四川广泰科技有限公司

田间条件下动态光谱成像结合机器学习实现葡萄品种自动分类

发表时间：2023-09-04 09:14

葡萄的品种识别是葡萄在栽培和价格方面的关键特征，也影响着葡萄酒的定价。葡萄品种分类也是葡萄种植和葡萄酒行业中最重要植物表型难题。过去通常是通过安培成像和实验室条件下的DNA分析等破坏性技术完成品种识别的。

本文研究的是在农业小车上安装高光谱成像设备，在田间自然条件下对葡萄进行移动高光谱成像。基于两个不同的物候期的成像数据，通过大量的光谱预处理和训练MLP/SVM两种分类模型，再结合RECALL/F1-score/AUC三种性能参数进行测试和统计分析，以评估不同参数的影响，获得机器学习分类器的最佳参数配置。

高光谱移动成像

设备参数：

相机覆盖了400~1000nm的光谱范围，光谱分辨率为2.1nm（300波段），空间分辨率为900像素。焦距为8mm的物镜，视场FOV为36.5°，并在10：00-12：00自然光照下对树冠侧垂直高度1.32m进行线扫描。相机配置设置为每秒108帧，积分时间为6.53毫秒，以最大限度地平衡图像信息和光谱质量（避免信号饱和)。

图像数据采集：

1、将已设置好的高光谱相机安装在全地形车上，以5公里/小时的速度在自然照明下进行移动成像。

2、在两个不同的物候期，分别对葡萄园的30个不同品种的葡萄树冠进行成像。

3、共生成了1200个光谱样本。

图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）Logroño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。图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。

构建数据集

从原始高光谱图像中，从原始高光谱图像中，用Python 3.6.1编程的半自动数据集构建过程分两步执行：叶片光谱的分割和过滤，以及为每个葡萄品种生成样本。

叶片光谱的分割和过滤

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。

数据集样本的生成

对于每个品种，将m平均叶片光谱分为40个连续的组，大小为m/40光谱。从这些集合中获得平均光谱，因此按照以前的方法，最终生成每个品种40个叶谱（每个植物4个）。经过两天对30个品种进行测试，共生成了2，400个样品（每个品种80个），每个样本都是从大约21500个光谱（每个植物86000个叶子像素）的平均值中获得的。

光谱预处理和机器学习建模

在根据光谱信息开发预测模型时，很少直接使用原始吸光度数据作为输入。频谱预处理是一个常见的步骤，旨在消除许多频谱采集中固有的大部分噪声。由于可以应用多种算法和参数，并且它们会明显影响光谱形状，因此在品种分类模型的训练中测试了散射校正和平滑过滤这两种不同预处理技术的影响。

关于机器学习建模，测试了SVM和MLP两种不同的分类算法，评估了RECALL、F1 SCORE、AUC三种性能参数数据：

结论

平滑过滤预处理之后，两种分类器搭配三种性能参数设置，结果如下：

SVM和MPL两个分类器都表现良好，并能够训练均衡平均数（F1-score）和接收器工作作特征曲线面积高达0.99的模型，以进行5倍交叉验证。SVM，获得了略高的差异，单个品种的差异范围从0.83到0.97；MPL的下，单个品种的预测性能范围为0.94-0.99。如上图，在三个性能参数情况下，MLP的分类结果准确性都超过了SVM模型的分类结果。

算法参数分析

分别针对SVM和MLP模型，每个参数值的统计分析结果归纳如下：

比较支持向量机SVM:

多层感知器MLP:

每个品种的预测能力

下图为30个葡萄品种在三个性能参数下的平均值条形图。

讨论：

这个实验揭示了田间自然条件下的移动高光谱成像和机器学习对葡萄分类的应用价值。两个新问题已经解决了：在田间自然条件下在现场成功部署高光谱相机，以及预测大量类别（30个葡萄品种）；利益于机器学习，使得SVM和MLP两种分类器结果都高达0.99，都可以从两个不同物候期获得的数据准确预测葡萄的品种，从而正确分类不同发育程度的叶片。

基于实验结果，该技术可被视为在田间条件下进行植物表型分析的一种新的非破坏性工具。使用移动高光谱成像在田间自然条件下完成植物表型任务，不仅可以用于植物品种的分类，还有诸多潜在价值（例如分析植物水分状况、营养状况、病害检测、果实成分等分析）。利用传感器和算法，可以实时监控葡萄园，掌握葡萄状态。

往期精彩回顾

智慧农业 |解放你的双手

高光谱 | 助力肉质检测

机器视觉 | 从神经元到深度学习

微信二维码.jpg

请扫码关注我们微信公众号，定期推送相关文章~