Multispectral image quality assessment to enhance classification rates of rice hoja blanca virus (RHBV) in rice breeding programs.

Los métodos automáticos para la detección de enfermedades de las plantas de arroz son vitales para la protección de cultivos contra los agentes de infecciones virales, como el virus Hoja Blanca (hoja blanca) (RHBV), que es transmitido por el vector plano Thagosodes orizicolus y prevalece en América Latina causando severas pérdidas de rendimiento en el arroz. Dado que los programas de mejoramiento de arroz clásico se basan en costosos y lentos protocolos de detección, existe la necesidad de alternativas como la selección de variedades de arroz a través de fenotipos basados en imágenes. Las imágenes multiespectrales aéreas proporcionan una forma rápida y no destructiva de escanear plantas en regiones enfermas y han sido utilizadas por varios investigadores para clasificar los niveles de síntomas en el perfil espectral de una planta. Sin embargo, las imágenes están sujetas a distorsiones durante la adquisición, compresión, transmisión y procesamiento. Estos deterioros de imagen afectan el rendimiento de los algoritmos de clasificación que apoyan la búsqueda de variedades de arroz resistentes. El objetivo de esta investigación es analizar y corregir el impacto de las distorsiones de imágenes multiespectrales en las tasas de clasificación / detección de los programas de mejoramiento de arroz RHBV. Comparamos la calidad de imagen de dos ortomosaicos. Métodos de mezcla (algoritmos de mezcla de mosaico y promedio) y un algoritmo de compresión Lempel-Ziv-Welch (LZW). Realizamos análisis comparativos de rendimiento de tres algoritmos supervisados de aprendizaje automático en tres escenarios diferentes: imágenes prístinas, imágenes borrosas y Compresión LZW. La Máquina de vectores de soporte (SVM), Random Forest (RF) y k-Nearest Los métodos de los vecinos (kNN) no fueron significativamente diferentes en su capacidad para separar a los susceptibles de clases no susceptibles, pero los mejores clasificadores SVM mostraron una mejor sensibilidad en las tasas de 0,74 (SVM), 0,71 (RF)
y 0,68 (KNN). El rendimiento de todos los algoritmos ML fue negativo. Afectado por la distorsión de desenfoque, pero no fue afectado por la distorsión LZW. La calidad de las imágenes multiespectrales se evaluó para detectar distorsión borrosa en multiespectrales. imágenes para cambiar a un modelo ML pre-entrenado SVM (0.77) bajo esta condición de distorsión. La evaluación se llevó a cabo en diferentes bandas espectrales (azul, verde, rojo, borde rojo e infrarrojo cercano) y la evaluación de la banda de infrarrojo cercano (NIR) proporcionó una mejor predicción de la calidad de la tarea de clasificación.