基于高光谱成像技术结合麻雀搜索算法-长短期记忆神经网络的鸭梨黑斑病诊断研究OA

为实现梨果黑斑病的准确快速、准确识别与诊断,本研究提出1种基于高光谱成像技术结合麻雀搜索算法(SSA)优化长短期记忆网络(LSTM)的检测方法。首先采集健康、潜育期及不同发病阶段的鸭梨高光谱图像,提取感兴趣区域内光谱信息后,采用一阶导数(FD)、二阶导数(SD)、标准正态变量转换(SNV)及不同顺序组合使用等7种光谱预处理方法对数据进行优化。完成数据预处理后,分别采用随机森林算法(RF)、K最邻近法(KNN)和最小二乘支持向量机(LS-SVM)3类经典算法,构建鸭梨黑斑病的初步识别模型。为进一步提升分类识别准确率,基于SD+SNV处理后的光谱数据构建了LSTM模型,并利用SSA模拟麻雀群体行为对LSTM的隐藏单元数(lstmLayerSizes)和Dropout丢弃率(dropoutLayer)进行全局优化。结果表明:SSA-LSTM模型对验证集准确率达94.20%、F_(1)得分达94.64,显著优于RF、KNN及LS-SVM等常规算法;模型对潜育期及重度发病期样品识别准确率均达100%。结果证明,LSTM能够更好地分析鸭梨黑斑病数据,SSA算法具备良好的全局搜索能力,可高效提取高光谱图像中的关键信息。基于高光谱成像技术的SSA-LSTM模型可以显著提高对鸭梨黑斑病的识别准确率,为鸭梨黑斑病的早期诊断防治提供了新的参考方法。