眾所周知，高光譜成像在數量和質量方面帶來了更豐富的數據，但是這一特性也帶來了巨大負擔：高光譜采集所蘊含的大量數據。因此，高效而智能的數據分析必不可少。

01

葡萄品種分類是葡萄栽培和葡萄酒業的重要植物表型問題，通常是在實驗室條件下通過破壞技術，如傳統的電泳和DNA分析來完成的。

本文利用高光譜成像技術和不同的機器學習算法，提出了一種在田間條件下對大量葡萄品種進行分類的新方法。在自然光照下，使用高光譜相機以5km/h的速度安裝在All-terrain vehicle上進行動態成像。

(A)All-terrain vehicle中移動高光譜成像垂直拍攝位于西班牙拉里奧哈(La Rioja）Logro?o的葡萄園。在受太陽照射的冠層側以5km/h的速度進行光譜采集。

(B)二維高光譜圖像的構建通過push broom來進行，葡萄園頂部的垂直線信息被線掃相機獲取。因此，圖像的構圖是由該掃描線以恒定速度拖動執行。

02

我們在30個不同品種的樹冠上采集了兩個不同葉片物候階段的光譜信息?？偣采闪?200個光譜樣本。

每幅m×n高光譜圖像逐列處理。對于每一列i，每個像素(光譜)與標注葉片光譜進行比較，若超過某一規定閾值，則標記為葉片像素。然后，對列i中的所有葉子像素求平均值。

03

采用支持向量機（SVM）和人工神經網絡（多層感知器，MLP）開發了大量模型，測試了不同的算法參數和光譜預處理技術。兩種分類器均獲得了極好的性能表現。

統計分析表明，支持向量機的最佳核函數是線性核，MLP的最佳激活函數是雙曲正切函數。預測 MLP單個品種的性能范圍為0.94至0.99之間，變化較??；在支持向量機的情況下，獲得的變化略高，單個品種的差異在0.83至0.97之間。

從光譜數據集(輸入)，應用各種預處理技術的不同組合，使用兩種機器學習算法建模，并通過幾個5-fold重復進行驗證。最后,評估了三種性能統計數據。

這些結果使得在田間部署一種能夠成功分類不同葡萄品種葉片的動態高光譜成像系統成為可能。因此該技術可以被認為是在田間條件下進行植物表型鑒定的一種新的有用的非破壞性工具。

本研究基于高光譜成像在田間條件下，通過機器學習展示了對多個葡萄品種進行分類的真實表現(高光譜過去多在實驗室環境和少樣本條件下)。結果表明可以將高光譜成像搭載到農用車輛上對葡萄品種進行實時分類，為植物表型和葡萄高產栽培提供極有價值的信息。

責任編輯：xj

原文標題：基于田間條件下的動態高光譜成像和機器學習對于葡萄品種分類的研究

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉載請注明出處。