正在開(kāi)發(fā)和采用光學(xué)傳感解決方案來(lái)對(duì)包括農(nóng)作物種子在內(nèi)的各種生物對(duì)象進(jìn)行分類(lèi)。光學(xué)分類(lèi)模型的性能評(píng)估仍然是一個(gè)重點(diǎn)和挑戰(zhàn)。作為訓(xùn)練數(shù)據(jù)，作者從兩個(gè)番茄品種的 3646 顆番茄種子（發(fā)芽是/否）中獲取了高光譜成像數(shù)據(jù)。作者進(jìn)行了三個(gè)實(shí)驗(yàn)數(shù)據(jù)操作：（1）對(duì)象分配錯(cuò)誤：訓(xùn)練數(shù)據(jù)中的單個(gè)對(duì)象被分配到錯(cuò)誤的類(lèi)的影響。(2) 光譜重復(fù)性：引入已知范圍(0-10%)的隨機(jī)噪聲對(duì)單個(gè)反射率值的影響。(3) 訓(xùn)練數(shù)據(jù)集的大?。簻p少訓(xùn)練數(shù)據(jù)中觀察值的影響?；趦蓚€(gè)函數(shù)[線性判別分析 (LDA) 和支持向量機(jī) (SVM)] 的分類(lèi)器都可以表征和量化這些實(shí)驗(yàn)數(shù)據(jù)每一個(gè)操作的影響。
本研究中包括的番茄種子的圖像和平均反射率分布。來(lái)自?xún)蓚€(gè)品種 A 和 B 的番茄種子照片，以及每個(gè)品種的五個(gè)子樣本 (a)。本研究中番茄種子品種1 (B)和2 (c)的五個(gè)子樣本的平均反射率分布。
兩種分類(lèi)函數(shù)精度均隨著目標(biāo)分配誤差的引入和光譜可重復(fù)性的實(shí)驗(yàn)降低而線性下降。 作者還證明了將訓(xùn)練數(shù)據(jù)減少 20% 的實(shí)驗(yàn)對(duì)分類(lèi)準(zhǔn)確性的影響可以忽略不計(jì)。LDA 和 SVM 分類(lèi)算法被用于獨(dú)立驗(yàn)證種子樣本。 基于 LDA 的分類(lèi)預(yù)測(cè)種子萌發(fā)的 RMSE?=?10.56（品種 1）和 26.15（品種 2），基于 SVM 的分類(lèi)預(yù)測(cè)種子萌發(fā)的 RMSE?=?10.44（品種 1）和 12.58（品種 2）。
發(fā)芽和非發(fā)芽種子的平均反射率分布。品種 1 和 2 (a) 中未發(fā)芽和發(fā)芽的番茄種子的平均分布，以及品種 1 和 2 (b) 的發(fā)芽（發(fā)芽/未發(fā)芽）的相對(duì)影響
作者認(rèn)為，這項(xiàng)研究是次在光學(xué)種子分類(lèi)中既包含基于實(shí)驗(yàn)數(shù)據(jù)操作的兩個(gè)單獨(dú)分類(lèi)函數(shù)的全面性能評(píng)估，又將分類(lèi)模型應(yīng)用于驗(yàn)證未包含在訓(xùn)練數(shù)據(jù)中的種子樣本。提出的實(shí)驗(yàn)數(shù)據(jù)操作在更廣泛的背景和一般相關(guān)性中進(jìn)行了討論，并建議將它們作為光學(xué)分類(lèi)模型的深度性能評(píng)估的方法。
來(lái)源：Plant Methods.Experimental data manipulations to assess performance of hyperspectral classification models of crop seeds and other objectsChristian Nansen, Mohammad S. Imtiaz, Mohsen B. Mesgaran & Hyoseok Lee
/articles/10.1186/s13007-022-00912-z
會(huì)員1.png)
