Os métodos tradicionais de detecção do dragão amarelo em citros apresentam problemas de baixa precisão e instabilidade. Este artigo propõe um método de discriminação baseado na espectroscopia de infravermelho próximo combinado com regressão de menor ângulo e máquina extrema de aprendizado por kernel (Least angle regression combined with kernel extreme learning machine, LAR-KELM(RBF)). Este método pré-processa os dados espectrais por meio de transformada wavelet, seleciona os comprimentos de onda espectrais pelo algoritmo de regressão do menor ângulo (LAR) e, por fim, realiza a classificação das amostras utilizando a máquina extrema de aprendizado por kernel (KELM(RBF)). Os experimentos usaram dados espectrais no infravermelho próximo de folhas cítricas para validar o desempenho do algoritmo LAR-KELM(RBF), alcançando uma acurácia máxima de classificação de 99,91% e um desvio padrão de 0,11. Os resultados experimentais em conjuntos de treinamento de diferentes tamanhos mostram que o modelo LAR-KELM(RBF) tem maior precisão de classificação e maior estabilidade em comparação com a máquina extrema de aprendizado (ELM), a máquina extrema de aprendizado por sobreposição de formas de onda (SWELM), a rede neural de retropropagação (BP(2 camadas)), KELM(RBF) e a máquina de vetores de suporte (SVM), podendo ser amplamente aplicado na detecção e discriminação do dragão amarelo em citros.

espectroscopia de infravermelho próximo;dragão amarelo em citros;seleção de variáveis;máquina extrema de aprendizado por kernel;regressão de menor ângulo