分享自:

基于优化深度神经网络和高光谱成像的槐树种子活力识别可行性研究

期刊:computers and electronics in agricultureDOI:10.1016/j.compag.2021.106426

这篇文档属于类型a,即单篇原创研究的学术报告。以下是对该研究的详细介绍:

作者及研究机构
本研究的主要作者包括Lei Pang、Lianming Wang、Peng Yuan、Lei Yan、Qing Yang和Jiang Xiao,他们分别来自北京林业大学的技术学院和林业学院。该研究发表于2021年9月15日的《Computers and Electronics in Agriculture》期刊,文章编号为106426。

学术背景
本研究的主要科学领域为农业与林业中的种子活力检测,特别是针对槐树(Sophora japonica)种子的快速识别。种子活力检测在农业和林业中具有重要意义,传统的检测方法如发芽试验和四唑染色法虽然直观,但存在成本高、操作复杂、破坏性强且耗时长等缺点。近年来,基于物理学的快速检测方法(如X射线、核磁共振光谱等)虽然有所发展,但仍存在效率低、操作复杂等问题。
本研究旨在利用高光谱成像(hyperspectral imaging, HSI)技术和深度学习算法,结合粒子群优化(particle swarm optimization, PSO)技术,快速识别槐树种子的活力。研究的主要目标包括:(1)观察不同老化和吸水状态下种子的光谱表现,分析成分变化,并建立光谱与成分之间的相关性;(2)比较不同预处理方法和典型机器学习方法在识别种子活力中的可行性;(3)研究粒子群优化算法在优化深度神经网络中的应用,并输出最优超参数;(4)基于光谱和图像信息,利用多种深度学习网络建立种子活力识别模型。

研究流程
本研究分为以下几个主要步骤:
1. 种子样本准备
研究使用的槐树种子购于2019年10月的北京种子市场。种子经过高温浸泡处理以破坏种皮,随后进行自然冷却和人工老化处理。老化处理分为四个等级(A、B、C、D),分别对应不同的老化时间(0小时、2小时、5小时、10小时)。每组选取192颗种子进行高光谱数据采集,其余种子用于成分检测。
2. 高光谱成像系统及数据采集
使用SOC710VP便携式高光谱成像仪采集种子的高光谱数据。数据采集分别在吸水0小时和10小时进行,每次采集192颗种子的光谱信息。原始图像通过校准转换为反射率图像,以消除光照不均和暗电流噪声的影响。
3. 标准发芽试验
根据国际种子检测协会标准,对四组种子进行发芽试验,以验证人工老化处理对种子活力的影响。结果表明,随着老化时间的增加,种子的发芽率显著下降。
4. 光谱提取与预处理
对校正后的图像进行分割,提取单个种子的光谱信息。采用多种预处理方法(如零中心化、一阶导数、二阶导数、对数变换等)对光谱数据进行处理,以减少无关信息的影响。
5. 多种建模方法
本研究采用了传统的机器学习方法(如朴素贝叶斯、自组织特征映射算法、支持向量机)和深度学习方法(如卷积神经网络、长短期记忆网络)进行建模。此外,还利用粒子群优化算法对深度神经网络的超参数进行优化,以提高模型的识别精度和收敛速度。
6. 成分分析
对四组种子在吸水前后的水分、蛋白质、淀粉、脂肪和总糖含量进行检测,分析老化和吸水对种子成分的影响,并建立光谱与成分之间的相关性。结果表明,脂肪成分对光谱和种子活力的变化最为敏感。
7. 模型评估
基于光谱和图像信息,分别建立一维光谱和二维图像的深度学习模型,并评估其识别效果。结果表明,基于图像的深度学习模型表现最佳,识别准确率超过90%,经粒子群优化后,识别率可达99.73%。

主要结果
1. 光谱特征与成分分析
不同活力等级的种子在光谱表现上具有相似的趋势,但在吸水10小时后,正常种子与老化种子的光谱差异显著增加。成分分析表明,老化和吸水处理对种子的水分、蛋白质、淀粉、脂肪和总糖含量均有显著影响,其中脂肪成分的变化与光谱变化具有高度相关性。
2. 传统机器学习模型的表现
在未经预处理的光谱数据上,朴素贝叶斯模型表现最差,支持向量机模型表现最佳,但总体识别准确率较低(最高为77.6%)。经过预处理后,模型识别准确率有所提高,但增幅有限。
3. 深度学习模型的表现
基于一维光谱的深度学习模型(如卷积神经网络、长短期记忆网络)在识别种子活力方面表现出显著优势,识别准确率超过80%。经粒子群优化后,模型性能进一步提升,识别准确率分别达到91.27%和92.45%。
4. 基于图像的深度学习模型
基于二维图像的深度学习模型表现最佳,识别准确率超过90%,经粒子群优化后,识别率可达99.73%。

结论
本研究证明了高光谱成像技术与深度学习算法结合在快速识别槐树种子活力方面的巨大潜力。研究结果表明,基于图像的深度学习模型在识别种子活力方面表现最佳,经粒子群优化后,识别率显著提高。该研究为农业和林业中种子活力的快速检测提供了新的技术手段,具有重要的科学价值和应用价值。

研究亮点
1. 创新性方法
本研究首次将高光谱成像技术与深度学习算法结合,并引入粒子群优化算法优化模型超参数,显著提高了种子活力识别的准确率和效率。
2. 高精度识别
基于图像的深度学习模型在识别种子活力方面表现出色,经优化后识别率高达99.73%,为种子活力检测提供了高精度的解决方案。
3. 成分与光谱相关性
研究揭示了脂肪成分与光谱变化之间的高度相关性,为未来种子活力指标的建立提供了重要依据。

其他有价值的内容
本研究还提出了未来研究的方向,包括延长吸水时间以提取更多深度特征,以及分析除脂肪外的其他代谢物,以进一步研究种子光谱变化的机制。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com