多光譜成像技術(shù)結(jié)合機(jī)器學(xué)習(xí)判別辣椒種子品種

瀏覽次數(shù)：980　發(fā)布日期：2022-4-15　來(lái)源：本站　僅供參考，謝絕轉(zhuǎn)載，否則責(zé)任自負(fù)

當(dāng)種子中混入非種子材料或低價(jià)值種子品種混入高價(jià)值品種時(shí)，會(huì)給種植者或企業(yè)造成損失。因此，種子品種的成功鑒別對(duì)于提高種子價(jià)值至關(guān)重要。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）已被用于種子品種的分類(lèi)。研究了利用多光譜成像結(jié)合一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）對(duì)辣椒種子品種進(jìn)行分類(lèi)的可行性。三個(gè)品種樣品總數(shù)為1472個(gè)，研究了三個(gè)品種在365nm和970nm之間的平均光譜曲線(xiàn)。使用光譜的全波段或通過(guò)連續(xù)投影算法（SPA）選擇的特征波段分析數(shù)據(jù)。SPA從19個(gè)波段（430、450、470、490、515、570、660、780 和 880 nm）中提取了9個(gè)特征波段。使用K最近鄰（KNN）、支持向量機(jī)（SVM）和1D-CNN全波段開(kāi)發(fā)的三種分類(lèi)模型的分類(lèi)準(zhǔn)確率分別為85.81%、97.70%和90.50%。在全波段下，SVM和1D-CNN的表現(xiàn)明顯優(yōu)于KNN，SVM的表現(xiàn)略好于1D-CNN。使用特征波段，SVM和1D-CNN的測(cè)試準(zhǔn)確率分別為97.30%和92.6%。1D-CNN的分類(lèi)準(zhǔn)確率雖然不是最高的，但操作簡(jiǎn)單，是辣椒種子品種預(yù)測(cè)最可行的方法。

圖1.三種辣椒種子，從左到右：‘牛角’辣椒、‘切門(mén)田’辣椒、‘天鷹’辣椒

圖2顯示了三個(gè)辣椒種子品種的平均光譜曲線(xiàn)。三個(gè)品種在近紅外或紫外波段的光譜曲線(xiàn)沒(méi)有明顯差異。但在可見(jiàn)光波段，3條曲線(xiàn)的反射率差異明顯，這表明用多光譜數(shù)據(jù)區(qū)分三個(gè)辣椒品種的可能性。

圖2.三個(gè)辣椒品種的平均光譜曲線(xiàn)

使用KNN對(duì)三個(gè)辣椒品種進(jìn)行分類(lèi)，樣本是隨機(jī)抽取的。隨著k值的變化，分類(lèi)精度也發(fā)生了變化。k值取1~6，分類(lèi)準(zhǔn)確率分別為82.43%、83.11%、85.81%、82.43%、82.43%、82.43%。結(jié)果表明，當(dāng)k值繼續(xù)增加時(shí)，準(zhǔn)確率并沒(méi)有提高。由結(jié)果得出，當(dāng)k=3時(shí)，分類(lèi)準(zhǔn)確率最好（85.81%）。使用SVM分類(lèi)模型對(duì)三種辣椒進(jìn)行分類(lèi)。訓(xùn)練集和測(cè)試集的準(zhǔn)確率分別為99.30% 和97.70%。圖2顯示了SVM模型的訓(xùn)練和測(cè)試集的預(yù)測(cè)和真實(shí)類(lèi)別。