农业中的人工智能6（2022）100基于集成学习的X射线图像蚕蛹性别无损分类我是你的儿子，我是你的儿子计算机科学与工程系，基督（被认为是大学），班加罗尔，印度a r t i c l e i nf o文章历史记录：收到2022年2022年8月4日收到修订版，2022年在线预订2022年8月10日保留字：蚕桑性别分类分层k-fold交叉验证机器学习AdaBoosta b s t r a c t养蚕是为了生产丝绸而养蚕的过程。高质量的丝绸生产而不与低质量的混合是丝绸生产中心面临的巨大挑战克服这个问题的可能性之一是在从茧中提取丝纤维之前分离雄茧和雌茧，因为雄茧的丝纤维比雌茧的丝纤维更细。本文提出了一种利用X射线图像在不破坏蚕茧的情况下进行雌雄茧本研究以我国目前流行的单交种FC 1和FC 2为材料，进行了蚕茧的茧质分析.蛹的形状特征被考虑用于分类过程，并且在不切割茧的情况下获得采用一种新的点插值方法计算蚕茧的宽度和高度。采用不同的降维方法来提高模型的性能。预处理后的特征被馈送到强大的集成学习方法AdaBoost，并使用逻辑回归作为基础学习器。该模型在交叉验证中对FC1和FC2的平均准确度为96.3%，在外部验证中对FC1和FC2的平均准确度为95.3%和95.1%版权所有© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍养蚕业是一个广泛使用的术语，用于培养用于生产丝绸的蚕，包括多个领域，如桑树栽培，蚕茧饲养，丝绸纤维的缫丝，扭曲，染色和编织（Ganga，2019）。养蚕业主要是种茧和制丝相结合家蚕品种对提高产茧量和茧丝质量起着重要作用. CSR2 x CSR4杂交品种于1997年引入印度，彻底改变了印度蚕业。CSR杂交种（单杂交种FC 1（CSR6 xCSR26）和FC 2（CSR2 x CSR27））健壮且生产力更高，可以容易地由农民饲养。然而，在处理这些纯种族时需要更多的小心，并且小的无知可能导致父母茧的不可用为了克服这一点，开发了二化性双杂交品种双杂交种比单杂交种能耐受不利的气候条件，因而具有较好的稳定性在印度育成的双杂交种为（CSR2 × CSR27）×（CSR6 × CSR26），每100 d可产68.00 kg左右。 雄蚕茧比雌蚕茧具有明显的更细的丝纤维（Zhang et al.， 2010年）。基于性别分离雄茧和雌茧提高了丝的质量（Yu等人，2005年）。蚕茧性别鉴定的方法主要有近红外光谱法、超光谱成像法、红外光谱法等*通讯作者。电子邮件地址：sania. res.christuniversity.in（S.Thomas）。技术、光学渗透法、照相成像技术、X射线法等。（托马斯和托马斯，2020）。用于家蚕性别分类的近红外方法（Tao等人，2018 a，2018 b; Zhu等人， 2018; Lin等人， 2019; Qiu等人， 2021）使用蛹的光谱特征进行分类。在精度方面，该系统提供了良好的精度，但仪器和校准成本非常高（Ozaki等人， 2018年）。Qiu等人的iPLS-CARS-PLSDA模型的准确性高达98.41%（Qiu等人， 2021年）。他们利用近红外光谱对雄蚕和雌蚕蛹进行分类这种方法考虑蛹进行性别分类，这需要切割茧，这是一个缺点。只要能在不割茧的情况下准确地测出蛹的体积高光谱成像方法（Tao等人，2018 a，2018 b; Tao等人，2019a，2019b）使用蛹的光谱和空间信息进行分类。局限性包括高设备成本和计算复杂性（ Schneider 和 Feussner ， 2017 ） 。 光 学 穿 透 方 法（Sumriddetchkajorn和Kamtongdee，2012; Sumriddetchkajorn等人 ， 2013; Kamtongdee 等 人 ， 2015; Sumriddetchkajorn 等 人 ，2015）利用光的波长通过定位雌蛹尾部内的几丁质腺来区分蚕蛹的性别。雄蛹中无几丁质腺蛹的轻微移位不能获得感兴趣的区域，这可能导致在这种情况下的错误分类。上述方法都需要切开蚕茧，以找出蛹的特征相机成像方法应用于性别https://doi.org/10.1016/j.aiia.2022.08.0012589-7217/© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/S. Thomas和J.托马斯农业人工101分类（Mahesh等人， 2017; Joseph Raj等人， 2019）是一种低成本的方法，但在该方法中，考虑了茧的特性，并且不可能分析蛹的特性。X射线法是一种很有前途的方法，可以在不切开蚕茧的情况下获得蛹的形状特征在像X射线方法和相机成像方法这样的成像方法中，研究人员更多地关注基于机器学习方法的特征选择和分类算法。农业研究人员正在努力开发快速，非破坏性和强大的方法应用于农业工程领域。Przybyno等人使用卷积神经网络（CNN）基于种子部分的图像的颜色和强度进行橡子分类（Przybyno和JabynoBynski的Przy，2019）。研究人员已经开发出用于种子图像分析和分类的新型计算机视觉系统（Gulzar等人， 2020;Loddo等人， 2021; Loddo等人， 2021; Loddo等人， 2022年）。Loddo等人 已经提出了一种新颖的CNN架构，用于种子图像分类和检索的种子网（Loddo等人，2021年）。使用SeedNet测试了两个非常不同的数据集，在两种情况下都达到了95%以上的准确率Gulzar等人提出了一种基于CNN和迁移学习的种子图像分类系统。使用先进的深度学习技术对14种通常已知的种子进行分类（Gulzar等人，2020年）。在使用234幅图像的验证集中，所提出的模型达到了99%的准确率在最近的工作中，Loddo et al.提出了两个用于种子图像分析的插件，一个能够从种子图像中提取形态、纹理和颜色特征，第二个用于基于所提取的特征对种子进行分类（Loddo等人， 2022年）。X射线是一种电磁辐射，波长范围为0.1至10 nm，其穿透物体（Moulet等人， 2017年）。农业研究如水果和蔬菜的质量测定使用软X射线（Du等人， 2019年; Xia等人， 2019; VanDe Looverbosch等人， 2020年）。软X射线波长范围为1 - 10 nm。在X射线法中，采用软X射线获取蚕茧的X射线图像，并对其进行预处理。提取蛹的形状特征，然后进行分类。Cai等人使用X射线方法对蛹进行性别分类。在这方面，作者用线性判别分析作为分类器获得了93.31%的准确度（Cai等人，2014年）。许多研究者用前面讨论过的方法 所有方法都达到了90%以上的准确度，并且Mahesh et.al通过将Zernike矩特征与相机图像的形状特征融合而获得的CSR2变体的性别分类的最小准确度为91.3%（Mahesh等人， 2017年）。该方法利用软X射线对蚕茧进行X射线成像利用蚕茧的X射线图像提取蛹的形状特征本研究使用了1156份FC1和1226份FC2样品提取蛹的宽度、高度、面积、周长、矩形度、圆形度、高宽比、实度、凸度、体积、重量等形状特征本研究的新颖之处包括每个品种所使用的样本数量与其他研究相比都很高，还尝试了一种新的宽度和高度计算的特征提取方法，并提出了一种使用AdaBoost与线性判别分析相结合的分类模型。这项研究的主要优点是，没有性别歧视要求割茧。割茧是蚕桑业的一项经济损失，而且只有熟练的劳动者才能割茧本文的其余部分组织如下。第二介绍了研究的材料和方法，包括样本采集、图像预处理技术、特征提取和分类方法。分类结果在第3节中给出，并在第4节中详细讨论。主要结论见第5。2. 材料和方法研究工作的流程包括采集FC1和FC2茧的样品，然后获取X射线图像预处理是对图像进行分割和降噪。提取突出特征并准备数据集整个数据集按80：20的比例分为训练集和测试集训练数据集用于10倍交叉验证的分类模型开发，剩余20%的测试数据集用于外部验证。 整个过程如图所示。1.一、2.1. 样品收集本试验以家蚕单交种FC 1（CSR6 ×样品采自国家蚕业部门批准的FC 1、FC 2型养蚕户。本研究共使用了2382份样本样品包括1156个FC1茧，589个雄茧和567个雌茧，1222个FC2茧，623个雄茧和599个雌茧。 图图2显示了研究中使用的一些蚕茧。用肉眼很难区分雄茧和雌茧在种子生产中心，茧被切开，蛹被取出进行性别分类。图图3显示了我们工作中使用的单杂交品种的一些花粉。一个单一的X射线图像的一个单一的蚕茧用于研究。在结茧的第10天获得茧的X射线X射线成像系统的图示如图4所示，蚕茧的一些样品X射线图像如图5所示。蛹的性别分类是在印度喀拉拉邦Palakkad蚕种生产中心专家的帮助下完成的。本研究采用软X射线，因为软X射线更适合农业研究。X射线波长范围为1 - 10 nm，X射线管电压为40 kV，电流为0.6 mA。2.2. 图像预处理2.2.1. 感兴趣区域的分割图像分割是图像分类和目标检测中的一项重要任务感兴趣区域（ROI）提供了关于图像中对象的最重要信息。通过分割将ROI与噪声分离。图像保持是其中一种考虑像素值的分割方法。简单的阈值处理可以以不同的方式完成，其中如果像素值大于阈值，则将像素值分配给最大指定值，否则将其设置为零，或者这可以反过来完成。另一个简单的阈值处理是，如果像素值大于阈值，则将该像素值截断为阈值，否则为零。如果该问题不需要改变ROI的源像素值，则可以通过使小于阈值的像素值为零并保持大于阈值的像素值不变来完成，这可以反过来完成图1.一、工作流程图。S. Thomas和J.托马斯农业人工102B公司简介nσt∑½i-μt]1qσ22不0否则WB西1 2σ2tq1tq2t½μ1-μ2]23其中q1（t）和q2（t）是两个类别的概率不q1t∑Pi 41/1我q2tiΣPi5Pini; n是图像中像素的总数，n i是具有i强度值的像素的数量。下一步是找到前景和背景均值，分别用μ1（t）和μ2（t）表示。μt iPi图二、 单交种蚕茧。1t（Al-Amri和Kalyankar，2010年）。该方法的主要缺点是在不同光照条件下难以确定图像的阈值和μ1/1不1iPi2t∑qt7在图像的不同区域的条件本文重点研究了基于小波变换的人脸图像形状特征提取方法，联系我们现在计算σ2（t）和σ2（t）形象二值阈值分割是一种比较好的分割方法，但在简单的图像分割中，确定最佳阈值是一个繁琐的过程1 2t2Pi二进制阈值为了克服这个问题，在这项研究中使用了Otsu是一种全局图像阈值化方法。在该方法中，它获得图像的直方图，然后计算阈值，并且如果211/1我ðtÞ¼∑½i-μðtÞ]1吨PðiÞð8Þð9Þ像素值大于阈值，否则为黑色这最适用于双峰图像。Otsu的二值化提供了自动的2i¼t 12q2阈值化，而普通的二进制阈值化需要手动输入阈值。Otsu的二值化在不同的光照条件下表现最好，并提供了最佳阈值。蛹的X射线图像是双峰的，因此Otsu的二值化可以提供总方差可以表示为类内方差之和和类间方差。σ2ðtÞ ¼σ2ðtÞþσ2ðtÞ ð10Þ参见更好的分割（Sund和Eilertsen，2003）。图像输出¼。255srcx;y>t1Otsu的二值化减少了类内方差，并最大化了类间方差。两个类别的加权类内方差和类间方差的一般表示如下：σ2tq1tσ2tq2tσ2t2图3. 家蚕单交种蛹。通过最小化类内方差和最大化类间方差来计算最优阈值。在执行Otsu二值化之前，执行核大小为7 × 7的高斯模糊 图图6示出了在不执行高斯模糊的情况下阈值化的结果，并且噪声在结果中可见。图7示出了在对图像应用高斯模糊之后的阈值处理的结果。结果显示了无噪声的分割图像。2.2.2. 偏度校正在拍摄茧的X射线时，蛹在茧内的位置是不可预测的，它可以在任何方向。因此，对图像执行偏斜校正。该操作涉及识别从X射线图像分割的蛹的角度，并旋转分割的图像以校正倾斜。最初，围绕蛹绘制最小面积矩形，并且通过水平X轴与所识别的最小面积矩形的第一边缘之间的角度来测量旋转角θ。预期角度将介于-90度到0度之间。为了计算实际角度，如果获得的旋转角度是-45度，则需要将90度加到角度上并将其反转，否则只需将角度反转。基于该获得的角度，进行偏斜校正为此目的，确定了旋转矩阵通过将原始图像与旋转矩阵进行简单的矩阵相乘得到旋转图像R旋转的¼I原始×M旋转矩阵11其中Rrotated是旋转图像，Ioriginal是原始图像，Mrotationmatrix是旋转矩阵。角度θ的旋转矩阵定义为：S. Thomas和J.托马斯农业人工103图四、X射线成像系统。图五. 蚕茧的X射线图像。图第六章a）原始图像b）直方图c）分割图像。S. Thomas和J.托马斯农业人工104sinθcosθm00m00M¼2000图第七章应用高斯模糊后的大津二值化a）原始图像b）应用高斯模糊c）直方图d）分割图像。M旋转矩阵<$Cosθ−sinθ旋转12 π该矩阵围绕原点旋转图像，在这种情况下，原点是图像的中心但是如果需要在任意坐标中旋转图像，则使用包括平移、旋转和平移的修改的旋转矩阵。修改后的旋转矩阵如下所示。α β1−α−βα β×cx 1−α ×cy其中，α是尺度值乘以cosθ，β是尺度值乘以sinθ。用于此问题的比例值为1。Cx和cy是需要绕其执行旋转的任意中心在这个问题中，旋转中心被用作围绕蛹识别的轮廓的中心。这可以通过识别图像的矩来cx¼m1014cym0115蛹图像的偏斜校正将有助于更准确地识别蛹的宽度，如图所示。八、第8章.a、4.b、8.c示出了偏斜校正的阶段 图 8.d示出了偏斜度校正后的原始图像，以便更好地理解， 8.e示出了在阈值化和偏斜校正之后围绕蛹绘制的轮廓。2.3. 特征提取2.3.1. 测量蛹的宽度和长度用于尺寸测量方法的方法包括椭圆拟合和最小矩形拟合方法，其有助于规则形状物体的宽度和高度估计在椭圆拟合方法中，椭圆内接在对象轮廓内，并且使用短轴进行宽度估计，使用长轴进行高度估计。在最小矩形拟合方法中，在对象周围拟合最小面积矩形角，然后使用矩形的宽度作为对象的宽度，矩形的高度作为对象的这两种方法在某些情况下会失败。因此，在这项研究中提出了一种新的方法。在所提出的方法中，使用点插值方法步骤如下。第一步：通过寻找轮廓的矩特征来使用eq测量轮廓中心（14）和eq.（十五）、步骤2：通过考虑图像的尺寸来识别图像的宽度和高度然后计算极左，和右使用方程。（16）Eq. （十七）、左端1/4 cX-1/2w =2 mm 16 mm右端¼cXw=2 17第3步：通过保持cy恒定，执行从中心到端点的插值与轮廓相交的点被认为是宽度点。步骤4：通过计算轮廓的极端顶部和底部点来计算高度第五步：通过欧氏距离度量计算点之间的距离图图9显示了用椭圆法（图9.a）、最小面积矩形法（图9.b）和建议的宽度计算法（图9.c）计算的宽度和高度。从图中可以清楚地看出，椭圆法和矩形法不能提供蛹的预期和准确的宽度。该方法获得了较好的宽度和高度2.3.2. 其他主要特征本研究考虑的其他主要特征是面积、周长、体积、圆形度、矩形度、坚固度、凸度、宽高比以及除宽度和高度外的重量。蛹的面积和周长分别考虑面积和弧长的轮廓。通过在蛹周围拟合最小封闭圆并将圆的面积除以蛹的面积来测量圆度通过在蛹周围拟合最小面积矩形并将该面积除以蛹的面积来计算通过找到蛹的凸闭合，然后将凸闭合的面积除以蛹的面积来计算密实度通过将凸包的周长除以蛹的周长来识别凸性从二维图像计算体积是一项困难的任务，因为它不提供深度信息。为了克服这个问题，用游标卡尺手动检查蛹的宽度和深度，发现蛹的宽度和深度没有太大的差异从图像计算宽度和高度信息。利用可用的高度和宽度信息，使用椭圆体公式的体积来计算体积表1显示了主要特征及其计算的总结。S. Thomas和J.托马斯农业人工105图八、 偏斜校正a）原始图像b）分割图像c）偏斜校正图像d）偏斜校正原始图像e）具有轮廓的原始图像。2.3.3. 降维简化技术有助于减少冗余、噪声和算法的复杂性，这反过来又提高了模型的准确性（Huang等人，2019年）。相似性约简方法在数据挖掘、模式识别、数据挖掘、数据挖掘识别、机器学习等等， （Xu等人， 2019年）。采用主成分分析、线性判别分析、截断奇异值分解、t分布随机邻域嵌入（t-SNE）和多维尺度（MDS）等不同降维方法，并对结果进行比较。见图9。使 用 各 种 方 法 估 计 宽度和长度a）椭圆法b）矩形法c）建议的方法。表1主要特征。特征量计算面积轮廓的面积周长轮廓的弧长圆面积/最小封闭圆矩形面积/最小面积矩形实面积/凸闭包凸闭包的弧长/P宽高比宽/高体积（4/3）*（22/7）*（高/2）*（宽/2）2重量含蛹茧的重量拟议方法高度顶部和底部轮廓S. Thomas和J.托马斯农业人工106nononono2.4. 分类在集成学习中，单个问题的解决基于多个学习者的训练构建一组假设，并将其组合以获得问题的解决方案。这包括基础学习者或弱学习者。在集成方法中，弱学习器（基础学习器）的性能得到了提升。 基本学习器通过基本学习算法（诸如决策树、逻辑回归等）从训练数据中开发（Binson等人，2021 a，2021 b，2021 c; Schapire，2013; Wang等人，2021年）。AdaBoost用于数据的分类AdaBoost是一种将弱学习者转化为强学习者的增强学习方法（Schapire，2013）。它被用于这项研究，因为它是二元分类问题的最佳模型（Wang et al.，2021年）。AdaBoost用于分类和回归，它是一种预测联合学习算法。 AdaBoost使用多次迭代来生成一个复合学习器，因此它是自适应的.“它创建了强学习者（一个与真正的classi fier很好相关的classi fier），迭代地添加弱学习者（一个与真正的classi fier只有轻微相关的classi fier）。在每一轮训练中，都会添加一个新的弱模型，并使用加权的训练数据进行训练。重复该步骤，直到开发出预设数量的弱学习器或无法对训练数据进行新的增强（Binson等人，2021a，2021 b，2021 c）。 AdaBoost用于不同的应用中，例如疾病诊断（Sevincare，2022; Binson等人，2021 a，2021 b，2021c）、质量预测（Bai et al.， 2021）、性别分类（Wang，2021）、银行业务（Lahmiri等人，2020年）等，在这项研究中，两个弱学习器，如决策树和逻辑回归。2.5. 计算环境在本研究中，使用了3.8.8版本的python和OpenCV4.5.2和scikit learn 0.24.1库。使用的操作系统是Microsoft Windows10，RAM 16GB，处理器Intel Core i7.3. 结果3.1. 数据分析3.1.1. 10重交叉验证在这项研究中，采用的分类器是AdaBoost，并尝试了决策树和逻辑回归作为弱学习器，使用不同的降维技术。为了获得最佳性能模型，采用10倍交叉验证（Bey等人，2020年）。使用性能矩阵（如准确度、精确度、召回率、f1评分和AUC评分）分析分类模型的性能，如表2所示。准确度分数提供了关于模型如何有效地分类雌性茧和雄性茧的信息精确度提供了有关分类器如何有效地基于误分类（也称为假阴性）执行分类的信息召回给出了基于假阳性的模型的性能效率。F1得分通过使用精确度和召回率提供模型的效率得分，其是以下各项的加权平均值：表2性能评价参数。评估指标精确度和召回率。 ROC曲线下面积决定了模型区分类别的有效性。数据集的分类是使用自适应提升完成为了获得性能改进，使用了各种降维技术，例如主成分分析、线性判别分析、截断奇异值分解、t分布随机邻居嵌入（t-SNE）和多维缩放（MDS）我们尝试了两种弱学习器，如决策树和逻辑回归，发现逻辑回归作为AdaBoost的弱学习器在我们的二进制分类问题中的表现优于决策树作为弱学习器 表3示出了使用不同的降维算法和逻辑回归和决策树作为弱学习器的10倍交叉验证的FC1茧分类的平均性能度量得分，其使用图1和图2以图形方式表示。10和11 图 10将AdaBoost作为弱学习者，结合FC1类的各种降维方法，用Logistic回归对 AdaBoost的性能进行了可视 化评价。图11 示出了AdaBoost的评估度量，其中决策树作为弱学习器，并且针对FC 1使用不同的维度缩减方法由此，通过分析性能度量，可以看出，作为弱学习者，与分类器AdaBoost和Logistic回归一起应用的降维方法LDA表现更好，对于FC 1，时间更少，为0.698 s表4显示了性能指标的平均得分，采用不同的降维技术以及以Logistic回归和决策树为分类器的增强集成学习方法AdaBoost对FC2茧性别分类的准确率、f1、精确率、召回率、AUC和时间进行了研究图图12和图13表示分类器的性能的图形表示，其中逻辑回归和决策树用作弱学习器以及不同的降维方法。通过对性能指标的分析，表明LDA与AdaBoost和Logistic回归作为弱学习者在0.732s内获得了更好的性能在不使用降维技术的情况下也尝试了分类器模型，并且在表5中描绘了性能。对表中数据的分析表明，采用线性判别分析降维方法，分类器的性能3.1.2. 该模型提出的基于性别的蛹分类模型是使用LDA+ AdaBoost设计的，Logistic回归作为弱学习器。超参数调整是使用网格搜索方法完成的。最终模型包含100个估计量，在该估计量处终止增强应用于提升迭代的权重为0.0005。使用多类指数损失函数（SAMME）的逐阶段加性建模被用作提升算法。对所提出的模型进行测试，其余20%的数据用于外部验证。执行外部验证以查看模型的性能用于外部验证的数据是在与主要数据集相同的采集条件下获得的用于外部确认的图像数量为FC 1的232张图像（111名男性和121名女性）和FC 2的245张图像（137名男性和108名女性）。结果表明，该模型在FC1和FC2分类中的准确率分别为95.3%和95.1%。图图14示出了使用所提出的分类器的FC 1和FC 2的外部验证的混淆矩阵。 从该混淆矩阵导出的性能矩阵如图所示。 15个。准确度分数精确度分数回忆率分数F1分数真阳性真阴性真阳性假阳性真阴性假阴性真阳性True 阳性结果错误阳性结果真阳性True 阳性结果错误阴性结果2×记忆度l×精确度n记忆度l×精确度n4. 讨论家蚕蛹的性别鉴定是蚕业生产中的一项重要工作这将有助于提高丝绸的质量、生产和出口。分类fication可以在切割蚕茧之前通过使用X射线成像来完成AUC ROC曲一种可以穿透蚕茧的方法，S. Thomas和J.托马斯农业人工表1图十一岁 FC1数据分类使用AdaBoost（决策树）与不同的降维方法。107FC1的不同降维方法的经典性能Classi fier精度F1精度召回AUC时间PCA + AdaBoost（逻辑回归）0.9570.9530.9840.9260.963.639秒PCA + AdaBoost（决策树）0.9490.9480.9420.9550.9571.219秒LDA + AdaBoost（逻辑回归）0.9710.970.9740.9670.9710.698秒LDA + AdaBoost（决策树）0.9680.9670.9670.9660.9690.778秒MDS + AdaBoost（逻辑回归）0.9550.9520.9590.9460.9542.219秒MDS + AdaBoost（决策树）0.9620.9610.9580.9640.9630.844秒t-SNE + AdaBoost（逻辑回归）0.9460.9430.9510.9370.9461.573秒t-SNE + AdaBoost（决策树）0.8270.8340.7770.910.8760.806秒SVD + AdaBoost（逻辑回归）0.9550.9510.9810.9240.9531.389秒SVD + AdaBoost（决策树）0.9490.9480.9420.9550.9571.254秒图10. FC1数据分类使用AdaBoost（逻辑回归）与不同的降维方法。S. Thomas和J.托马斯农业人工表2图13岁 FC2数据分类使用AdaBoost（决策树）与不同的降维方法。108FC2的不同降维方法的经典性能Classi fier精度F1精度召回AUC时间PCA + AdaBoost（逻辑回归）0.9380.9360.9540.9210.942.131秒PCA + AdaBoost（决策树）0.8670.8710.8470.8980.8729.732秒LDA + AdaBoost（逻辑回归）0.9630.9630.9620.9650.9630.732秒LDA + AdaBoost（决策树）0.9530.9540.9590.9590.9550.498秒MDS + AdaBoost（逻辑回归）0.9360.9360.9360.9370.9512.586MDS + AdaBoost（决策树）0.9380.9360.9590.9160.9380.669秒t-SNE + AdaBoost（逻辑回归）0.90.90.8980.9040.8991.513秒t-SNE + AdaBoost（决策树）0.8120.7980.8550.7540.830.762秒SVD + AdaBoost（逻辑回归）0.9270.9270.9380.9170.9270.889秒SVD + AdaBoost（决策树）0.8670.8710.8470.8980.8720.974秒图12个。 FC2数据分类使用AdaBoost（逻辑回归）与不同的降维方法。S. Thomas和J.托马斯农业人工109表5没有降维方法的经典过滤器性能回归）树）蛹的特征不破坏茧。所提出的宽度计算方法提供了一个更好的宽度相比，最小面积矩形拟合方法和椭圆拟合方法。高度计算中考虑了轮廓的极值点，比椭圆拟合和矩形拟合方法更好特征提取在分类器性能中也起主要作用结果部分描述了AdaBoost模型的数据分析与不同的弱分类器，如决策树和逻辑回归，并执行不同的降维方法。分类器的分析与性能指标的帮助下，如准确率，精度，召回率，f1分数，和AUC。在此基础上，采用Logistic回归 作 为弱 学习 器 ， 线性 判别 分 析作 为降维方法，利用AdaBoost建立了该模型还尝试了不使用维数降低方法的AdaBoost模型，结果如表5所示。将该表与表3和表4进行比较，很明显，应用降维方法LDA增强了分类器的性能。使用验证数据集对该模型进行了测试，获得了FC1和FC2性别分类的95.3%和95.1%的准确率。X-ray imaging for sortal bombardy pupa classi fication used inthe research by Cai et al.报道了LDA分类模型的93.31%的准确性（Cai等人， 2014年）。 在该模型中，作者使用了椭圆长轴、椭圆短轴、长短轴比、偏心率、凹凸性、圆度、矩形度和复杂度等形状描述特征。用于这项工作的样本量是总共1071个四个杂交品种，其中大约531个雌茧和540个雄茧。本研究使用1156个FC1和1226个FC2样本进行，这有助于更好地了解蛹的特征用于蛹性别分类的其他方法是NIR光谱法（Tao等人，2018a，2018 b; Zhu等人， 2018; Lin等人， 2019; Qiu等人，2021）、超光谱成像（HSI）（Tao等人，2018a，2018 b; Tao等人，2019 a，2019 b）和 光 学 穿 透 法 （ Sumriddetchkajorn 和 Kamtongdee ， 2012;Sumriddetchkajorn等人，图15个。FC1和FC 2外部验证的性能评价。2013; Kamtongdee 等 人 ， 2015; Sumriddetchkajorn 等 人 ， 2015年）。主要问题包括这些方法需要破坏茧进行蛹的性别分类，每个品种所用的样本量较少，以及机器的成本与现有方法相比，目前的如果有任何方法，准确地计算体积，而不考虑假设它是一个特定的形状，将有助于更多的研究。研究人员还没有证实将蚕茧暴露在X射线下会对蛹造成任何伤害因此，该方法可用于种子生产中心的种子质量生产这需要更多的研究，当茧暴露在X射线下时，X射线如何影响蛹5. 结论蚕桑产业是一个国家文化和经济发展不可或缺的领域印度是第二大丝绸出口国采用雄、雌茧分丝缫丝，可提高产丝质量这样可以避免丝的混合该模型利用蚕茧的X射线图像所提出的宽度提取和高度提取提供了更准确的特征提取。图14个。外部确认混淆矩阵a）FC1混淆矩阵b）FC2混淆矩阵。classifi er Variety精度精度召回F1得分AUCAdaBoost（弱FC10.9210.9140.9240.9180.935学习者：物流FC20.9340.9390.9330.9350.934AdaBoost（弱FC10.9030.9130.9360.9240.934学员：DecisionFC20.8830.8840.8870.8850.887S. Thomas和J.托马斯农业人工110采用LDA作为降维方法，提高了分类器的效率和性能。在训练数据中进行10倍交叉验证的模型对FC1和FC2品种的平均准确率为96.3%在外部验证中，所提出的模型获得了95.3%的准确度为FC 1和95.1%的FC2。资金本 研 究 由 科 学 技 术 部 （ DST ） 资 助 ， 资 助 参 考 号 为 ：SEED/WS/2019/135。CRediT作者贡献声明Sania Thomas：概念化，数据管理，调查，方法论，软件，可视化，写作Jyothi Thomas：概念化，数据管理，资金获取，方法论，监督，验证，写作竞争利益声明作者声明，他们没有已知的竞争性经济利益或个人关系，可能会出现在这篇论文中报告的工作确认作者感谢印度喀拉拉邦Palakkad种子生产中心对样本采集的支持引用Al-Amri，S.S.，Kalyankar，N.V.，2010年。 利用阈值技术进行图像分割。arXiv预印本2（5），83-86（arXiv：1005.4020）。Bai，Y.，（1996年），美国，谢，J.，Wang，D.，中国科学院，张伟，Li，C.，2021年基于粗糙知识的AdaBoost-LSTM制造质量预测模型。Comput. 印第安纳Eng. 155，107227。贝伊河，古索河，Grolleau，F.，Benchoufi，M.，波彻河，2020. 折叠分层交叉验证，用于无偏见和隐私保护的联邦学习。J. Am. Med. 告知。Assoc.27（8），1244-1251。弗吉尼亚州宾森市Subramoniam，M.，马修湖，2021年a. 基于集成学习方法的电子鼻检测COPD和肺癌。Clin. Chim. Acta 523，231-238.弗吉尼亚州宾森市Subramoniam，M.，Ragesh，G.K.，库马尔，A.，2021b的最后一页。使用adaboost集成学习方法通过呼吸分析早期检测肺癌。2021年第二届计算、通信 、 嵌 入 式 和 安 全 系 统 进 展 国 际 会 议 （ 2021 2nd International Conference onAdvances in Computing ， Communication ， Embed-Dedand Secure Systems ，ACCESS）IEEE，第183比187弗吉尼亚州宾森市Subramoniam，M.，桑尼，Y.，马修湖，2021年c。基于SVM和XGBoost的电子鼻肺部疾病预测IEEE Sensors J. 21（18），20886-20895。蔡，J.R.，Yuan，L.M.，刘，B.，孙湖，加-地2014年。基于多元数据分析的X射线成像蚕茧性别无损鉴定。Anal.方法6（18），7224-7233。杜，Z.，Hu，Y.，Ali Buttar，N.，Mahmood，A.，2019. x射线计算机断层扫描技术在农产品质量检测中的应用。食品科学。Nutr. 7（10），3146-3160。Ganga，G.，2019年。 《养蚕学概论》。出版社：Oxford and IBH PublishingGulzar，Y.，Hamid，Y.，Soomro，A.B.，Alwan，A.A.，埃克塞特诺湖，2020年。 基于卷积神经网络的种子分类系统。对称12（12），2018年。黄，X.， 吴，L.， 是的，Y.，2019. 降维技术综述。Int.模式识别第内特尔33（10），1950017。Joseph Raj，A.N.，孙达拉姆河Mahesh，V.G.，Zhuang，Z.，西蒙尼，A.，2019年。基于图像处理和支持向量机的蚕茧性别分类多传感器系统。传感器19（12），2656。Kamtongdee，C.，Sumriddetchkajorn，S.，Chanhorm，S.，Kaehwhom，W.，2015年。光穿透法性别鉴定中的噪声抑制和准确性提高。Appl.Opt.54（7），1844-1851.Lahmiri，S.，Bekiros，S.，Giakoumelou，A.，Bezzina，F.，2020年。财务资料分类之强化学习系统绩效评估。内特尔系统帐户。财务管理27（1），3- 9。林，X.，Zhuang，Y.，中国科学院，丹，T.，广林湖，小东，Y.，Jie，S.，徐闻湖，2019年。基于近红外光谱的预标记半监督学习方法对不同品种蚕蛹性别鉴别模型进行了修正。光谱分析Lett. 52（10），642-65 2.Loddo，A.，Loddo，M.，Di Ruberto，C.，2021年 一种基于深度学习的种子图像分类和检索新方法。Comput. 电子学。农业187、10626 9.Loddo，A.，Di Ruberto，C.，淡水河谷公司，Ucchesu，M.，苏亚雷斯，J.M.，Bacchetta，G.，2022年一个是一个高效、友好的种子图像分析工具目视Comput. 1比18Mahesh，V.G.，Raj，A.N.J.，Celik，T.，2017. 基于Zernike矩的蚕茧形状描述符与物理参数融合的蚕茧分级方法及其产蛋质量。Int. J. Intell.系统技术应用16（3），246-268。Moulet，A.，Bertrand，J.B.，Klostermann，T.，Guggenmos，A.，Karpowicz，N.，Goulielmakis，E.，2017. 软X射线激子科学357（6356），1134-1138。Ozaki，Y.，哈克，C.W.，Beć，K.B.，2018年近红外光谱及其应用。 分子和激光光谱学。进步与应用，pp。 11- 38Pr zy byo，J.，Jabooos ki，M. ，20 19。 采用深度分层神经网络技术，基于切片彩色图像进行肝细胞存活性识别。Comput.电子学。Agric. 156，490邱，G.，Tao，D.，Xiao，Q.，Li，G.，2021. 近红外光谱结合化学计量学分析对家蚕蛹的性别和种属同时分类。《科学杂志》FoodAgric. 101（4），1323-1
