²為0.958,MSE為12.188,MAE為1.519。與最高精度的RGB R²模型相比,MSE降低了21%,MAE降低了16%。同時(shí),ResNet18模型的準(zhǔn)確性最高,R²為0.921,MSE為16.246,MAE為1.851。與最高精度的RGB R²模型相比,鉀模型的MSE增加了85%,MAE增加了8%。在蔗糖模型中,RegNet-y-8gf模型的準(zhǔn)確性最高,R²為0.958,MSE為8.776,MAE為1.707。此外,在還原糖模型中,使用RGB高光譜成像的ResNet18模型準(zhǔn)確性最高,R²為0.936,MSE為0.517,MAE為0.471。本研究表明,在自然光條件下通過近距離測(cè)量直接應(yīng)用高光譜成像技術(shù)(HSI)預(yù)測(cè)哈密瓜收獲時(shí)間具有潛力。
圖1 U2²Net網(wǎng)絡(luò)結(jié)構(gòu)。
圖2 網(wǎng)紋哈密瓜葉片和果實(shí)圖像標(biāo)注:(A) 葉片原始RGB圖像;(B) 葉片圖像標(biāo)注;(C) 葉片分割圖像;(D) 果實(shí)原始RGB圖像;(E) 果實(shí)圖像標(biāo)注;(F) 果實(shí)分割圖像。
圖3 SPA波段選擇結(jié)果。
圖4 水培營(yíng)養(yǎng)與氮/鉀肥料施用對(duì)哈密瓜品種相對(duì)鮮重和干重的影響。處理組(T1、T2 和 T3)與對(duì)照組(CK)相比存在顯著差異。數(shù)據(jù)表示三次重復(fù)實(shí)驗(yàn)的平均值及標(biāo)準(zhǔn)誤(S.E.)。
圖5 不同氮/鉀處理下哈密瓜品種相對(duì)果重的交互作用效應(yīng)。
圖6 哈密瓜果實(shí)發(fā)育過程中,不同氮/鉀肥料水平下蔗糖、葡萄糖和果糖濃度(mg g?¹)的動(dòng)態(tài)變化:誤差條表示三次重復(fù)實(shí)驗(yàn)的標(biāo)準(zhǔn)偏差。
圖7 不同哈密瓜品種在從幼苗期到果實(shí)成熟期的氮(N)和鉀(K)濃度(mg)動(dòng)態(tài)變化,響應(yīng)四種氮/鉀肥料水平:誤差條表示三次重復(fù)實(shí)驗(yàn)的標(biāo)準(zhǔn)偏差。
圖8 (A) EfficientNet-v2-s模型的訓(xùn)練結(jié)果;(B) EfficientNet-v2-s模型的訓(xùn)練損失曲線;(C) EfficientNet-v2-s模型的訓(xùn)練R²曲線;(D) ShuffleNet-v2-2.0模型的訓(xùn)練結(jié)果;(E) ShuffleNet-v2-2.0模型的訓(xùn)練損失曲線;(F) ShuffleNet-v2-2.0模型的訓(xùn)練R²曲線。
圖9 (A) ResNet18模型的訓(xùn)練結(jié)果;(B) ResNet18模型的訓(xùn)練損失曲線;(C) ResNet18模型的訓(xùn)練R²曲線;(D) ResNet18模型的訓(xùn)練結(jié)果;(E) ResNet18模型的訓(xùn)練損失曲線;(F) ResNet18模型的訓(xùn)練R²曲線。
圖10 RegNet-y-8gf模型的訓(xùn)練和測(cè)試結(jié)果:(A) RegNet-y-8gf模型的訓(xùn)練結(jié)果;(B) RegNet-y-8gf模型的訓(xùn)練損失曲線;(C) RegNet-y-8gf模型的訓(xùn)練R²曲線;ResNet18模型的訓(xùn)練和測(cè)試結(jié)果:(D) ResNet18模型的訓(xùn)練結(jié)果;(E) ResNet18模型的訓(xùn)練損失曲線;(F) ResNet18模型的訓(xùn)練R²曲線。
圖11 SqueezeNet-1.0模型的訓(xùn)練和測(cè)試結(jié)果:(A) SqueezeNet-1.0模型的訓(xùn)練結(jié)果;(B) SqueezeNet-1.0模型的訓(xùn)練損失曲線;(C) SqueezeNet-1.0模型的訓(xùn)練R²曲線;(D) SqueezeNet-1.0模型的訓(xùn)練結(jié)果;(E) SqueezeNet-1.0模型的訓(xùn)練損失曲線;(F) SqueezeNet-1.0模型的訓(xùn)練R²曲線。
Shah I H, Jinhui W, Ding X, et al. A non‐destructive approach: Estimation of melon Fruit quality attributes and nutrients using hyperspectral imaging coupled with machine learning[J]. Smart Agricultural Technology, 2025: 100811.
編輯
王永賢
推薦新聞
石時(shí)之約|韓志國(guó):透過表型數(shù)據(jù),看見植物的喜怒哀樂!
高通量植物表型平臺(tái)建設(shè)注意事項(xiàng)
視頻展示