多光谱成像技术结合机器学习判别辣椒种子品种

2022-04-15 来源:本站点击次数:1477

当种子中混入非种子材料或低价值种子品种混入高价值品种时，会给种植者或企业造成损失。因此，种子品种的成功鉴别对于提高种子价值至关重要。近年来，卷积神经网络（CNN）已被用于种子品种的分类。研究了利用多光谱成像结合一维卷积神经网络（1D-CNN）对辣椒种子品种进行分类的可行性。三个品种样品总数为1472个，研究了三个品种在365nm和970nm之间的平均光谱曲线。使用光谱的全波段或通过连续投影算法（SPA）选择的特征波段分析数据。SPA从19个波段（430、450、470、490、515、570、660、780 和 880 nm）中提取了9个特征波段。使用K最近邻（KNN）、支持向量机（SVM）和1D-CNN全波段开发的三种分类模型的分类准确率分别为85.81%、97.70%和90.50%。在全波段下，SVM和1D-CNN的表现明显优于KNN，SVM的表现略好于1D-CNN。使用特征波段，SVM和1D-CNN的测试准确率分别为97.30%和92.6%。1D-CNN的分类准确率虽然不是最高的，但操作简单，是辣椒种子品种预测最可行的方法。

图1.三种辣椒种子，从左到右：‘牛角’辣椒、‘切门田’辣椒、‘天鹰’辣椒

图2显示了三个辣椒种子品种的平均光谱曲线。三个品种在近红外或紫外波段的光谱曲线没有明显差异。但在可见光波段，3条曲线的反射率差异明显，这表明用多光谱数据区分三个辣椒品种的可能性。

图2.三个辣椒品种的平均光谱曲线

使用KNN对三个辣椒品种进行分类，样本是随机抽取的。随着k值的变化，分类精度也发生了变化。k值取1~6，分类准确率分别为82.43%、83.11%、85.81%、82.43%、82.43%、82.43%。结果表明，当k值继续增加时，准确率并没有提高。由结果得出，当k=3时，分类准确率最好（85.81%）。使用SVM分类模型对三种辣椒进行分类。训练集和测试集的准确率分别为99.30% 和97.70%。图2显示了SVM模型的训练和测试集的预测和真实类别。

图2.使用RBF核函数的SVM模型的预测结果比较。(a)训练集，(b)测试集