Intelligent Sine Cosine Optimization with Deep Transfer Learning Based Crops Type Classification Using Hyperspectral Images

Abstract

Hyperspectral Remote Sensing (HRS) is an emergent, multidisciplinary paradigm with several applications, which are developed on the basis of material spectroscopy, radiative transfer, and imaging spectroscopy. HRS plays a vital role in agriculture for crops type classification and soil prediction. The recently developed artificial intelligence techniques can be used for crops type classification using HRS. This study develops an Intelligent Sine Cosine Optimization with Deep Transfer Learning Based Crop Type Classification (ISCO-DTLCTC) model. The ISCO-DTLCTC technique comprises initial preprocessing step to extract the region of interest. The information gain-based feature reduction technique is employed to reduce the dimensionality of the original hyperspectral images. In addition, a fusion of 3 deep convolutional neural networks models namely, VGG16, SqueezeNet, and Dense-EfficientNet perform feature extraction process. Furthermore, sine cosine optimization (SCO) algorithm with Modified Elman Neural Network (MENN) model is applied for crops type classification. The design of SCO algorithm helps to proficiently select the parameters involved in the MENN model. The performance validation of the ISCO-DTLCTC model is carried out using benchmark datasets and the results are inspected under several measures. Extensive comparative results demonstrated the betterment of the ISCO-DTLCTC model over the state of art approaches with maximum accuracy of 99.99%.

RÉSUMÉ

La télédétection hyperspectrale (HRS) est une technologie émergente et multidisciplinaire ayant plusieurs applications développées sur la base de la spectroscopie des matériaux, du transfert radiatif et de la spectroscopie des images. L’HRS joue un rôle essentiel en agriculture pour la classification des types de cultures et la prévision des sols. Les techniques d’intelligence artificielle (IA) récemment développées peuvent être utilisées pour la classification des types de cultures à l’aide de HRS. Cette étude développe un modèle intelligent d’optimisation du sinus-cosinus avec une classification des types de cultures basée sur l’apprentissage par transfert profond (ISCO-DTLCTC). La technique ISCO-DTLCTC comprend une étape initiale de prétraitement pour extraire la région d’intérêt (RoI). La technique IGFR (Information Gain Based Feature Reduction) est utilisée pour réduire la dimensionnalité des images hyperspectrales originales. Une fusion de trois modèles DCNN (Deep Convolutional Neural Networks), à savoir VGG16, SqueezeNet et Dense-EfficientNet, effectue un processus d’extraction des principales caractéristiques. En outre, l’algorithme d’optimisation du sinus-cosinus (SCO) avec le modèle MENN (Modified Elman Neural Network) est appliqué à la classification des types de cultures. La conception de l’algorithme SCO permet de sélectionner efficacement les paramètres impliqués dans le modèle MENN. La validation des performances du modèle ISCO-DTLCTC est effectuée à l’aide d’ensembles de données de référence et les résultats sont validés avec différents paramètres. Les résultats démontrent l’efficacité du modèle ISCO-DTLCTC par rapport aux approches de pointe avec une précision maximale de 99,99%.

Author contributions

The manuscript was written through contributions of all authors. All authors have given approval to the final version of the manuscript.

Data availability statement

Data sharing not applicable to this article as no datasets were generated during the current study.