Klassifikation verschiedener Gluten-Weizensorten basierend auf hyperspektraler Vorverarbeitung, Merkmalsselektion und maschinellem Lernen

Die Klassifikation verschiedener Gluten-Weizensorten kann die vielfältigen Nahrungsbedürfnisse erfüllen. Um Weizenglutentypen mithilfe hyperspektraler Daten schnell zu klassifizieren, wurden in dieser Studie vier Vorverarbeitungsmethoden kombiniert mit zwei Merkmalsselektionstechniken und vier Algorithmen des maschinellen Lernens eingesetzt. Unsere Ergebnisse zeigten, dass die durch ReliefF extrahierten Merkwellenlängen eine bessere Genauigkeit des Klassifikationsmodells aufwiesen als das vollständige Wellenlängenklassifikationsmodell und das Modell der minimalen Redundanz und maximalen Relevanz (mRMR). Die Klassifikationsgenauigkeit der kontinuierlichen Wavelet-Transformation (CWT) war höher als die der ursprünglichen Reflexion, der kontinuierlichen Entfernung und der ersten Ableitung. Die Leistung der vier Klassifikatoren war in folgender Reihenfolge: Support Vector Machine (SVM) > Convolutional Neural Network (CNN) > Random Forest (RF) > K-nächste Nachbarn (KNN). ReliefF-CWT-SVM wurde als das optimale Klassifikationsmodell identifiziert (Gesamtgenauigkeit = 94,5 %). Die entwickelte Kombination liefert theoretische und technische Unterstützung zur Klassifikation von Weizensorten mit unterschiedlichen Glutenarten.