基于田间条件下的动态高光谱成像和机器学习对于葡萄品种分类的研究

众所周知，高光谱成像在数量和质量方面带来了更丰富的数据，但是这一特性也带来了巨大负担：高光谱采集所蕴含的大量数据。因此，高效而智能的数据分析必不可少。

01

葡萄品种分类是葡萄栽培和葡萄酒业的重要植物表型问题，通常是在实验室条件下通过破坏技术，如传统的电泳和DNA分析来完成的。

本文利用高光谱成像技术和不同的机器学习算法，提出了一种在田间条件下对大量葡萄品种进行分类的新方法。在自然光照下，使用高光谱相机以5km/h的速度安装在All-terrain vehicle上进行动态成像。

(A)All-terrain vehicle中移动高光谱成像垂直拍摄位于西班牙拉里奥哈(La Rioja）Logro?o的葡萄园。在受太阳照射的冠层侧以5km/h的速度进行光谱采集。

(B)二维高光谱图像的构建通过push broom来进行，葡萄园顶部的垂直线信息被线扫相机获取。因此，图像的构图是由该扫描线以恒定速度拖动执行。

02

我们在30个不同品种的树冠上采集了两个不同叶片物候阶段的光谱信息。总共生成了1200个光谱样本。

每幅m×n高光谱图像逐列处理。对于每一列i，每个像素(光谱)与标注叶片光谱进行比较，若超过某一规定阈值，则标记为叶片像素。然后，对列i中的所有叶子像素求平均值。

03

采用支持向量机（SVM）和人工神经网络（多层感知器，MLP）开发了大量模型，测试了不同的算法参数和光谱预处理技术。两种分类器均获得了极好的性能表现。

统计分析表明，支持向量机的最佳核函数是线性核，MLP的最佳激活函数是双曲正切函数。预测 MLP单个品种的性能范围为0.94至0.99之间，变化较小；在支持向量机的情况下，获得的变化略高，单个品种的差异在0.83至0.97之间。

从光谱数据集(输入)，应用各种预处理技术的不同组合，使用两种机器学习算法建模，并通过几个5-fold重复进行验证。最后,评估了三种性能统计数据。

这些结果使得在田间部署一种能够成功分类不同葡萄品种叶片的动态高光谱成像系统成为可能。因此该技术可以被认为是在田间条件下进行植物表型鉴定的一种新的有用的非破坏性工具。

本研究基于高光谱成像在田间条件下，通过机器学习展示了对多个葡萄品种进行分类的真实表现(高光谱过去多在实验室环境和少样本条件下)。结果表明可以将高光谱成像搭载到农用车辆上对葡萄品种进行实时分类，为植物表型和葡萄高产栽培提供极有价值的信息。

责任编辑：xj

原文标题：基于田间条件下的动态高光谱成像和机器学习对于葡萄品种分类的研究

文章出处：【微信公众号：新机器视觉】欢迎添加关注！文章转载请注明出处。