利用遗传算法和支持向量机的高光谱波段选择用于大豆炭腐病的早期识别
计算机视觉与模式识别
2017-10-16 v1
摘要
炭腐病是一种在温暖干燥条件下滋生的真菌病害，影响全球大豆和其他重要农艺作物的产量。需要对病害症状进行稳健、自动和一致的早期检测与量化，这在育种计划中以开发改良品种以及在作物生产中实施病害控制措施以保护产量方面非常重要。当前的植物病害表型方法主要是视觉的，因此缓慢且容易出错和变异。高光谱成像应用在早期检测病害症状方面兴趣渐增。然而，高光谱数据的高维度使得建立高效的分析流程以识别病害从而制定有效作物管理决策非常重要。本工作的重点是确定在生长季早期能区分健康与染病标本的最小数量的最有效高光谱波段。在接种后3、6、9、12和15天捕获健康和染病高光谱数据立方体。我们利用来自4种不同基因型的接种和对照标本。每个高光谱图像在383至1032 nm范围内的240个不同波长捕获。我们使用遗传算法作为优化器与支持向量机作为分类器的组合来识别最大有效波段组合。使用六个选定波段组合对健康与感染样本进行二分类，对感染类获得97%的分类准确率和0.97的F1分数。结果表明，这些精心选择的波段比RGB图像信息更丰富，并可用于多光谱相机中对大豆炭腐病感染进行远程识别。
引用
@article{arxiv.1710.04681,
title = {Hyperspectral band selection using genetic algorithm and support vector machines for early identification of charcoal rot disease in soybean},
author = {Koushik Nagasubramanian and Sarah Jones and Soumik Sarkar and Asheesh K. Singh and Arti Singh and Baskar Ganapathysubramanian},
journal= {arXiv preprint arXiv:1710.04681},
year = {2017}
}