基于機器學習和多光譜成像分類的茄子種子分類方法研究

瀏覽次數：1503　發布日期：2022-4-19　來源：本站　僅供參考，謝絕轉載，否則責任自負

基于機器學習和多光譜成像分類的茄子種子分類方法研究

摘要：在這項研究中，選擇了十五種不同品種的茄子種子進行多光譜成像技術的判別分析。從多光譜圖像中獲取的 78個特征從單個茄子種子中提取，然后使用SVM和一維卷積神經網絡 (1D-CNN) 進行分類，總體準確率分別為90.12%和94.80%。還采用了二維卷積神經網絡（2D-CNN）對種子品種進行判別，準確率達到了90.67%。這項研究不僅證明了結合機器學習技術的多光譜成像可以作為一種高通量、無損的工具來區分種子品種，而且還揭示了種子殼的形狀可能與母本不完全相同，因為遺傳和環境因素。

圖像采集設備VideometerLab 4 (VM)如圖1(a)所示。VM 配備了 19 個 LED。每個LED發出具有指定中心波長的光。儀器采集19個波段的多光譜圖像，空間分辨率為2192×2192。每個像素代表從紫外到近紅外（365~970 nm）的光譜反射率。由于種子和藍色背景之間的顏色對比，種子可以很容易地從圖像中分割出來。圖像處理程序使用 VideometerLab 軟件完成。MATLAB用于開發分類模型。茄子十五種品種在 2017 年收獲用于該實驗。所有種子均由河北農業大學省重點實驗室培育。將隨機數量的種子放入直徑為9厘米的培養皿中進行圖像采集（圖1（b））。種子總數為2872個，其中隨機選擇20%的種子作為測試集，10%作為驗證集，其余樣本作為訓練集。表1顯示了每個品種的種子數量。采用Otsu方法獲得二值圖像，并進行一系列形態學操作以去除背景中的噪聲。分水嶺算法用于圖像分割。圖 1(c)顯示了分割后的連接種子圖像的邊界，圖1(d) 顯示了分割后的單個種子。

圖1.圖像采集和圖像分割。(a) VideometerLab4用于圖像采集。(b) 茄子種子的多光譜圖像（查看模式：sRGB）。(c) 分水嶺算法分割的種子邊界圖像。(d)單個種子的圖像。

圖3顯示了15個茄子品種的平均光譜反射率。不同品種的平均光譜之間僅存在微小差異。15個品種的光譜曲線趨勢相似，在515~540nm范圍內呈下降趨勢。17-38的光譜反射率在15個品種中最高；其他品種在同一范圍內。大多數品種的光譜曲線相互交叉或重疊。

圖3.十五種茄子種子的平均反射率

使用SVM和1D-CNN 開發了基于提取特征的判別模型。RBF、poly 和線性核函數用于SVM。具有線性核函數的SVM算法的最佳精度為91.28%。表現最好的模型是CNN，分類準確率為94.80%。圖 2(a)–4(d) 顯示了訓練損失、訓練準確度、測試損失和測試準確度。損失隨著迭代而急劇下降，而分類精度迅速提高，這表明快速收斂。