基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析.pdf

《基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析》这篇文章主要探讨了一种利用计算机视觉技术来无损检测生菜叶片中重金属镉污染程度的方法。该研究旨在通过非破坏性的手段，对生菜叶片受到不同梯度重金属镉胁迫的情况进行识别。 文章中提到，研究团队首先使用数码相机获取生菜叶片的图像，然后运用K-means聚类算法对图像进行分割，以区分出叶片部分。接着，他们从分割出的目标图像中提取了46个图像特征，包括颜色、形状和纹理特征。这些特征是识别污染程度的关键因素。 为了简化模型并减少数据量，研究人员采用了两种特征选择方法：基于变量组合的变量重要性分析（VAIVC）和竞争性自适应重加权算法（CARS）。这两种方法用于特征降维，有助于筛选出对识别镉胁迫程度最为关键的特征。 随后，研究者使用偏最小二乘判别分析(PLS-DA)和随机森林(RF)构建模型，对生菜叶片的镉胁迫程度进行识别。实验结果显示，在7个组合特征模型中，结合颜色、形状和纹理特征的模型表现最佳，测试集分类正确率达到了92%。 进一步的研究中，通过对比VAIVC和CARS两种特征选择方法，发现VAIVC在降维效果上优于CARS。使用特征选择后的变量构建模型，RF模型在训练集和预测集上的分类正确率均高于PLS-DA。其中，基于VAIVC的RF模型在训练集和预测集上的分类正确率分别为98.0%和96.0%，表明基于VAIVC的RF模型在大幅减少特征维度的同时，仍能有效地识别不同镉胁迫程度的生菜叶片。 这项研究的应用价值在于，它提供了一种高效且准确的无损检测方法，可以用于生菜等作物的重金属污染监测，有助于农业生产和食品安全。同时，该研究对于计算机视觉在农业领域的应用，特别是在植物病害和环境胁迫检测方面，具有重要的参考意义。