Dual-band feature selection for maturity classification of specialty crops by hyperspectral imaging

要約

イチゴやトマトなどの特殊作物の成熟度分類は、生産現場や包装現場での選択収穫と品質管理 (QC) にとって重要な農業下流活動です。
深層学習 (DL) の最近の進歩により、成熟度分類アプリケーションのカラー画像に有望な結果がもたらされました。
ただし、ハイパースペクトル イメージング (HSI) は、色覚に基づく方法よりも優れた性能を発揮します。
多変量解析手法と畳み込みニューラル ネットワーク (CNN) は有望な結果をもたらします。
しかし、大量の入力データとそれに伴う前処理要件が実用化の妨げとなります。
従来、果物の成熟度を推定する際には、特定の電磁スペクトルの反射強度が使用されていました。
我々は、500 ～ 670 nm (色素バンド) などのサブバンドのピーク反射率とピーク位置の波長、そして逆に、671 ～ 790 nm (クロロフィル バンド) 内のトラフ反射率とそれに対応する波長を経験的に示す特徴抽出方法を提案します。
バンド）は計算に便利でありながら、成熟度分類の際立った特徴を備えています。
提案された特徴選択方法は、すべての予測の前に次元削減などの前処理が回避されるため、有益です。
機能セットは、これらの特性を捉えるように設計されています。
3D-CNN、1D-CNN、SVM の中で最も優れた SOTA 手法は、データセット上でイチゴについては最大 90.0 %、トマトについては 92.0 % の精度を達成します。
結果は、提案された方法がイチゴの分類で 98.0 %、トマトの分類で 96.0 % を超える精度をもたらし、SOTA よりも優れていることを示しています。
これらの方法の時間効率の比較分析も行われ、提案された方法がフルスペクトル SVM 分類器によって達成される最大 1.16 FPS と比較して 13 FPS で予測を実行することが示されています。

要約(オリジナル)

The maturity classification of specialty crops such as strawberries and tomatoes is an essential agricultural downstream activity for selective harvesting and quality control (QC) at production and packaging sites. Recent advancements in Deep Learning (DL) have produced encouraging results in color images for maturity classification applications. However, hyperspectral imaging (HSI) outperforms methods based on color vision. Multivariate analysis methods and Convolutional Neural Networks (CNN) deliver promising results; however, a large amount of input data and the associated preprocessing requirements cause hindrances in practical application. Conventionally, the reflectance intensity in a given electromagnetic spectrum is employed in estimating fruit maturity. We present a feature extraction method to empirically demonstrate that the peak reflectance in subbands such as 500-670 nm (pigment band) and the wavelength of the peak position, and contrarily, the trough reflectance and its corresponding wavelength within 671-790 nm (chlorophyll band) are convenient to compute yet distinctive features for the maturity classification. The proposed feature selection method is beneficial because preprocessing, such as dimensionality reduction, is avoided before every prediction. The feature set is designed to capture these traits. The best SOTA methods, among 3D-CNN, 1D-CNN, and SVM, achieve at most 90.0 % accuracy for strawberries and 92.0 % for tomatoes on our dataset. Results show that the proposed method outperforms the SOTA as it yields an accuracy above 98.0 % in strawberry and 96.0 % in tomato classification. A comparative analysis of the time efficiency of these methods is also conducted, which shows the proposed method performs prediction at 13 Frames Per Second (FPS) compared to the maximum 1.16 FPS attained by the full-spectrum SVM classifier.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google