RGB成像和神经网络揭示了橄榄作物质量评估中油和酚的季节性变化

橄榄油以其酚类化合物等抗氧化剂而闻名，在全球橄榄作物中发挥着关键作用。橄榄中油和酚的浓度随季节变化，会显着影响作物的盈利能力和质量，从而决定最佳收获时间。

目前的研究旨在利用植物表型组学和RGB成像技术来非侵入性地监测质量性状，特别关注叶绿素浓度，这是与油品质量相关的关键指标。然而，整合RGB指数以有效跟踪橄榄质量特征，尤其是在回归框架内，仍然是一个尚未开发的领域。

人工神经网络(ANN)越来越多地用于预测植物性状，但过度拟合等挑战需要将ANN与主成分分析和遗传算法，以增强可靠性和可解释性。

2023年6月，PlantPhenomics发表了题为“PhenotypingkeyFruitQualitytraits”的研究文章在橄榄中使用RGB图像和反向传播神经网络。”

在这项研究中，研究人员旨在测试这样一个假设：使用反向传播神经网络(BPNN)，并使用基于成像的基于RGB的比色指数，可以预测整个季节橄榄中的油和酚浓度。

两年多来，对来自三个田间种植品种的橄榄样品的R、G和B平均像素值以及油和酚浓度进行了分析。该研究还试图比较采用不同输入的三种BPNN的准确性：基于RGB的索引、PCA处理后的主成分(PC)分数，以及通过稀疏PCA识别的减少数量的RGB索引。

主要结果表明，果实中的油脂浓度在核硬化后约30天开始增加，分别于2020年和2021年达到鲜重(FW)的最大值16%和22%。苯酚浓度表现出季节性和品种依赖性变化，特别是在Coratina品种中。

观察到品种、阶段和年份对油和酚浓度的显着影响。从图像中提取的R、G和B平均像素值的季节性波动显示出与品质特征的差异相关性，表明水果表皮颜色的变化与这些特征之间存在联系。

用于预测的BPNN模型的输入有所不同：标准BPNN使用所有35个基于RGB的索引，而PCA_BPNN和SPCA_BPNN分别使用标准PCA和稀疏PCA的分数。

模型性能各不相同，油的平均决定系数(R2)值范围为0.65至0.95，酚类的平均决定系数为0.66至0.9。SPCA_BPNN模型的残差四分位数范围普遍较窄，表明与PCA_BPNN模型相比预测更精确。

该研究得出的结论是，R、G和B值的季节模式以及果实品质性状表明基因型对果实品质存在潜在影响。虽然油浓度显示出可预测的模式，但RGB值和油浓度之间的相关性并不简单，因为它们是非线性关系。

该研究强调了在橄榄部门使用神经网络进行回归的挑战，强调需要进一步研究整合基因型和基于阶段的预测因子以开发更通用的模型。

本研究中基于RGB的表型模型的成功凸显了它们在经济实惠的数字农业中的潜力，特别是在预测关键水果品质性状方面。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！