欧美亚洲精品真实在线丨a免费观看丨国产一区二区三区在线观看视频丨精品久久久久中文字幕app丨亚洲天堂av在线免费观看丨国产精品资源一区二区丨涩涩涩涩涩涩涩涩涩涩丨国产69av

題目

基于高光譜影像和深度卷積神經網絡的玉米種子品種分類

應用關鍵詞

高光譜成像技術、深度學習、種子純度、可見近紅外

背景

在種子品質檢測中，品種純度是一個重要的指標，影響著種子的生長和產量。然而，不同品種的玉米種子在種植、收獲、運輸和儲存等生長發育過程中可能是混合的。如果雜交玉米種子與其他品種的玉米種子混合，就會造成產量損失。傳統玉米種子分類方法存在檢測時間長、復雜度高、對種子有破壞作用等局限性。因此，亟需使用相關技術為育種者、種植者和消費者準確識別玉米品種。本文探究了高光譜成像技術與深度卷積神經網絡（DCNN）相結合對四個品種的玉米種子進行分類的可行性。

試驗設計

浙江大學成芳教授團隊利用江蘇雙利合譜公司的可見/近紅外高光譜成像系統Gaiafield-V10E，獲取了四個不同品種的玉米種子的高光譜影像，并提取了每個品種胚乳部分的平均光譜（400 – 1000 nm）；基于平均光譜構建了DCNN、K近鄰（KNN）和支持向量機（SVM）三種分類模型。DCNN結構如圖1所示。

圖1 DCNN結構。DCNN的主要流程（a），Conv Block的具體流程（b），FC Block的具體流程（c）

結論

圖2 四種玉米種子的光譜。原始光譜（a）；在450.26 - 978.94 nm波長范圍內提取玉米種子ROI的平均光譜（b）

對比了四個品種的平均光譜（圖2）。光譜曲線的總體趨勢非常相似，尤其是在510 -580 nm范圍內。而Jiayu538在整個光譜中表現出明顯高于Chunhua201和Qianfeng258的反射率。在4個玉米品種中，Deyu977在500 nm前和850 nm后表現出較高的反射率。450 - 700 nm的波長范圍可能與葉綠素、β-胡蘿卜素或其他與胚乳有關的成分的變化有關。短波紅外的差異可能與O-H、N-H、C-H鍵的振動有關。這些異同的存在表明不同品種的玉米種子是可以分類的。

表1 混淆矩陣以及accuracy、sensitivity、specificity、precision

分別采用KNN、SVM和DCNN模型對玉米種子品種進行分類。如表1所示，DCNN模型在accuracy、sensitivity、specificity、precision方面均獲得了好的結果，顯示了DCNN模型的*性。對于驗證集，我們可以看到三個模型的驗證集的整體結果略差于測試集。KNN、SVM和DCNN模型的accuracy分別為63.1%、86.9%和93.3%。驗證集與測試集的評價指標大小幾乎沒有區別。此外，從sensitivity、specificity、precision的值來看，數值變化不大，可見模型沒有出現過擬合現象，模型的穩定性較好。

圖3 基于SVM（a）和DCNN模型（b）的種子可視化分類圖（Chunhua201、Deyu977、Jiayu538、Qianfeng258的玉米種子分別以藍色、綠色、橙色和紅色進行可視化）

為了直觀地觀察玉米種子樣本的分類結果，利用SVM和DCNN模型實現了玉米胚乳圖像的可視化（圖5）。雖然肉眼很難判斷玉米種子樣品之間的差異，但從最終的化學圖像中可以明顯地識別出各個品種的玉米種子。可以看到，在320個測試玉米種子中，基于DCNN模型的分類圖中只有4個玉米種子被錯分類。準確率為98.75%，與上述分析結果相似。

以上研究表明了，通過結合高光譜成像技術和DCNN可實現玉米種子品種快速、準確地區分和可視化。在未來的研究中，預計將使用更多的玉米種子品種來提高分類模型的穩定性，并開發出實時的玉米種子分類系統。

作者信息

成芳，博士，浙江大學生物系統工程與食品科學學院教授，博士生導師。

主要研究方向：智能裝備、農產食品加工質量實時在線監測自動控制技術、顯微成像光譜信息融合分析、淀粉納米晶制備改性及應用、種子納米增強等。

參考文獻：

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.