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(shù)：1627　發(fā)布日期：2022-4-19　來源：本站　僅供參考，謝絕轉(zhuǎn)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(shù)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(jīng)網(wǎng)絡(luò) (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(jīng)網(wǎng)絡(luò)（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(jié)合機器學習技術(shù)的多光譜成像可以作為一種高通量、無損的工具來區(qū)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(huán)境因素。

圖像采集設(shè)備VideometerLab 4 (VM)如圖1(a)所示。VM 配備了 19 個 LED。每個LED發(fā)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(fā)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(nóng)業(yè)大學省重點實驗室培育。將隨機數(shù)量的種子放入直徑為9厘米的培養(yǎng)皿中進行圖像采集（圖1（b））。種子總數(shù)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(shù)量。采用Otsu方法獲得二值圖像，并進行一系列形態(tài)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(nèi)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(nèi)。大多數(shù)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(fā)了基于提取特征的判別模型。RBF、poly 和線性核函數(shù)用于SVM。具有線性核函數(shù)的SVM算法的最佳精度為91.28%。表現(xiàn)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。