您好,欢迎进江苏双利合谱科技有限公司网站!
您现在的位置:首页 >> 解决方案 >> 基于高光谱影像和深度卷积神经网络的玉米种子品种分类
基于高光谱影像和深度卷积神经网络的玉米种子品种分类
浏览次数:133发布日期:2023-08-03

题目

基于高光谱影像和深度卷积神经网络的玉米种子品种分类

 

应用关键词

高光谱成像技术、深度学习、种子纯度、可见近红外

 

背景

在种子品质检测中,品种纯度是一个重要的指标,影响着种子的生长和产量。然而,不同品种的玉米种子在种植、收获、运输和储存等生长发育过程中可能是混合的。如果杂交玉米种子与其他品种的玉米种子混合,就会造成产量损失。传统玉米种子分类方法存在检测时间长、复杂度高、对种子有破坏作用等局限性。因此,亟需使用相关技术为育种者、种植者和消费者准确识别玉米品种。本文探究了高光谱成像技术与深度卷积神经网络(DCNN)相结合对四个品种的玉米种子进行分类的可行性。

 

试验设计

浙江大学成芳教授团队利用江苏双利合谱公司可见/近红外高光谱成像系统Gaiafield-V10E,获取了四个不同品种的玉米种子的高光谱影像,并提取了每个品种胚乳部分的平均光谱(400 – 1000 nm);基于平均光谱构建了DCNNK近邻(KNN)和支持向量机(SVM)三种分类模型。DCNN结构如图1所示。

 

1 DCNN结构。DCNN的主要流程(a),Conv Block的具体流程(b),FC Block的具体流程(c

 

结论

 

2 四种玉米种子的光谱。原始光谱(a);在450.26 - 978.94 nm波长范围内提取玉米种子ROI的平均光谱(b

对比了四个品种的平均光谱(图2)。光谱曲线的总体趋势非常相似,尤其是在510 -580 nm范围内。而Jiayu538在整个光谱中表现出明显高于Chunhua201Qianfeng258的反射率。在4个玉米品种中,Deyu977500 nm前和850 nm后表现出较高的反射率。450 - 700 nm的波长范围可能与叶绿素、β-胡萝卜素或其他与胚乳有关的成分的变化有关。短波红外的差异可能与O-HN-HC-H键的振动有关。这些异同的存在表明不同品种的玉米种子是可以分类的。

1 混淆矩阵以及accuracysensitivityspecificityprecision

 

分别采用KNNSVMDCNN模型对玉米种子品种进行分类。如表1所示,DCNN模型在accuracysensitivityspecificityprecision方面均获得了好的结果,显示了DCNN模型的优越性。对于验证集,我们可以看到三个模型的验证集的整体结果略差于测试集。KNNSVMDCNN模型的accuracy分别为63.1%86.9%93.3%。验证集与测试集的评价指标大小几乎没有区别。此外,从sensitivityspecificityprecision的值来看,数值变化不大,可见模型没有出现过拟合现象,模型的稳定性较好。

 

3 基于SVMa)和DCNN模型(b)的种子可视化分类图(Chunhua201Deyu977Jiayu538Qianfeng258的玉米种子分别以蓝色、绿色、橙色和红色进行可视化)

为了直观地观察玉米种子样本的分类结果,利用SVMDCNN模型实现了玉米胚乳图像的可视化(图5)。虽然肉眼很难判断玉米种子样品之间的差异,但从最终的化学图像中可以明显地识别出各个品种的玉米种子。可以看到,在320个测试玉米种子中,基于DCNN模型的分类图中只有4个玉米种子被错分类。准确率为98.75%,与上述分析结果相似。

以上研究表明了,通过结合高光谱成像技术和DCNN可实现玉米种子品种快速、准确地区分和可视化。在未来的研究中,预计将使用更多的玉米种子品种来提高分类模型的稳定性,并开发出实时的玉米种子分类系统。

 

作者信息

成芳,博士,浙江大学生物系统工程与食品科学学院教授,博士生导师。

主要研究方向:智能装备、农产食品加工质量实时在线监测自动控制技术、显微成像光谱信息融合分析、淀粉纳米晶制备改性及应用、种子纳米增强等。

参考文献:

Zhang, J., Dai, L., & Cheng, F. (2020). Corn seed variety classification based on hyperspectral reflectance imaging and deep convolutional neural network. Journal of Food Measurement and Characterization, 15, 484-494. 

在线客服
电话
028-86513885
手机
13810146393