當(dāng)種子中混入非種子材料或低價值種子品種混入高價值品種時，會給種植者或企業(yè)造成損失。因此，種子品種的成功鑒別對于提高種子價值至關(guān)重要。近年來，卷積神經(jīng)網(wǎng)絡(luò)（CNN）已被用于種子品種的分類。研究了利用多光譜成像結(jié)合一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）對辣椒種子品種進(jìn)行分類的可行性。三個品種樣品總數(shù)為1472個，研究了三個品種在365nm和970nm之間的平均光譜曲線。使用光譜的全波段或通過連續(xù)投影算法（SPA）選擇的特征波段分析數(shù)據(jù)。SPA從19個波段（430、450、470、490、515、570、660、780 和 880 nm）中提取了9個特征波段。使用K最近鄰（KNN）、支持向量機(jī)（SVM）和1D-CNN全波段開發(fā)的三種分類模型的分類準(zhǔn)確率分別為85.81%、97.70%和90.50%。在全波段下，SVM和1D-CNN的表現(xiàn)明顯優(yōu)于KNN，SVM的表現(xiàn)略好于1D-CNN。使用特征波段，SVM和1D-CNN的測試準(zhǔn)確率分別為97.30%和92.6%。1D-CNN的分類準(zhǔn)確率雖然不是最高的，但操作簡單，是辣椒種子品種預(yù)測最可行的方法。
 

圖1.三種辣椒種子，從左到右：‘牛角’辣椒、‘切門田’辣椒、‘天鷹’辣椒

圖2顯示了三個辣椒種子品種的平均光譜曲線。三個品種在近紅外或紫外波段的光譜曲線沒有明顯差異。但在可見光波段，3條曲線的反射率差異明顯，這表明用多光譜數(shù)據(jù)區(qū)分三個辣椒品種的可能性。
 

圖2.三個辣椒品種的平均光譜曲線

使用KNN對三個辣椒品種進(jìn)行分類，樣本是隨機(jī)抽取的。隨著k值的變化，分類精度也發(fā)生了變化。k值取1~6，分類準(zhǔn)確率分別為82.43%、83.11%、85.81%、82.43%、82.43%、82.43%。 結(jié)果表明，當(dāng)k值繼續(xù)增加時，準(zhǔn)確率并沒有提高。由結(jié)果得出，當(dāng)k=3時，分類準(zhǔn)確率最好（85.81%）。使用SVM分類模型對三種辣椒進(jìn)行分類。訓(xùn)練集和測試集的準(zhǔn)確率分別為99.30% 和97.70%。圖2顯示了SVM模型的訓(xùn)練和測試集的預(yù)測和真實(shí)類別。
 

圖2.使用RBF核函數(shù)的SVM模型的預(yù)測結(jié)果比較。(a)訓(xùn)練集，(b)測試集

相關(guān)閱讀

Videometer種子表型組學(xué):種子活力研究-熒光成像

植物病害表型組學(xué)：多光譜病害指紋圖譜

Videometer種子表型組學(xué)：多光譜成像作為菠菜種子健康檢測的潛在工具

Videometer種子表型組學(xué)：多光譜圖像分析在種子種質(zhì)庫管理中的應(yīng)用

Videometer種子表型組學(xué)：利用可見光、近紅外多光譜和化學(xué)計量學(xué)對不同番茄種子品種的分類

Videometer種子表型組學(xué)：使用多光譜成像和化學(xué)計量學(xué)方法在線鑒別水稻種子

Videometer種子表型組學(xué)：使用多光譜成像預(yù)測蓖麻種子的活力

Videometer種子表型組學(xué)：甜菜種子加工損傷的多光譜圖像分類

種子表型組學(xué)：基于多光譜成像的葵花籽品質(zhì)特征識別

種子表型組學(xué)：利用多光譜成像和化學(xué)計量學(xué)方法對大豆種子進(jìn)行無損鑒別

種子表型組學(xué)：Videometer多光譜成像種子質(zhì)量評估的新工具

種子表型組學(xué)：聚合物包衣對水稻種子萌發(fā)的影響

種子表型組學(xué)：基于可見-近紅外多光譜圖像數(shù)據(jù)的偏最小二乘判別分析檢測菠菜種子的發(fā)芽能力和胚芽長度

種子表型組學(xué)：使用灰度共生矩陣和機(jī)器學(xué)習(xí)技術(shù)識別單倍體玉米種子

種子表型組學(xué)：不同成熟度甜菜種子發(fā)芽抑制因子去除的優(yōu)化

種子表型組學(xué)：通過射線照相和多光譜圖像分析測定小麥種子中的侵染

種子表型組學(xué)：用于表征麻瘋樹種子質(zhì)量的多光譜和X射線圖像

種子表型組學(xué)：鹽脅迫下九個高羊茅品種的種子萌發(fā)和幼苗生長參數(shù)