Multimodale KI verbessert Klassifizierung von Mungbohnensamen auf 90,71 %

Ein neuer Ansatz kombiniert spektrale und bildbasierte Daten, um die Sortierung von Mungbohnensamen präziser und schneller zu gestalten. Die Methode erreicht laut einer aktuellen Studie eine Klassifizierungsgenauigkeit von 90,71 % und übertrifft damit etablierte Modelle um mehrere Prozentpunkte.

Datenerstellung und Merkmalsauswahl

Die Forscher stellten einen multimodalen Datensatz zusammen, der 59 Merkmale umfasst. Durch das Competitive Adaptive Reweighted Sampling (CARS) wurden 44 relevante Raman‑Spektren aus 700 Messpunkten und 15 bildbasierte Kennzahlen aus 43 Bildmerkmalen extrahiert.

Optimierung mittels Kepler‑Algorithmus

Zur Feinabstimmung der Klassifikatoren setzten die Autoren den Kepler Optimization Algorithm (KOA) ein. Dieser optimierte Parameter von Entscheidungsbäumen, Support‑Vector‑Maschinen, k‑Nearest‑Neighbor, Backpropagation‑Netzwerken, Random‑Forests und Gradient‑Boosting‑Entscheidungsbäumen.

Stacking‑Ensemble‑Modell

Durch die Kombination mehrerer Basis‑Classifier in einem Stacking‑Ensemble nutzte das System die Stärken einzelner Modelle. Das Ergebnis ist ein robustes Klassifizierungsverfahren, das die Genauigkeit signifikant steigert.

Leistungsbewertung

Im Vergleich zu einzelnen Basismodellen erreichte das KOA‑optimierte Stacking‑Ensemble eine Verbesserung von 3,24 % gegenüber dem KOA‑Random‑Forest und von 1,59 % gegenüber dem KOA‑GBDT. Die experimentellen Resultate bestätigen die Überlegenheit des Ansatzes hinsichtlich Genauigkeit und Effizienz.

Bedeutung für die Landwirtschaft

Die vorgestellte Methode bietet Landwirten und Verarbeitern ein nicht‑destruktives Werkzeug zur schnellen Sortierung von Mungbohnensamen. Durch die präzise Klassifizierung können Erträge optimiert und die Qualität der Produkte gesteigert werden.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.