基于机器学习和颜色特征的西葫芦叶片中叶绿素无损检测研究

《Agricultural Research》：Research on Non-destructive Detection of Chlorophyll in Zucchini Leaves Based on Machine Learning and Color Features

非破坏性叶绿素检测方法研究基于机器学习与颜色特征分析，通过PCA降维优化四类回归模型（LR/SVR/GPR/BNN）的预测性能，PCA-BNN模型在十折交叉验证中R2达0.9759±0.0096，显著优于其他模型且Bootstrap验证稳定性最佳，证实特征提取与降维必要性，为农业精准监测提供新方法。

　　

摘要

叶绿素含量是评估蔬菜生理健康状况的重要指标。准确且无损的检测技术对于监测蔬菜生长以及提高蔬菜的质量和产量具有重要意义。本研究提出了一种基于机器学习和颜色特征的无损叶绿素含量检测方法：收集了400张西葫芦叶片图像，提取了颜色特征，并分析了这些特征与SPAD等指标的相关性。通过主成分分析（PCA）进行降维处理后，建立了四种预测模型——线性回归（LR）、支持向量回归（SVR）、高斯过程回归（GPR）和贝叶斯神经网络（BNN），并采用了十折交叉验证系统对结果进行系统分析。最终，通过Friedman检验、Nemenyi事后检验和Bootstrap抽样方法进一步验证了模型性能。实验结果表明，PCA处理显著提升了这四种模型的性能，其中PCA-BNN的表现最佳：在十折交叉验证中，验证集的R2值为0.9759±0.0096，均方根误差（RMSE）为0.6213±0.1307，相对误差概率（RPD）为6.8914±1.6549。统计检验显示，PCA-BNN在Friedman检验和Nemenyi检验中的平均排名最低，为1.3，显著优于其他所有模型（PCA-GPR除外）；Bootstrap抽样验证进一步证实了PCA-BNN模型的可靠性，其验证集的R2值置信区间为0.9578至0.9903，RMSE为0.4251至0.7921，RPD为4.8829至8.8931，所有区间范围均小于PCA-GPR，表明其稳定性更优。此外，直接将原始RGB图像输入MobileNetV2模型得到的结果并不理想，这进一步证明了手动特征提取和降维处理的必要性。本研究为西葫芦叶片叶绿素的无损检测提供了新的见解，并为农业精准监测中的数据特征处理和模型构建提供了一种技术方法。