基于因子分析和AdaBoost算法的烟叶颜色分类
张千子, 邓邵文, 王文浩, 何倩, 郭燕, 高云才, 李湘伟, 唐晓燕, 常玉龙, 杨粟, 杜啟霞, 罗小枝
2025, 64(10):
195-200.
doi:10.14088/j.cnki.issn0439-8114.2025.10.030
摘要
(
12 )
PDF (3993KB)
(
3
)
参考文献 |
相关文章 |
多维度评价
通过样本采集获取具有代表性的烟叶样本(橘黄色烟叶、柠檬黄色烟叶、红棕色烟叶),并进行预处理。利用因子分析方法对烟叶颜色的相关特征进行提取,以降低数据维度并提取关键信息。采用AdaBoost算法构建分类模型,对提取的特征进行分类,并对比不同算法的预测结果。对FA-AdaBoost模型的性能进行评估,并验证其分类效果。结果表明,应用因子分析法选出380、460、740 nm 3个波段,作为烟叶颜色分类的关键光谱特征。与梯度提升、Bagging和随机森林算法相比,AdaBoost算法能够在较少的迭代次数内,达到最低的测试误差率。FA-AdaBoost模型在烟叶颜色分类中表现优异,精确率、召回率和F1分数均处于较高水平,FA-AdaBoost模型对红棕色烟叶的识别效果显著,3项指标均达100%。从支持度来看,各类别样本数量差异明显,红棕色烟叶样本量(3片)远少于其他类别,存在明显的类别不平衡现象,但是FA-AdaBoost模型整体准确率仍达86%,表明FA-AdaBoost模型在面临类别不平衡挑战时,依然能保持较强的整体分类能力。AdaBoost模型在烟叶颜色分类任务中展现出高效、准确的识别能力,在不同类别间的性能表现也较为均衡,展现出稳健的泛化能力。