초분광 이미징 및 기계 학습 기반 잡초 식별

잡초는 뉴질랜드에서 주요한 환경적 및 경제적 부담이 될 수 있습니다. 수동 및 화학적 접근을 포함한 전통적인 잡초 방제 방법은 시간 소모와 비용이 많이 들 수 있습니다. 일부 화학 제초제는 환경 및 인간 건강에 부정적인 영향을 미칠 수 있습니다. 이러한 전통적인 접근법에 대한 대안을 제공하기 위한 중요한 단계 중 하나는 잡초의 자동 식별 및 매핑입니다. 우리는 초분광 이미징 데이터와 기계 학습을 사용하여 호밀풀과 클로버가 파종된 초원에서 잡초에 대한 빠르고 정확하며 자동화된 판별 가능성을 탐색했습니다. 초분광 이미지는 두 가지 풀 (세타리아 푸밀라 노란 털풀 및 스티파 아룬디나체아 바람풀)과 두 가지 광엽 잡초 종 (란누쿨루스 아크리스 자이언트 버터컵 및 시르시움 아르벤세 캘리포니아 엉겅퀴)에서 획득하였으며, 표준 정규 변량 방법을 사용하여 전처리되었습니다. 우리는 전체 식물 평균(Av) 스펙트럼과 각 잡초 샘플의 슈퍼픽셀(Sp) 평균 스펙트럼을 사용하여 부분 최소 제곱-판별 분석, 서포트 벡터 머신 및 다층 퍼셉트론(MLP)이라는 세 가지 분류 모델을 훈련시켰습니다. 세 가지 분류 모델 모두 Av 및 Sp 스펙트럼을 사용하여 네 가지 잡초의 반복 가능한 식별을 보여주었으며, 전체 정확도는 70-100% 범위에 있었습니다. 그러나 Sp 방법에 기반한 MLP가 가장 신뢰할 수 있고 강력한 예측 결과(89.1% 정확도)를 제공했습니다. 네 가지 중요한 스펙트럼 영역이 네 종류의 잡초를 특성화하는 데 매우 유용한 것으로 나타났으며, 이는 호밀풀/클로버 초원에서 잡초를 식별하는 빠르고 효율적인 방법론의 기초를 형성할 수 있습니다.