Les méthodes traditionnelles de détection de la maladie du dragon jaune des agrumes présentent des problèmes de faible précision et de faible stabilité. Cet article propose une méthode de discrimination basée sur la spectroscopie proche infrarouge combinant la régression angulaire minimale avec la machine d’apprentissage extrême à noyau (Least angle regression combined with kernel extreme learning machine, LAR-KELM(RBF)). Cette méthode prétraite les données spectrales par transformée en ondelettes, puis utilise l’algorithme de régression angulaire minimale (LAR) pour la sélection des longueurs d’onde et enfin classifie les échantillons par la machine d’apprentissage extrême à noyau (KELM(RBF)). Les expérimentations utilisant les données spectrales proches infrarouges des feuilles d’agrumes ont démontré la performance de l’algorithme LAR-KELM(RBF), atteignant une précision de classification maximale de 99,91 % avec un écart-type de 0,11. Les résultats des expériences sur des ensembles d’entraînement de différentes tailles montrent que le modèle LAR-KELM(RBF) offre une précision de classification plus élevée et une meilleure stabilité que la machine d’apprentissage extrême (ELM), la machine d’apprentissage extrême par superposition d’ondes (SWELM), le réseau de neurones à rétropropagation (BP(2 couches)), KELM(RBF) et la machine à vecteurs de support (SVM), ce qui lui permet d’être largement appliqué à la détection et à la discrimination de la maladie du dragon jaune des agrumes.

spectroscopie proche infrarouge;maladie du dragon jaune des agrumes;sélection de variables;machine d’apprentissage extrême à noyau;régression angulaire minimale