CN111272668A - 小麦品种鉴别模型的构建方法 - Google Patents
小麦品种鉴别模型的构建方法 Download PDFInfo
- Publication number
- CN111272668A CN111272668A CN202010074978.8A CN202010074978A CN111272668A CN 111272668 A CN111272668 A CN 111272668A CN 202010074978 A CN202010074978 A CN 202010074978A CN 111272668 A CN111272668 A CN 111272668A
- Authority
- CN
- China
- Prior art keywords
- data
- wheat
- spectral information
- information data
- characteristic data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种小麦品种鉴别模型的构建方法，其包括以下步骤：步骤一、采集试验样本，并采集试验样本的图像信息；步骤二、采集光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据；步骤三、将数据分配，得训练集和预测集；步骤四、筛选最优建模方法；步骤五、筛选最优输入层数据，得到小麦品种鉴别模型。本发明为小麦品种鉴别提供更精确的方法，实现小麦品种快速、无损、有效、稳定鉴别，为小麦收储管理、加工等提供保障，保护农民利益，保障国家粮食安全。
Description
技术领域
本发明涉及农产品的检测研究技术领域。更具体地说，本发明涉及一种小麦品种鉴别 模型的构建方法。
背景技术
我国是小麦种植大国，小麦为我国北方主要粮食作物，其产量丰欠关系国计民生。种 子的纯度直接关系到小麦的产量与质量。如果小麦种子中混杂掺假，将极大损害国家和农 民的利益。不同品种的小麦，其生长的条件、抗虫害情况、产量、质量等都存在很大差异，在大田生产及育种工作中，有时会因收获、脱粒、清选、干燥、贮藏以及播种等环节中的 疏忽，造成品种搞乱或混杂，导致品种的真实性和纯度受到影响，从而影响后续的小麦加 工过程，造成较大的经济利益损失。因此，小麦品种的鉴别对粮食生产与加工意义重大。
目前，基于小麦品种鉴别的研究包括：化学鉴定法、形态学鉴定、蛋白质电泳指纹图 谱鉴别法、DNA指纹图谱鉴别法等。化学鉴定法在大多数情况下只能把种子分成几类，再与其他方法结合使用，而且这类方法应用范围较窄；形态学方法鉴定品种的形态特征非常有限，并且这些性状也只适用于其品种间差异明显的样品鉴定；蛋白质电泳指纹图谱鉴定法、DNA指纹图谱鉴定法鉴别精度高，但所需的时间很长，而且鉴别过程繁琐，对操作人 员技术要求较高，成本高，不适宜对样品进行批量分析和无损在线监测。故需一种快速、 有效、稳定的小麦品种鉴别方法。高光谱图像技术具有图像和光谱信息合一的特点，在种 子检测中其图像信息可以显示样品外部形态的特征，光谱信息可反映样品内部水分、蛋白质、淀粉、含氢基团等物质含量，因而可利用该技术实现小麦品种快速无损鉴别。
近年来，基于高光谱成像技术的小麦籽粒品种鉴别研究比较少，且存在没有实现不同 品种小麦之间的分类，其样本来源和数量少、模型代表性差，多品种之间识别度较低等问 题。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种小麦品种鉴别模型的构建方法，其利用高光谱成像技 术采集小麦籽粒的图像信息，提取光谱信息数据、形态特征数据、纹理特征数据和颜色特 征数据，筛选光谱预处理方法，基于光谱信息数据筛选最佳建模方法，基于最佳建模方法 分别建立基于光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及光谱信 息数据、形态特征数据、纹理特征数据和颜色特征数据结合的五种分类模型，最终得到最 佳的分类模型。该方法为小麦品种鉴别提供更精确的方法，实现小麦品种快速、无损、有效、稳定鉴别，为小麦收储管理、加工等提供保障，保护农民利益，保障国家粮食安全。
为了实现根据本发明的这些目的和其它优点，提供了一种小麦品种鉴别模型的构建方 法，其包括以下步骤：
步骤一、采集不同品种的小麦籽粒作为试验样本，利用高光谱成像系统采集试验样本 中小麦籽粒的图像信息；
步骤二、采集步骤一得到的图像信息中的光谱信息数据、形态特征数据、纹理特征数 据和颜色特征数据；
步骤三、将步骤二得到的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数 据分别根据SPXY法按照3:1的比例随机分配，并标记为训练集和预测集；
步骤四、用训练集中的光谱信息数据作为输入层，训练集中小麦籽粒对应的品种作为 输出层，分别采用多种建模方法进行训练，得到多种第一鉴别模型，用预测集的光谱信息 对多种小麦品种鉴别模型进行筛选，确定最优的建模方法；
步骤五、分别将步骤三中训练集中的光谱信息数据、形态特征数据、纹理特征数据、 颜色特征数据，以及以上四种数据的结合作为输入层，小麦籽粒的品种作为输出层，分别 采用步骤四中得到的最优的建模方法，建立五种第二鉴别模型，用预测集中的光谱信息数 据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合，对五种第二鉴别模型进行筛选，判别率最高的第二鉴别模型即为小麦品种鉴别模型。
优选的是，所述的小麦品种鉴别模型的构建方法，步骤二中，光谱信息数据的采集具 体为：
步骤S1、提取图像信息中的感兴趣区域，以感兴趣区域内所有像素点在各波长下的 平均反射率作为原始光谱信息数据；
步骤S2、对步骤S1得到的原始光谱信息数据进行预处理：在化学计量软件Unscrambler中采用多种预处理方法对步骤四的光谱信息数据进行预处理，并分别建立最小二乘回归模型，比较选取最优预处理方法；并采用最优预处理方法对原始光谱信息数据进行预处理，得到预处理后的原始光谱信息数据；
步骤S3、对步骤S2预处理后的原始光谱信息数据进行特征提取，在化学计量软件Unscrambler中基于最小二乘回归模型的回归系数法对预处理后原始光谱信息数据的全波长进行特征波长的提取，选择了回归系数的绝对值大于等于4000的多个波长作为特征波长，特征波长对应的反射率即为光谱信息数据。
优选的是，所述的小麦品种鉴别模型的构建方法，运用ENVI软件的特征提取模块在 胚、胚乳部位各选择一个边长为20像素的正方形区域，从以上两个正方形区域以及整个小麦籽粒所在的区域中筛选最优的区域，作为感兴趣区域。
优选的是，所述的小麦品种鉴别模型的构建方法，形态特征数据指的是运用ENVI软 件的特征提取模块提取的小麦籽粒的面积、周长、圆度、长、宽和长宽比，面积是感兴趣区域的像素数；周长是籽粒边界总长度的像素数；圆度是面积与长平方的比值；长是小麦籽粒上距离最长的两端点之间长度的像素数；宽是小麦籽粒上垂直于长度两端点之间连线中最长线长度的像素数；长宽比是小麦籽粒长度和宽度像素数的比值。
优选的是，所述的小麦品种鉴别模型的构建方法，纹理特征数据指的是通过灰度共生 矩阵来定义的ASM能量、对比度、像素点相关性和熵。
优选的是，所述的小麦品种鉴别模型的构建方法，颜色特征数据指的是通过颜色直方 图提取的小麦籽粒表面主色调特征。
优选的是，所述的小麦品种鉴别模型的构建方法，步骤S2中光谱信息数据的预处理 方法包括归一化法、卷积平滑法、基线校正法和变量标准化算法。
优选的是，所述的小麦品种鉴别模型的构建方法，步骤四中建模方法包括最小二乘判 别法、主成分判别法、线性判别法和支持向量机法。
本发明至少包括以下有益效果：
本发明利用高光谱成像技术采集小麦籽粒的图像信息，提取光谱信息数据、形态特征 数据、纹理特征数据和颜色特征数据，筛选光谱预处理方法，基于光谱信息数据筛选最佳 建模方法，基于最佳建模方法分别建立基于光谱信息数据、形态特征数据、纹理特征数据、 颜色特征数据，以及光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据结合的 五种分类模型，最终得到最佳的分类模型。该方法为小麦品种鉴别提供更精确的方法，实 现小麦品种快速、无损、有效、稳定鉴别，为小麦收储管理、加工等提供保障，保护农民 利益，保障国家粮食安全。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明 的研究和实践而为本领域的技术人员所理解。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字 能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或 多个其它元件或其组合的存在或添加。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述 试剂和材料，如无特殊说明，均可从商业途径获得。
本发明提供一种小麦品种鉴别模型的构建方法，其包括以下步骤：
步骤一、采集不同品种的小麦籽粒作为试验样本，利用高光谱成像系统采集试验样本 中小麦籽粒的图像信息；
步骤二、采集步骤一得到的图像信息中的光谱信息数据、形态特征数据、纹理特征数 据和颜色特征数据；
步骤三、将步骤二得到的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数 据分别根据SPXY法按照3:1的比例随机分配，并标记为训练集和预测集；
步骤四、用训练集中的光谱信息数据作为输入层，训练集中小麦籽粒对应的品种作为 输出层，分别采用多种建模方法进行训练，得到多种第一鉴别模型，用预测集的光谱信息 数据对多种第一鉴别模型进行筛选，确定最优的建模方法；
步骤五、分别将步骤三中训练集中的光谱信息数据、形态特征数据、纹理特征数据、 颜色特征数据，以及以上四种数据的结合作为输入层，小麦籽粒的品种作为输出层，分别 采用步骤四中得到的最优的建模方法，建立五种第二鉴别模型，用预测集中的光谱信息数 据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合并计算，对五种第二鉴别模型进行筛选，判别率最高的第二鉴别模型即为小麦品种鉴别模型。
上述技术方案中，利用高光谱成像技术采集试验样本的图像信息，并提取光谱信息数 据、形态特征数据、纹理特征数据和颜色特征数据，筛选感兴趣区域和光谱预处理方法， 基于光谱信息数据筛选最佳建模方法，基于最佳建模方法分别建立基于光谱信息数据、形 态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合构建第二鉴别模型， 通过判别率的比较，得到最佳的小麦品种鉴别模型。该方法为小麦品种鉴别提供更精确的 方法，实现小麦品种快速、无损、有效、稳定鉴别，为小麦收储管理、加工等提供保障， 保护农民利益，保障国家粮食安全。
另一种技术方案中，所述的小麦品种鉴别模型的构建方法，步骤二中，光谱信息数据 的采集具体为：
步骤S1、提取图像信息中的感兴趣区域，以感兴趣区域内所有像素点在各波长下的 平均反射率作为原始光谱信息数据；
步骤S2、对步骤S1得到的原始光谱信息数据进行预处理：在化学计量软件Unscrambler中采用多种预处理方法对步骤四的光谱信息数据进行预处理，并分别建立最小二乘回归模型，比较选取最优预处理方法；并采用最优预处理方法对原始光谱信息数据进行预处理，得到预处理后的原始光谱信息数据；
步骤S3、对步骤S2预处理后的原始光谱信息数据进行特征提取，在化学计量软件Unscrambler中基于最小二乘回归模型的回归系数法对预处理后原始光谱信息数据的全波长进行特征波长的提取，选择了回归系数的绝对值大于等于4000的多个波长作为特征波长，特征波长对应的反射率即为光谱信息数据。
另一种技术方案中，所述的小麦品种鉴别模型的构建方法，运用ENVI软件的特征提 取模块在胚、胚乳部位各选择一个边长为20像素的正方形区域，从以上两个正方形区域以及整个小麦籽粒所在的区域中筛选最优的区域，作为感兴趣区域。
另一种技术方案中，所述的小麦品种鉴别模型的构建方法，形态特征数据指的是运用 ENVI软件的特征提取模块提取的小麦籽粒的面积、周长、圆度、长、宽和长宽比，面积是感兴趣区域的像素数；周长是籽粒边界总长度的像素数；圆度是面积与长平方的比值；长是小麦籽粒上距离最长的两端点之间长度的像素数；宽是小麦籽粒上垂直于长度两端点之间连线中最长线长度的像素数；长宽比是小麦籽粒长度和宽度像素数的比值。
另一种技术方案中，所述的小麦品种鉴别模型的构建方法，纹理特征数据指的是通过 灰度共生矩阵来定义的ASM能量、对比度、像素点相关性和熵。
另一种技术方案中，所述的小麦品种鉴别模型的构建方法，颜色特征数据指的是通过 颜色直方图提取的小麦籽粒表面主色调特征。
另一种技术方案中，所述的小麦品种鉴别模型的构建方法，步骤S2中光谱信息数据 的预处理方法包括归一化法、卷积平滑法、基线校正法和变量标准化算法。
另一种技术方案中，所述的小麦品种鉴别模型的构建方法，步骤四中建模方法包括最 小二乘判别法、主成分判别法、线性判别法和支持向量机法。
实施例1
(1)采集小麦籽粒样本：采集师栾02-1、济麦22、周麦27、藁优2018、郑麦366 和矮抗58，6个品种的小麦籽粒。为了方便数据处理，需对每个品种进行赋值，师栾02-1 赋值为1，济麦22赋值2，周麦27赋值为3，藁优2018赋值为4，郑麦366赋值为5， 矮抗58赋值为6。同一品种各选100粒匀称、完好无损的籽粒作为试验样本，完成后将 每种试验样本单独密封于标记好的自封袋中，待测；
(2)光谱图像采集：利用高光谱成像系统采集6个试验样本中小麦籽粒的图像信息；
(3)数据提取：
a、光谱信息数据：提取步骤(2)得到的图像信息中感兴趣区域：运用ENVI软件的特征提取模块在胚、胚乳部位各选择一个边长为20像素的正方形或者以整个籽粒作为感兴趣区域；以感兴趣区域内所有像素点在各波长下的平均反射率作为原始光谱信息数据；对原始光谱信息数据进行预处理：在化学计量软件Unscrambler中采用多种预处理方法对步骤四的光谱信息数据进行预处理，并分别建立最小二乘回归模型，比较选取最优预处理方法；对预处理后的原始光谱信息数据进行特征提取，在化学计量软件Unscrambler中基于最小二乘回归模型的回归系数法对预处理后原始光谱信息数据的全波长进行特征波长的提取，选择了回归系数的绝对值大于等于4000的多个波长作为特征波长，特征波长在 所有像素下对应的多个反射率的平均值为光谱信息数据；
其中，感兴趣区域的确定具体为：运用ENVI软件的特征提取模块在胚、胚乳部位各选择一个边长为20像素的正方形区域，采集上述两个正方形区域以及整个小麦籽粒所在的区域，各自对应的原始光谱信息数据，然后Normalization预处理方法对上述三个原始光谱信息数据进行预处理，并分别建立PLSR模型，获取并比较三种PLSR模型的预测结 果，确定最优区域作为感兴趣区域；三种PLSR模型的预测结果如表1所示；
表1不同区域光谱所建PLSR模型的预测结果
由表1可知，籽粒不同部位的差异会影响模型性能，以小麦籽粒胚、胚乳和整个籽粒 光谱建立的PLSR模型的R2 CV、R2 P为胚＜胚乳＜整个籽粒，RMSECV和RMSEP为胚＞ 胚乳＞胚和整个籽粒，因此，确定整个籽粒所在区域对应的原始光谱信息数据建立的模型 最佳。
多种预处理方法包括归一化法(Normalization)、卷积平滑法(SG，Savitzky-Golay)、 基线校正法(Baseline)和变量标准化算法(SNV)；不同预处理方法所建最小二乘回归 预测模型对应的预测结果如表2所示；
表2不同预处理方法所建PLSR模型的预测结果
原始光谱中存在大量与小麦籽粒自身性质无关的冗余信息，提高模型的稳健性，建模 前分别采用多种光谱预处理方法。由表2可知，不同预处理方法对模型的性能有较大影响， 经过Normalization预处理之后的PLSR模型可靠性最好，R2 CV和R2 P分别为0.874和0.836， 均为最高，RMSECV和RMSEP较低。这是因为Normalization能消除多余信息，增加样品之间的差异，从而提高模型的稳健性和预测能力，因此，确定Normalization为最佳预 处理方法。
b、形态特征数据：运用ENVI软件的特征提取模块提取的小麦籽粒的面积、周长、圆度、长、宽和长宽比作为形态特征数据；其中，面积是感兴趣区域的像素数；周长是籽 粒边界总长度的像素数；圆度是面积与长平方的比值；长是小麦籽粒上距离最长的两端点 之间长度的像素数；宽是小麦籽粒上垂直于长度两端点之间连线中最长线长度的像素数； 长宽比是小麦籽粒长度和宽度像素数的比值；
c、纹理特征数据：通过灰度共生矩阵来定义的ASM能量、对比度、像素点相关性和熵作为纹理特征数据；其中，ASM能量反映图像纹理粗细度；对比度反映图像的清晰度 和纹理沟纹深浅的程度；像素点相关性反映像素点之间的相关性程度；熵度量图像所具有 的信息量反映图像纹理随机性；
d、颜色特征数据：通过颜色直方图提取的小麦籽粒表面主色调特征作为颜色特征数 据；
(4)鉴别模型的筛选：将步骤(3)得到的每种试验样本对应的光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据分布根据SPXY法按照3:1的比例随机分配，并 标记为训练集和预测集；本实施例中，每个品种中选取75粒小麦籽粒作为训练集，25粒 小麦籽粒作为预测集；用所有训练集中的光谱信息数据作为输入层，训练集中小麦籽粒对 应品种的赋值作为输出层，分别采用多种建模方法进行训练，得到多种第一鉴别模型，用 预测集的光谱信息数据对多种小麦品种鉴别模型进行筛选，确定最优的建模方法；将预测 集中的光谱信息数据输入至各个第一鉴别模型中，然后将鉴别模型得到对应的品种类型与 预测集对应的实际品种类型进行对比，计算判别率，判别率最高者对应的建模方法即为最 优建模方法；
不同建模方法包括最小二乘判别法(PLS-DA)、主成分判别法(PCA-DA)、线性判别法(LDA)和支持向量机法(SVM)；不同的建模方法对应判别结果如表3所示；
表3不同建模方法的判别结果(％)
从表3可知，PLS-DA，PCA-DA和SVM模型对6个小麦品种预测集的判别率分别为26％，22.67％和28％，均低于30％，分类效果不理想。而LDA预测集的判别率为85.33％， 远高于PLS-DA,PCA-DA和SVM模型。PLS-DA、PCA-DA和SVM模型不能很好地把6 个小麦品种区分开，6个小麦品种分布较散乱而且大部分相互交叉。而LDA模型地预测 效果较好，6个小麦品种分布有规律，仅有少部分相互交叉。因此，确定LDA为最佳建 模方法，通过LDA建模方法得到的鉴别模型为最优的小麦品种鉴别模型；
(5)输入层数据的筛选：分别将训练集中的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合作为输入层，小麦品种作为输出层，利 用最优建模方法(LDA建模方法)，建立五种第二鉴别模型，然后用预测集中的光谱信 息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合对物种 第二鉴别模型进行筛选：将五种输入层数据依次、分别带入五种第二鉴别模型中，得的鉴 别品种与实际品种结果对比，计算判别率，判别率最高的第二鉴别模型极为小麦品种鉴别 模型；不同输入层数据对应的判别率结果如表4所示；
表4不同输入层数据对应的判别率(％)
| 品种 | 光谱信息数据 | 形态特征数据 | 纹理特征数据 | 颜色特征数据 | 四种数据结合 |
| 师栾02-1 | 84 | 65.33 | 69.00 | 72.00 | 99.12 |
| 济麦22 | 100 | 52.00 | 57.14 | 52.00 | 100 |
| 周麦27 | 72 | 34.67 | 31.04 | 24.18 | 98.67 |
| 藳优2018 | 80 | 32.00 | 35.19 | 28.09 | 99.34 |
| 郑麦366 | 92 | 73.33 | 47.07 | 16.03 | 98.58 |
| 矮抗58 | 84 | 61.33 | 55.27 | 48.28 | 98.81 |
| 整体 | 85.33 | 53.11 | 49.12 | 40.10 | 99.09 |
由表4可知，基于光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据各自 单独作为输入层，其各自对应的预测集的整体判别率分别为85.33％、53.11％、49.12％和 40.10％；而基于光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据的结合作为 输入层，其对应的预测集的整体判别率为99.09％；以上结果表明光谱信息、形态特征、纹理特征和颜色特征对小麦品种鉴别有一定的影响，但单一使用其中一个数据作为输入层，其判别率不高，因此，基于光谱信息、形态特征、纹理特征和颜色特征，四者的结合 建立的LDA模型能够有效的实现小麦品种鉴别。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改 和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运 用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地 实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限 于特定的细节。
Claims (8)
1.小麦品种鉴别模型的构建方法，其特征在于，其包括以下步骤：
步骤一、采集不同品种的小麦籽粒作为试验样本，利用高光谱成像系统采集试验样本中小麦籽粒的图像信息；
步骤二、采集步骤一得到的图像信息中的光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据；
步骤三、将步骤二得到的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据分别根据SPXY法按照3:1的比例随机分配，并标记为训练集和预测集；
步骤四、用训练集中的光谱信息数据作为输入层，小麦籽粒的品种作为输出层，分别采用多种建模方法进行训练，得到多种第一鉴别模型，用预测集的光谱信息数据对多种第一鉴别模型进行筛选，确定最优的建模方法；
步骤五、分别将步骤三中训练集中的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合作为输入层，小麦籽粒的品种作为输出层，分别采用步骤四中得到的最优的建模方法，建立五种第二鉴别模型，用预测集中的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合，对五种第二鉴别模型进行筛选，判别率最高的第二鉴别模型即为小麦品种鉴别模型。
2.如权利要求1所述的小麦品种鉴别模型的构建方法，其特征在于，步骤二中，光谱信息数据的采集具体为：
步骤S1、提取图像信息中的感兴趣区域，以感兴趣区域内所有像素点在各波长下的平均反射率作为原始光谱信息数据；
步骤S2、对步骤S1得到的原始光谱信息数据进行预处理：在化学计量软件Unscrambler中采用多种预处理方法对步骤四的光谱信息数据进行预处理，并分别建立最小二乘回归模型，比较选取最优预处理方法；并采用最优预处理方法对原始光谱信息数据进行预处理，得到预处理后的原始光谱信息数据；
步骤S3、对步骤S2预处理后的原始光谱信息数据进行特征提取，在化学计量软件Unscrambler中基于最小二乘回归模型的回归系数法对预处理后原始光谱信息数据的全波长进行特征波长的提取，选择了回归系数的绝对值大于等于4000的多个波长作为特征波长，特征波长对应的反射率即为光谱信息数据。
3.如权利要求2所述的小麦品种鉴别模型的构建方法，其特征在于，运用ENVI软件的特征提取模块在胚、胚乳部位各选择一个边长为20像素的正方形区域，从以上两个正方形区域以及整个小麦籽粒所在的区域中筛选最优的区域，作为感兴趣区域。
4.如权利要求3所述的小麦品种鉴别模型的构建方法，其特征在于，形态特征数据指的是运用ENVI软件的特征提取模块提取的小麦籽粒的面积、周长、圆度、长、宽和长宽比，面积是感兴趣区域的像素数；周长是籽粒边界总长度的像素数；圆度是面积与长平方的比值；长是小麦籽粒上距离最长的两端点之间长度的像素数；宽是小麦籽粒上垂直于长度两端点之间连线中最长线长度的像素数；长宽比是小麦籽粒长度和宽度像素数的比值。
5.如权利要求4所述的小麦品种鉴别模型的构建方法，其特征在于，纹理特征数据指的是通过灰度共生矩阵来定义的ASM能量、对比度、像素点相关性和熵。
6.如权利要求5所述的小麦品种鉴别模型的构建方法，其特征在于，颜色特征数据指的是通过颜色直方图提取的小麦籽粒表面主色调特征。
7.如权利要求6所述的小麦品种鉴别模型的构建方法，其特征在于，步骤S2中光谱信息数据的预处理方法包括归一化法、卷积平滑法、基线校正法和变量标准化算法。
8.如权利要求7所述的小麦品种鉴别模型的构建方法，其特征在于，步骤四中建模方法包括最小二乘判别法、主成分判别法、线性判别法和支持向量机法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010074978.8A CN111272668A (zh) | 2020-01-22 | 2020-01-22 | 小麦品种鉴别模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010074978.8A CN111272668A (zh) | 2020-01-22 | 2020-01-22 | 小麦品种鉴别模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111272668A true CN111272668A (zh) | 2020-06-12 |
Family
ID=70995385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010074978.8A Pending CN111272668A (zh) | 2020-01-22 | 2020-01-22 | 小麦品种鉴别模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111272668A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929270A (zh) * | 2020-07-07 | 2020-11-13 | 长江大学 | 一种小麦突变体识别方法 |
| CN113011296A (zh) * | 2021-03-08 | 2021-06-22 | 中国农业科学院农产品加工研究所 | 快速鉴别小麦品种纯度的方法和系统 |
| CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
| CN114219956A (zh) * | 2021-10-08 | 2022-03-22 | 东北林业大学 | 用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104062262A (zh) * | 2014-07-09 | 2014-09-24 | 中国科学院半导体研究所 | 一种基于近红外光谱的作物种子品种真实性鉴别方法 |
| CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
| CN109387484A (zh) * | 2018-10-24 | 2019-02-26 | 湖南农业大学 | 一种结合高光谱和支持向量机分类的苎麻品种识别方法 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
-
2020
- 2020-01-22 CN CN202010074978.8A patent/CN111272668A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104062262A (zh) * | 2014-07-09 | 2014-09-24 | 中国科学院半导体研究所 | 一种基于近红外光谱的作物种子品种真实性鉴别方法 |
| CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
| CN109387484A (zh) * | 2018-10-24 | 2019-02-26 | 湖南农业大学 | 一种结合高光谱和支持向量机分类的苎麻品种识别方法 |
| CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| 丁秋等: "基于小麦籽粒高光谱特征的品种鉴别研究", 《粮食储藏》 * |
| 吴翔等: "基于高光谱技术的玉米种子可视化鉴别研究", 《光谱学与光谱分析》 * |
| 柴玉华等: "基于高光谱图像技术的大豆品种无损鉴别", 《东北农业大学学报》 * |
| 董高等: "基于近红外高光谱成像及信息融合的小麦品种分类研究", 《光谱学与光谱分析》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929270A (zh) * | 2020-07-07 | 2020-11-13 | 长江大学 | 一种小麦突变体识别方法 |
| CN113011296A (zh) * | 2021-03-08 | 2021-06-22 | 中国农业科学院农产品加工研究所 | 快速鉴别小麦品种纯度的方法和系统 |
| CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
| CN114219956A (zh) * | 2021-10-08 | 2022-03-22 | 东北林业大学 | 用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111272668A (zh) | 小麦品种鉴别模型的构建方法 | |
| US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| Weng et al. | Hyperspectral imaging for accurate determination of rice variety using a deep learning network with multi-feature fusion | |
| ElMasry et al. | Utilization of computer vision and multispectral imaging techniques for classification of cowpea (Vigna unguiculata) seeds | |
| ElMasry et al. | Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality–a comprehensive review | |
| Huang et al. | Review of seed quality and safety tests using optical sensing technologies | |
| CN109470648B (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
| Kaur et al. | Evaluation of plum fruit maturity by image processing techniques | |
| Zapotoczny | Discrimination of wheat grain varieties using image analysis and neural networks. Part I. Single kernel texture | |
| Agelet et al. | Feasibility of near infrared spectroscopy for analyzing corn kernel damage and viability of soybean and corn kernels | |
| CN113049530B (zh) | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 | |
| Shao et al. | Determination of the bruise degree for cherry using Vis-NIR reflection spectroscopy coupled with multivariate analysis | |
| Mishra et al. | Research advancements in optical imaging and spectroscopic techniques for nondestructive detection of mold infection and mycotoxins in cereal grains and nuts | |
| Isaza et al. | Image analysis and data mining techniques for classification of morphological and color features for seeds of the wild castor oil plant (Ricinus communis L.) | |
| Santoyo-Mora et al. | Nondestructive quantification of the ripening process in banana (Musa AAB Simmonds) using multispectral imaging | |
| Deng et al. | Image features and DUS testing traits for peanut pod variety identification and pedigree analysis | |
| Parsaeian et al. | Estimating oil and protein content of sesame seeds using image processing and artificial neural network | |
| CN110715918B (zh) | 单籽粒玉米淀粉含量拉曼高光谱分级方法 | |
| Jha et al. | Authentication of mango varieties using near-infrared spectroscopy | |
| Amiryousefi et al. | Pomegranate seed clustering by machine vision | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
| Shao et al. | Determination of damaged wheat kernels with hyperspectral imaging analysis | |
| Perez et al. | Authentication of green asparagus varieties by near‐infrared reflectance spectroscopy | |
| Lamptey et al. | Application of handheld NIR spectrometer for simultaneous identification and quantification of quality parameters in intact mango fruits | |
| Sun et al. | Nondestructive identification of barley seeds varieties using hyperspectral data from two sides of barley seeds |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |
|
| RJ01 | Rejection of invention patent application after publication |