Пекин
Beijing
Пекин
Beijing
Пекин
Beijing
Пекин
Beijing
Для классификации сортов сои использована технология гиперспектральной визуализации. Получены спектры отражения четырех сортов сои из гиперспектральных изображений в диапазоне 400–1000 нм. Метод главных компонент и линейный дискриминантный анализ (LDA) позволили сделать вывод о разделимости спектральных данных сои. Спектральные данные предварительно обрабатывались с использованием мультипликативной коррекции рассеяния (MSC), сглаживания Савицкого–Голея (SG), а также одновременно MSC и SG. Модели классификации, основанные на LDA, методах опорных векторов (SVM) и k-ближайших соседей (KNN), созданы на основе полных или характерных длин волн. Совместная предварительная обработка спектральных данных MSC и SG применена для создания модели классификации SVM, основанной на полных длинах волн, которая показала точность классификации 95.19 %. Метод случайного леса использован для выбора признаков среди всех длин волн для создания модели классификации LDA с точностью 82.69 %. Показано, что метод гиперспектральной визуализации в сочетании с алгоритмами SVM, KNN и LDA может использоваться для быстрой и неразрушающей классификации различных сортов сои.
Hyperspectral imaging technology was used to classify four types of soybean varieties. The reflectance spectra of four varieties of soybeans were extracted from hyperspectral images covering wavelengths from 400 to 1000 nm. Firstly, exploratory principal component analysis and linear discriminant analysis (LDA) were carried out to infer the separability of soybean spectral data. Secondly, the spectral data were preprocessed using multiplicative scattering correction (MSC), Savitzky–Golay (SG) smoothing, and MSC and SG smoothing together. Finally, classification models based on LDA, support vector machine (SVM), and k nearest neighbor (KNN) were established based on the full wavelengths or feature wavelengths. MSC and SG smoothing joint preprocessing of the spectral data was applied to establish the SVM classification model based on the full wavelengths, which returned a classification accuracy of 95.19%. Random forest was used to select the feature wavelengths from the full wavelengths to establish the LDA classification model, and the classification accuracy reached 82.69%. The results showed that the hyperspectral imaging technique combined with SVM, KNN, and LDA algorithms can be used to classify different soybean varieties in a fast and nondestructive way.
The authors declare that there are no conflicts of interest present.