多光譜成像技術結合機器學習判別辣椒種子品種
當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重要。近年來，卷積神經網絡（CNN）已被用于種子品種的分類。研究了利用多光譜成像結合一維卷積神經網絡（1D-CNN）對辣椒種子品種進行分類的可行性。三個品種樣品總數為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據。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（SVM）和1D-CNN全波段開發(fā)的三種分類模型的分類準確率分別為85.81%、97.70%和90.50%。在全波段下，SVM和1D-CNN的表現明顯優(yōu)于KNN，SVM的表現略好于1D-CNN。使用特征波段，SVM和1D-CNN的測試準確率分別為97.30%和92.6%。1D-CNN的分類準確率雖然不是最高的，但操作簡單，是辣椒種子品種預測最可行的方法。
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，這表明用多光譜數據區(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對三個辣椒品種進行分類，樣本是隨機抽取的。隨著k值的變化，分類精度也發(fā)生了變化。k值取1~6，分類準確率分別為82.43%、83.11%、85.81%、82.43%、82.43%、82.43%。 結果表明，當k值繼續(xù)增加時，準確率并沒有提高。由結果得出，當k=3時，分類準確率最好（85.81%）。使用SVM分類模型對三種辣椒進行分類。訓練集和測試集的準確率分別為99.30% 和97.70%。圖2顯示了SVM模型的訓練和測試集的預測和真實類別。
圖2.使用RBF核函數的SVM模型的預測結果比較。(a)訓練集，(b)測試集
相關閱讀
Videometer種子表型組學：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：多光譜圖像分析在種子種質庫管理中的應用
Videometer種子表型組學：利用可見光、近紅外多光譜和化學計量學對不同番茄種子品種的分類
Videometer種子表型組學：使用多光譜成像和化學計量學方法在線鑒別水稻種子
Videometer種子表型組學：使用多光譜成像預測蓖麻種子的活力
Videometer種子表型組學：甜菜種子加工損傷的多光譜圖像分類
種子表型組學：利用多光譜成像和化學計量學方法對大豆種子進行無損鑒別
種子表型組學：Videometer多光譜成像種子質量評估的新工具
種子表型組學：基于可見-近紅外多光譜圖像數據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：使用灰度共生矩陣和機器學習技術識別單倍體玉米種子
種子表型組學：不同成熟度甜菜種子發(fā)芽抑制因子去除的優(yōu)化
