Comparing two statistical discriminant models with a back-propagation neural network model for pairwise classification of location and crop year specific wheat classes at three selected moisture contents using nir hyperspectral images.

Mahesh, S., Jayas, D.S., Paliwal, J., et White, N.D.G. (2014). « Comparing two statistical discriminant models with a back-propagation neural network model for pairwise classification of location and crop year specific wheat classes at three selected moisture contents using nir hyperspectral images. », Transactions of the ASABE, 57(1), p. 63-74. doi : 10.13031/trans.57.10125  Accès au texte intégral (en anglais seulement)

Résumé

Non seulement la connaissance des variétés de blé et de la teneur en eau des semences détermine l’utilisation finale de la farine, mais elle contribue aussi à créer des dispositifs d’entreposage efficaces. Nous avons obtenu des échantillons de quatre variétés de blé [blé roux de printemps de l’Ouest canadien (CWRS), blé dur blanc de printemps de l’Ouest canadien (CWHWS), blé tendre blanc de printemps de l’Ouest canadien (CWSWS) et blé roux de printemps Canada Prairie (CPSR)] dans cinq lieux différents ou plus du Manitoba, de la Saskatchewan et de l’Alberta, récoltés en 2007, 2008 et 2009, et conditionnés pour obtenir des teneurs en eau de 13 %, 16 % et 19 %. Nous avons acquis des images hyperspectrales dans l’infrarouge proche d’échantillons en vrac dans les longueurs d’onde entre 960 à 1700 nm à des intervalles de 10 nm. Nous avons comparé les images des scores de la première et la deuxième composante principale pour les images segmentées de toutes les variétés de blé. Les identifications par paire de variétés de blé ont été réalisées à l’aide d’un modèle statistique non paramétrique et d’un modèle de réseau neuronal à rétropropagation à quatre couches. Les images aux longueurs d’onde entre 1260 à 1380 nm présentaient la saturation de facteur la plus élevée dans l’analyse en composantes principales. Nous avons utilisé le modèle neuronal à rétropropagation à quatre couches pour effectuer une identification en deux classes des variétés de blé. Globalement, une précision de classification par paire de 83,7 % a été obtenue dans la distinction des échantillons de blé selon leur teneur en eau. Nous avons obtenu des précisions de classification de 83,2 %, 75,4 % et 73,1 %, pour l’identification des variétés de blé présentant respectivement une teneur en eau de 13 %, 16 % et 19 %. Dans cette étude, des modèles de discrimination ont donné de meilleures précisions de classification que les modèles neuronaux à rétropropagation. Des modèles statistiques donnent une précision globale de la classification pour les variétés de blé de 80,6 % pour l’analyse discriminante linéaire et de 76,3 % pour l’analyse discriminante quadratique. Ce travail a montré que l’imagerie hyperspectrale dans l’infrarouge proche pouvait constituer un outil potentiel non destructif de classification des variétés de blé selon leur teneur en eau.

Date de modification :