Основное внимание в измерениях было уделено двум классам, а именно яблок и листьев. Данные спектральных измерений являются основой для определения физиологических параметров роста / плодов, которые учитываются в форме индексов при моделировании и анализе и предназначены для улучшения хранения яблок.
По оценкам экспертов, самые важные сорта яблок в Германии несут потери в размере около 13% от их урожая до потребителя. В дополнение к нехватке этих продуктов питания это приводит к большой потере природных ресурсов и неэффективному использованию рабочей силы. Другими ключевыми факторами с точки зрения затрат и воздействия на окружающую среду являются высокое потребление энергии с высокими выбросами CO2 и потеря качества при хранении фруктов.
Гиперспектральная съёмка яблок
Гиперспектральное измерение проводилось в лаборатории в контролируемых условиях измерения. Кроме того, были проведены измерительные кампании в саду KOB. Для этих целей использовалась гиперспектральная камера S185 с диапазоном длин волн 450 - 950 нм.Таким образом, желаемые объекты могут быть измерены по всему квазинепрерывному спектру с использованием 125 каналов с шириной полосы 4 нм. На рисунке 1 показан пример измерительной установки с гиперспектральной камерой S185 и мобильной системой обработки данных в саду. Сбор, обработка и хранение данных осуществлялись с помощью собственного программного обеспечения Cubert Utils во время измерения.
Рисунок 1: Гиперспектральная камера S185 и мобильная система обработки данных для сбора и хранения измерений.
Автоматическое количественное определение яблок
На основании измерений был проведен анализ спектральных характеристик искомых классов (рис. 2) и индивидуальные различия между спектральными кривыми классов. Ручная количественная оценка этих различий не подходит из-за высокой плотности информации гиперспектральных измерений.Поэтому в рамках проекта для анализа данных были использованы несколько установленных контролируемых методов классификации (например, k-Nearest-Neighbor, Машина опорных векторов, Случайный лес, Нейронные сети) и их комбинации.
Используя обширные данные обучения, полученные из измерений, можно было автоматически определить желаемые классы.
Результаты классификаций показывают хорошее визуальное согласие по сравнению с панхроматическим изображением (Рисунок 3). Количественная оценка результата классификации для найденных объектов была выполнена по общей точности (OA), точности производителя (PA) и точности пользователя (UA). На рисунке 4 показана матрица путаницы и связанная с ней точность отдельных классов. Из-за путаницы между зеленым яблоком и зеленым листом UA составляет 75,2%. Точность для других классов составляет от 93,4% до 97,1%. Также общая точность показывает высокое значение 93,5%, что указывает на очень хороший результат классификации.
Рисунок 2: Выбранные образцы для классов в примере измерения в KOB. Соответствующие спектральные / отражательные кривые для соответствующих классов. (яблоко = красный, лист = синий, фон: ствол дерева = зеленый, фон: черный материал = розовый)
Рисунок 3: Панхроматическое изображение (слева) и пример классификации измерения на 01.08.2018. (яблоко = светло-зеленый, лист = темно-зеленый, фон: ствол дерева = фиолетовый, фон: черный материал = коричневый)
Рисунок 4: Матрица смешения для k-ближайшего соседа с точностью производителя (PA), пользовательской точностью (UA), общей точностью (OA).
Вывод по спектральной съёмке яблок
На основании результатов классификации могут быть созданы различные параметры роста / плодов. В качестве примера, здесь указано соотношение листьев и плодов. Этот параметр предназначен для предоставления информации об урожае яблонь, который ранее определялся ручным или деструктивным методом. На основании этих результатов и измерений, проведенных в разное время роста, можно определить средние значения роста плодов.В рамках проекта можно было успешно провести классификацию яблок и листьев с помощью гиперспектральной камеры. Кроме того, различные параметры / индексы могут быть определены из классификации, которые используются для оценки оптимального хранения яблок.
Источник: cubert-gmbh.com