众所周知，高光谱成像在数量和质量上带来了更丰富的数据，但是此功能也带来了巨大的负担：高光谱采集中包含大量数据。因此，高效而智能的数据分析至关重要。
01葡萄品种的分类是葡萄栽培和葡萄酒行业中一个重要的植物表型问题。通常在实验室条件下通过破坏性技术（例如传统的电泳和DNA分析）来完成。
本文使用高光谱成像技术和不同的机器学习算法，提出了一种在田间条件下对大量葡萄品种进行分类的新方法。在自然光下，高光谱摄像头以5 km / h的速度安装在全地形车上以进行动态成像。
（A）西班牙拉里奥哈洛格罗尼奥葡萄园全地形车垂直拍摄中的移动高光谱成像。光谱以5 km / h的速度收集在被太阳照射的树冠一侧。
（B）通过推扫帚进行二维高光谱图像的构建，并通过线扫描相机获取葡萄园顶部的垂直线信息。因此，通过以恒定速度拖动扫描线来执行图像的合成。
02我们在30个不同物种的冠层上收集了两个不同叶片物候阶段的光谱信息。总共产生了1200个光谱样本。
每m×n个高光谱图像被逐列处理。对于每列i，将每个像素（光谱）与标记叶子的光谱进行比较，如果超过某个阈值，则将其标记为叶子像素。
然后，对列i中的所有叶子像素求平均。 03使用支持向量机（SVM）和人工神经网络（多层感知器，MLP）开发了许多模型，并且测试了不同的算法参数和光谱预处理技术。
两种分类器均表现出色。统计分析表明，支持向量机的最佳核函数是线性核，而MLP的最佳激活函数是双曲正切函数。
可以预测，单个MLP的性能范围在0.94至0.99之间，变化很小。在支持向量机的情况下，获得的变化会稍高，单个品种的差异在0.83至0.97之间。
从光谱数据集（输入）中，应用各种预处理技术的不同组合，使用两种机器学习算法进行建模，并通过几次5倍重复进行验证。最后，评估了三个性能统计数据。
这些结果使部署动态高光谱成像系统成为可能，该系统可以在田间成功地对不同葡萄品种的叶片进行分类。因此，该技术可以被认为是在田间条件下鉴定植物表型的一种新的有用的非破坏性工具。
这项研究基于田间条件下的高光谱成像，并展示了通过机器学习对多种葡萄品种进行分类的真实性能（高光谱过去通常在实验室环境中且在很少的样品条件下进行）。结果表明，高光谱成像可以安装在农用车辆上以对葡萄品种进行实时分类，为植物表型和葡萄的高产栽培提供极有价值的信息。
01葡萄品种的分类是葡萄栽培和葡萄酒行业中一个重要的植物表型问题。通常在实验室条件下通过破坏性技术（例如传统的电泳和DNA分析）来完成。
本文使用高光谱成像技术和不同的机器学习算法，提出了一种在田间条件下对大量葡萄品种进行分类的新方法。在自然光下，高光谱摄像头以5 km / h的速度安装在全地形车上以进行动态成像。
（A）西班牙拉里奥哈洛格罗尼奥葡萄园全地形车垂直拍摄中的移动高光谱成像。光谱以5 km / h的速度收集在被太阳照射的树冠一侧。
（B）通过推扫帚进行二维高光谱图像的构建，并通过线扫描相机获取葡萄园顶部的垂直线信息。因此，通过以恒定速度拖动扫描线来执行图像的合成。
02我们在30个不同物种的冠层上收集了两个不同叶片物候阶段的光谱信息。总共产生了1200个光谱样本。
每m×n个高光谱图像被逐列处理。对于每列i，将每个像素（光谱）与标记叶子的光谱进行比较，如果超过某个阈值，则将其标记为叶子像素。
然后，对列i中的所有叶子像素求平均。 03使用支持向量机（SVM）和人工神经网络（多层感知器，MLP）开发了许多模型，并且测试了不同的算法参数和光谱预处理技术。
两种分类器均表现出色。统计分析表明，支持向量机的最佳核函数是线性核，而MLP的最佳激活函数是双曲正切函数。
可以预测，单个MLP的性能范围在0.94至0.99之间，变化很小。在支持向量机的情况下，获得的变化会稍高，单个品种的差异在0.83至0.97之间。
从光谱数据集（输入）中，应用各种预处理技术的不同组合，使用两种机器学习算法进行建模，并通过几次5倍重复进行验证。最后，评估了三个性能统计数据。
这些结果使部署动态高光谱成像系统成为可能，该系统可以在田间成功地对不同葡萄品种的叶片进行分类。因此，该技术可以被认为是在田间条件下鉴定植物表型的一种新的有用的非破坏性工具。
这项研究基于田间条件下的高光谱成像，并展示了通过机器学习对多种葡萄品种进行分类的真实性能（高光谱过去通常在实验室环境中且在很少的样品条件下进行）。结果表明，高光谱成像可以安装在农用车辆上以对葡萄品种进行实时分类，为植物表型和葡萄的高产栽培提供极有价值的信息。