一种基于机器学习的苹果检疫性病害高光谱分类方法

本发明公开了一种基于机器学习的苹果检疫性病害高光谱分类方法，涉及农业信息化技术领域，包括S1、图像采集：使用高光谱成像设备对病害苹果果实进行图像采集，获取包含可见光及近红外波段在内的高维光谱信息；S3、特征提取：采用ReliefF算法对高维光谱波段进行特征选择，通过评估各波段在区分类别中的重要程度，提取与苹果病害显著相关的主成分和特征波段。本发明通过ReliefF算法优化高光谱数据，实现了精准提取关键波段，解决了高光谱数据维度爆炸导致的模型计算复杂度高、分类性能下降的问题，减少计算资源消耗，提升模型训练速度，同时保持分类精度。