文献类型： 中文期刊

作者： 石睿 ¹ ; 张晗 ² ; 王成 ¹ ; 康凯 ² ; 罗斌 ¹ ;

作者机构： 1.江苏大学农业工程学院

2.北京市农林科学院智能装备技术研究中心

关键词： 高光谱成像;单粒小麦;活力;卷积神经网络;光谱特征;图像信息

期刊名称： 光谱学与光谱分析

ISSN： 1000-0593

年卷期： 2024 年 44 卷 011 期

页码： 3206-3212

收录情况： EI ; SCI ; 北大核心 ; CSCD

摘要： 小麦是我国主要的粮食作物，在国民经济发展中扮演至关重要的角色。种子是一切农业活动的基础，种子活力是种子最重要的评价指标之一，高活力的种子拥有良好的田间表现及耐储能力，因此准确鉴别小麦种子活力对我国农业生产具有重要意义。传统种子活力检测技术耗时、对操作人员要求高，且会对种子造成不可逆的损伤。以往利用高光谱成像技术检测种子活力，通常是针对种子批检测，且仅仅利用图像数据或光谱数据中的一种，很少将图谱数据结合用于单粒种子活力检测。为了更深入了解种子活力与光谱的内在联系，高光谱成像的小麦单粒种子快速无损检测研究颇具学术价值。以210粒经人工老化处理过的小麦种子(105粒有活力，105粒无活力)为研究对象，采集种子400～1 050 nm波段内的高光谱数据，随后进行标准发芽试验，确保高光谱数据与发芽实验结果一一对应，按照4∶2∶1的比例将数据集划分为训练集、测试集和真实数据集。利用竞争自适应重加权(CARS)算法选择特征波段，最终得到了30个特征波段，且所选特征波段对应了引起种子活力变化的蛋白质、淀粉和脂类等种子内部营养物质。为挑选出最优分类模型，对于全波段和特征波段光谱数据，利用训练集和测试集数据基于SVM、 KNN、 1DCNN和改进的ECA-CNN机器学习算法分别建立了小麦种子活力预测模型。结果表明，使用特征波段数据建立的模型性能均优于使用全波段数据建立的模型，其中使用特征波段数据建立的ECA-CNN模型性能最好，在避免过拟合的情况下，训练集整体准确率为99.17%,测试集准确率为80%。为避免建模过程对比较分类策略造成影响，利用真实数据集对比整体法和像素法两种分类策略。结果表明，像素法相比于整体法拥有更好的检测效果，整体准确率为86.67%,精确率为92.31%,召回率为80%,均优于像素法。该研究可为快速无损检测单粒小麦种子活力提供科学依据。