CN116297236A - 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 - Google Patents

一种基于高光谱的单粒玉米种子活力鉴别方法及装置 Download PDF

Info

Publication number
CN116297236A
CN116297236A CN202310104874.0A CN202310104874A CN116297236A CN 116297236 A CN116297236 A CN 116297236A CN 202310104874 A CN202310104874 A CN 202310104874A CN 116297236 A CN116297236 A CN 116297236A
Authority
CN
China
Prior art keywords
hyperspectral
image
vigor
vitality
corn
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
Application number
CN202310104874.0A
Other languages
English (en)
Inventor
许�鹏
符丽霞
杨然兵
邢洁洁
杨松梅
查显涛
青苡任
谭芊
张云鹏
孙文斌
徐康
钟涛
郑刚
谢定进
伍世斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan University
Sanya Research Institute of Hainan University
Original Assignee
Hainan University
Sanya Research Institute of Hainan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan University, Sanya Research Institute of Hainan University filed Critical Hainan University
Priority to CN202310104874.0A priority Critical patent/CN116297236A/zh
Publication of CN116297236A publication Critical patent/CN116297236A/zh
Pending legal-status Critical Current

Links

Images

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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
    • A01C1/02—Germinating apparatus; Determining germination capacity of seeds or the like
    • A01C1/025—Testing seeds for determining their viability or germination capacity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Abstract

本发明涉及规划领域，具体涉及一种基于高光谱的单粒玉米种子活力鉴别方法及装置。该方法及装置通过高光谱来鉴别玉米种子活力，借助于机器学习的监督学习思想，提取感兴趣区域的平均光谱，利用不同的光谱特征构建基于人工神经网络的光谱‑活力关联模型，通过判别该玉米种子是否满足已知条件，从而判别该玉米种子有无活力及其活力程度，进而可以快速地对需要判别的不同活力程度的玉米种子进行鉴别。本发明省去了用户原本需要在实验室进行人工的生理生化试验与发芽试验的操作，缩短了玉米种子活力检测周期，提高了用户检测的效率。

Description

一种基于高光谱的单粒玉米种子活力鉴别方法及装置
技术领域
本发明涉及玉米种子领域，具体而言，涉及一种基于高光谱的单粒玉米种子活力鉴别方法及装置。
背景技术
玉米是世界三大粮食作物之一，它比传统的小麦、水稻等作物更能适应环境。而且玉米中含有大量的营养物质，也被广泛用于制作饲料和工业产品等。种子活力决定其能否发芽，出苗整齐的程度以及最终长成的植株的抗病害能力等，常用作评价玉米种子质量的关键性指标。同时，种子活力的鉴别不仅是品种试验的基础，对新品种的选育也具有非常重要的意义。在收获后的处理过程中，由于操作不当导致热损伤或者物理损坏，可能会使种子的活力丧失。在贮藏过程中，种子呼吸作用会产生大量的水和热量，也可能使种子发生老化从而影响其活力。因此，在播种之前对种子的活力进行准确地鉴别，可以有效地筛选出高质量的种子用于种植。可以大幅度提高玉米的产量以及质量，从而促进农业发展和经济稳定。
玉米作为中国重要的粮食作物，快速准确地鉴别玉米种子的活力对农业发展至关重要。然而，依靠人类的感官和种子的表型信息(如颜色、纹理和形状等信息)，难以对种子的活力程度进行准确判断。此外，传统的生理生化方法和发芽测试的鉴别结果虽然可靠，但是这些方法需要消耗特殊试剂，且存在周期长、成本高和样品损伤等缺点。此时，需要提出具体的无损检测方法来提高用户的效率。
光谱检测技术的发展使得快速鉴别成为可能，相比于传统的检测方法，高光谱不仅可以获得样品的光谱信息和图像信息，还可以反映样品内部物理结构和化学成分，其检测效率更高，其对样品无损害更能适应无损检测的需要。在利用光谱检测技术对种子质量进行鉴别中，采用高光谱结合机器学习方法鉴别玉米种子活力日益成为研究热点。使用高光谱对玉米种子活力进行检测时，重点要解决的是玉米种子的光谱与活力关联模型(人工神经网络)的构建与设计问题。
综上，目前在对玉米种子活力检测中，依靠人类的感官和种子的表型信息(如颜色、纹理和形状等信息)，难以对种子的活力程度进行准确判断。传统的生理生化方法和发芽测试的鉴别结果虽然可靠，然而这些方法需要消耗特殊试剂，对样本具有破坏性且检测数量有限。此外，蛋白质电泳和DNA分子标记技术等，费用昂贵且对操作人员的要求较高。激光散斑检测技术需要克服样本的差异性；电子鼻和核磁共振检测技术需要解决设备造价高昂的问题；机器视觉检测技术需要经过不断实验来确定拍摄区域。但是，高光谱成像技术不仅可以获得样品的光谱信息和图像信息，还可以反映样品内部物理结构和化学成分。
发明内容
本发明实施例提供了一种基于高光谱的单粒玉米种子活力鉴别方法及装置，以至少解决现有玉米种子活力鉴别效率低的技术问题。
根据本发明的一实施例，提供了一种基于高光谱的单粒玉米种子活力鉴别方法，包括以下步骤：
S101:采集不同活力程度的玉米种子高光谱图像，然后对玉米种子高光谱图像进行光谱图像校正；
S102:对光谱图像进行分割获取单粒玉米种子的感兴趣区域ROI，然后提取感兴趣区域ROI的平均光谱反射率；
S103:选择预处理方法对光谱图像进行预处理，消除背景干扰；
S104:采用连续投影算法提取光谱图像中的特征光谱；
S105:基于人工神经网络建立种子活力鉴别模型，对待测样本的活力程度进行判别。
进一步地，采集不同活力程度的玉米种子高光谱图像包括：
挑选出完整无缺陷的同品种的不同活力程度的玉米种子样本，然后将样本放置在室温25-27℃环境下1周左右，消除不同活力玉米种子样品二次吸收水分的影响，控制样本的含水率在30％以内；
将不同活力程度的玉米种子样品放置在检测平台，对其进行编号以区分不同类型；
调节高光谱图像采集设备的参数，通过该设备获取866.4-1701nm范围内的多个波段下的高光谱图像；
采集待检测单粒玉米种子的胚面高光谱图像。
进一步地，对玉米种子高光谱图像进行光谱图像校正包括：
先采集标准校正白板作为白参考，然后采集标准校正黑板作为黑参考，最后根据公式(1)逐一校正所采集到的所有玉米种子样品的高光谱图像。
Figure BDA0004085486080000031
其中，R为校正后的高光谱图像，I为样品的原始高光谱图像，Ix为标准白板参考图像，Iy为标准黑板参考图像；
进一步地，对光谱图像进行分割获取单粒玉米种子的感兴趣区域ROI包括：
通过高光谱图像采集系统获得M×N×B的三维高光谱图像立方体，M和N分别为高光谱图像的宽和高，B为高光谱图像维数；
在高光谱图像校正完成后利用自适应阈值分割法对图像进行二值化处理，然后通过形态学、轮廓提取处理生成掩模，利用掩膜从原始图像中将背景去除。
进一步地，提取感兴趣区域ROI的平均光谱反射率包括：
统计ROI内像元在每个波段的光谱反射率，并计算获取全部样品的平均光谱反射率；
整合高光谱数据最终形成多个特征数据或特征向量数据，并且为每粒玉米种子的特征数据增加相应数据标签。
进一步地，选择预处理方法对光谱图像进行预处理包括：
采用Savitsky-Golay平滑SG和多元散射校正MSC算法进行预处理；其中，SG降低随机噪声，MSC减少基线漂移；
利用Z-Score标准化消除各项数据之间的差异，将玉米种子样品数据处理成均值为0，方差为1的数据；
将光谱数据按照7：3、6：4或8：2划分为训练集和测试集。
进一步地，采用连续投影算法提取光谱图像中的特征光谱包括：
从高光谱图像中提取感兴趣区域的光谱信息，原始光谱的波长范围为866.4-1701.0nm；
选择波长范围在959.3-1697.9nm内的高光谱图像进行分析，采用连续投影算法SPA选择特征波长变量，提取光谱数据中有效的信息形成最优的变量组合。
进一步地，基于人工神经网络建立种子活力鉴别模型包括：
将降维后的样本数据作为输入，对应的不同活力程度的玉米种子样品的类别数作为输出，基于所构建的人工神经网络ANN模型进行训练来实现种子活力的鉴别；其中所构建的ANN模型的架构共包含4层神经网络，包括1个输入层，2个隐含层和1个输出层。
进一步地，对待测样本的活力程度进行判别包括：
利用训练集对种子活力鉴别模型进行训练，获得最优模型；
针对训练获得的最优模型，通过测试集进行性能验证；
获取待鉴别的玉米种子的高光谱图像并进行校准和降维预处理，输入至训练得到的玉米种子活力鉴别的ANN模型中，得到待鉴别的玉米种子的活力程度。
根据本发明的另一实施例，提供了一种基于高光谱的单粒玉米种子活力鉴别装置，包括：
图像采集校正单元，用于采集不同活力程度的玉米种子高光谱图像，然后对玉米种子高光谱图像进行光谱图像校正；
图像分割提取单元，用于对光谱图像进行分割获取单粒玉米种子的感兴趣区域ROI，然后提取感兴趣区域ROI的平均光谱反射率；
预处理单元，用于选择预处理方法对光谱图像进行预处理，消除背景干扰；
特征光谱提取单元，用于采用连续投影算法提取光谱图像中的特征光谱；
活力程度判别单元，用于基于人工神经网络建立种子活力鉴别模型，对待测样本的活力程度进行判别。
一种存储介质，存储介质存储有能够实现上述任意一项基于高光谱的单粒玉米种子活力鉴别方法的程序文件。
一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于高光谱的单粒玉米种子活力鉴别方法。
本发明实施例中的基于高光谱的单粒玉米种子活力鉴别方法及装置，通过高光谱来鉴别玉米种子活力，借助于机器学习的监督学习思想，提取感兴趣区域的平均光谱，利用不同的光谱特征构建基于人工神经网络的光谱-活力关联模型(种子活力预测模型)，通过判别该玉米种子是否满足已知条件，从而判别该玉米种子有无活力及其活力程度，进而可以快速地对需要判别的不同活力程度的玉米种子进行鉴别。本发明省去了用户原本需要在实验室进行人工的生理生化试验与发芽试验的操作，缩短了玉米种子活力检测周期，提高了用户检测的效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于高光谱的单粒玉米种子活力鉴别方法的流程图；
图2为本发明中高光谱图像采集系统的示意图；
图3为本发明中玉米种子图像分割与光谱数据提取流程图；
图4为本发明所构建的人工神经网络结构图；
图5为本发明中单个神经元结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本发明利用高光谱结合机器学习方法来鉴别玉米种子活力，使用不同的化学计量学方法进行分析，包括光谱预处理(消除背景的干扰，改善基线漂移现象，提高光谱数据的信噪比)和特征波长选择算法(降低光谱数据维数)，并基于人工神经网络建立具有最佳鉴别性能的光谱-活力关联模型，并将该模型应用于玉米种子活力鉴别。
具体地，本发明通过高光谱来鉴别玉米种子活力，借助于机器学习的监督学习思想，提取感兴趣区域的平均光谱，利用不同的光谱特征构建基于人工神经网络的光谱-活力关联模型(种子活力预测模型)，通过判别该玉米种子是否满足已知条件，从而判别该玉米种子有无活力及其活力程度，进而可以快速地对需要判别的不同活力程度的玉米种子进行鉴别。本发明省去了用户原本需要在实验室进行人工的生理生化试验与发芽试验的操作，缩短了玉米种子活力检测周期，提高了用户检测的效率。
本发明旨在利用高光谱成像技术结合机器学习方法来鉴别玉米种子的活力，整体的流程如下：(1)采集不同活力程度的玉米种子高光谱图像，然后对其进行光谱图像校正；(2)实行图像分割获取单粒玉米种子的感兴趣区域(ROI)，然后提取ROI的平均光谱反射率；(3)选择合适的预处理方法，消除背景的干扰，提高光谱数据的信噪比；(4)采用连续投影算法选择特征光谱，降低光谱数据维数；(5)基于人工神经网络建立种子活力鉴别模型，对待测样本的活力程度进行判别。本发明实现的方法流程图1所示。
本发明的目的是通过以下技术方案实现的，具体步骤如下：
(1)样本高光谱采集：首先挑选出完整无缺陷的同品种的不同活力程度的玉米种子样本，然后将样本放置在室温26℃环境下1周左右，以消除不同活力玉米种子样品二次吸收水分的影响，保证样本的含水率控制在30％以内。将不同活力程度的玉米种子样品放置在检测平台，可提前进行编号以区分不同类型。调节高光谱图像采集设备的参数，包括带有标准镜头的高度，镜头的焦距等，通过仪器设备获取866.4-1701nm范围内的多个波段下的高光谱图像。采集所述待检测单粒玉米种子的胚面高光谱图像。
本发明通过推扫式高光谱图像采集系统采集玉米种子样品的高光谱图像，如图2所示。高光谱图像采集系统包括：计算机1，卤素灯光源2，连接线3，暗箱4，CCD相机5，成像光谱仪6，镜头7，样品8，控制电机9，移动平台10。
CCD相机5下端设置成像光谱仪6下端和镜头7，镜头7的下方设置移动平台10，移动平台10与控制电机9连接。采集高光谱图像时，由控制电机9控制着移动平台10前后移动。玉米种子样品8放置于移动平台10上，移动平台10上方垫有黑色纸板，在移动平台10上方可以同时多个玉米种子样品8，每粒玉米种子互不接触，它们之间有2-3cm的间距。随着移动平台10的移动，该系统采集玉米种子样品8的高光谱图像。成像光谱仪6的扫描面积在移动平台10移动的过程中始终为长×宽(300mm×300mm)。CCD相机5的输出端通过连接线3与计算机1相连，用于向计算机1输出采集得到的高光谱图像。卤素灯光源2安装在暗箱4的两侧，实现光源面积、亮度与强度稳定可调。通过卤素灯光源2对样品8进行对称式照射，能够更加均匀的提供光照，减少单个光源下照射不充分和存在阴影部分的问题，从而避免因为光照强度不一致造成光谱误差。为了防止外界环境干扰，除计算机1和控制电机9之外均置于暗箱4内。
在本发明中，成像光谱仪6的波长范围为900-1701nm共254个波段，狭缝范围为14.2mm，光谱分辨率最高可达5nm；卤素灯光源2的入射光为直线方向；移动平台10与镜头7之间的距离为45cm。本发明设置CCD相机5曝光时间为60ms，电机驱动平台的移动速度设置为35mm/s。
(2)高光谱图像校正：利用高光谱图像采集系统进行高光谱图像信息的采集。为方便图像处理时从背景中分割出玉米种子，图像采集时利用低反射率的黑色纸板垫于样品下方。为消除外界环境变化、仪器设施改动和时间累积等因素所产生的噪声和暗电流等干扰对后续图像处理的影响，因此需要进行高光谱图像校正。校正时，先采集标准校正白板作为白参考，然后采集标准校正黑板作为黑参考，最后根据公式(1)逐一校正所采集到的所有玉米种子样品的高光谱图像。
Figure BDA0004085486080000091
其中，R为校正后的高光谱图像；I为样品的原始高光谱图像；Ix为标准白板参考图像；Iy为标准黑板参考图像。
(3)高光谱图像背景分割：通过高光谱图像采集系统可获得M×N×B的三维高光谱图像立方体，M(1392)和N(1040)分别为高光谱图像的宽和高，B(254)为高光谱图像维数，即波段数。在高光谱图像校正完成后利用自适应阈值分割法对图像进行二值化处理，然后通过形态学(主要包括开闭运算和膨胀操作等)、轮廓提取等处理生成掩模，利用掩膜从原始图像中将背景去除，以达到分割出单粒玉米种子的效果，这样可以展示出清晰的ROI。
(4)提取光谱反射率：统计ROI内像元在每个波段的光谱反射率，并计算获取全部样品的平均光谱反射率，这些光谱反射率数据能有效反映样品的成分和内部的化学信息。整合高光谱数据最终形成多个特征数据或特征向量数据，并且为每粒玉米种子的特征数据增加相应数据标签。整体的图像分割和光谱数据提取流程如图3所示。
(5)光谱数据预处理：所提取出的光谱数据中存在噪声与无用信息等，容易影响后续的试验分析。因此，需要对光谱数据进行预处理，以尽量消除各种非目标因素的影响，获得理想的建模效果。本发明采用Savitsky-Golay平滑(SG)和多元散射校正(MSC)算法进行预处理。其中，SG可以降低随机噪声，MSC可减少基线漂移，消除散射光的影响。此外，采用这些数据进行建模之前，还利用Z-Score标准化消除各项数据之间差异较大而带来的不良影响，将玉米种子样品数据处理成均值为0，方差为1的数据。本发明将光谱数据按照7：3划分为训练集和测试集，实际过程中其比例值也可以设置为6：4和8：2等，但是需要注意训练集样本数据量需要大于测试集。
(6)提取特征光谱：从高光谱图像中提取感兴趣区域的光谱信息，原始光谱的波长范围为866.4-1701.0nm(254个波段)，光谱的前后部分噪声较大。因此，选择波长范围在959.3-1697.9nm内(226个波段)进行分析。此外，在预处理后的高光谱数据中，其相邻波段间存在信息冗余，这些干扰信息会影响鉴别模型的精确性和稳定性。因此，采用合适的方法提取特征波长进行光谱分析至关重要。这样不仅有助于降低数据矩阵的维数，还能提取关键信息。本发明采用连续投影算法(SPA)选择特征波长变量。提取光谱数据中有效的信息形成最优的变量组合。
SPA是一种前向选择算法，通过在光谱中寻找最低限度冗余信息变量集，使得变量之间的共线性最小化。其实现步骤可表示如下：
Figure BDA0004085486080000101
Figure BDA0004085486080000111
对应每一次循环中的k(0)和N，分别建立多元线性回归分析(MLR)模型，得到建模集交互验证均方根误差(RMSE)，对应不同的候选子集，其中最小的RMSE值对应的k(0)和N就是最优值。一般SPA选择的特征波长分数N不能很大。本发明选择的最佳变量数范围为1-100。经过计算，在RMSE的最小值为0.3188，选择出最优波长组合。该方案共选择出49个特征波长，占总波长的23.33％。
(7)构建种子活力鉴别模型：将降维后的样本数据作为输入，对应的不同活力程度的玉米种子样品的类别数作为输出，基于所构建的人工神经网络(ANN)模型进行训练来实现种子活力的鉴别。ANN可以模拟生物大脑中神经元的工作方式，将具有层次关系与连接关系的单个神经元组成网络结构。通过数学表达的方式模拟神经元之间的信号传递，从而建立具有输入与输出关系的非线性方程。本发明中所构建的ANN模型的架构(226-18-12-7)如图4所示，该结构共包含4层神经网络，包括1个输入层，2个隐含层和1个输出层。
每个神经层上由若干神经元组成，神经元与神经元之间的连线为对应权重。输入层的神经元个数由训练集的实例特征个数决定，输出层神经元个数由训练集的实例目标个数决定。
对于单个神经元(图5)，它的输出(y)是由输入(x)与对应权值(w)以及偏置(b)的求和，然后根据非线性激活函数(f)输出，整个过程可以由式(2)进行表示。X1，X2，…，Xn代表每一层神经元的输入；W1，W2，…，Wn代表每一个神经元的权重；b代表每层神经元的偏置；Xi代表来自第i个神经元的输入。输入层与输出层的节点数由实际需求设定，层与层之间通过权值向量连接，隐藏层神经元包括一个加法器和激活函数，对上一层传递过来的信息进行加权求和，通过线性或非线性激活函数处理，从而得到神经元的输出值。
Figure BDA0004085486080000121
其中，f为非线性激活函数，加入非线性激活函数的目的在于引入非线性因素，使得输入输出之间生成非线性映射，如果无激活函数，则输出信号仅仅是一个简单的线性函数，而线性方程的复杂度有限，从数据中学习复杂函数映射的能力很小，神经网络将无法学习和模拟其他复杂类型的数据。常用的激活函数类型有Sigmoid、Tanh和Relu三种。Relu激活函数计算量小、收敛速度快、能使得网络模型的隐藏层节点状态具有一定的稀疏特性，能有效缓解模型在训练过程中发生过拟合的问题。因此，本发明采用Relu函数作为激活函数。
本发明中输入层以样品的226个特征波段(X1-X226)作为输入参数，输出层是以7类不同程度玉米活力种子的数目作为输出参数。隐含层数或神经元数目的增加可以提升神经网络的精度，但隐含层数的增加会消耗大量的时间，同时出现局部最小值，而隐含层神经元数目过多也会弱化人工神经网络的泛化能力，降低预测效果。本发明按照式(3)设置隐藏层个数。对于简单的数据集，1-2个隐藏层通常就足够了，本发明使用的神经网络选用2个隐藏层，设置隐藏层1数目为18，隐藏层2数目为12。其中前3层使用的是Relu函数，第4层使用的是softmax函数进行输出，图5所示为所建立的神经网络的基本结构。
Figure BDA0004085486080000122
其中，m为隐藏层神经元个数，r为输入层结点个数，n为输出层结点个数，a为1-10的常数。表1为ANN模型的详细参数，本发明所设计的ANN模型采用交叉熵作为损失函数，并使用Adam梯度下降优化算法。
表1ANN模型参数
Figure BDA0004085486080000123
Figure BDA0004085486080000131
(8)鉴别待测种子样品活力：利用训练集对模型进行训练，获得最优模型。针对训练获得的模型，通过测试集进行性能验证。获取待鉴别的玉米种子的高光谱图像并进行预处理校准和降维处理，输入至训练得到的玉米种子活力鉴别的ANN模型中，得到待鉴别的玉米种子的活力程度。对待鉴别的玉米种子的高光谱图像的具体的处理步骤与上述对玉米种子样品的处理方法相同，本发明不再赘述。
综上，本发明实施例的基于高光谱的玉米种子活力鉴定方法，通过采用高光谱采集系统采集不同活力程度的玉米种子样品的高光谱图像；并且在卤素灯光源下所采集的每粒种子的高光谱图像完整清晰；计算出玉米种子样品在图像内的单位像素下平均光谱反射率；利用预处理算法对原始光谱数据进行处理；采用特征波长选择算法提取光谱数据中的特征波长光谱；根据特征提取后的每粒的玉米种子在高光谱波长范围下的平均光谱反射率和相对应的不同活力程度的类别生成一个训练样本；利用提取的所述样品的对应的训练样本对初始鉴定模型进行训练，最终得到关于玉米种子活力的鉴别模型。通过训练好的模型，能够快速简便、无损的针对玉米种子活力进行鉴定，并且鉴定结果具有很高的准确性；若参考本方法对设备进行小型化设计和进一步的成本降低，能够为种植玉米种子的农户带来快速无损的玉米种子活力的鉴定，尤其对于一些玉米种子受损严重出现活力缺失的情况。
本发明的关键点和欲保护点为：
(1)玉米种子的活力受损时，其体内相关酶的活性受到影响，蛋白质分子的内部结构被破坏。这不仅对玉米种子生长有抑制作用，还会导致其光谱反射率产生差异，这些差异为玉米种子活力的准确地鉴别提供依据。
(2)不同活力的玉米种子在光谱反射率上具有差异，但是原始的光谱数据存在数据量大，模型的复杂度高，鉴别的实时性差等。因此，选择特征波段的光谱数据进行建模，不仅有利于提高鉴别速度，而且还可以进一步提高鉴别的可靠性。
(3)所构建的ANN模型对玉米种子的活力具有最佳的鉴别能力，该模型通过利用多个隐藏层的联合作用，减少神经元之间复杂的共适应关系，避免了过拟合问题，具有良好的鲁棒性和泛化能力。
本发明相对于现有技术的主要优点为：
(1)本发明通过分割并提取玉米种子单粒图像，通过完整图像计算获得每类单粒种子样品的平均光谱反射率，提高了采集数据的可信度与准确度。
(2)通过利用训练好的种子活力鉴定模型可以自动对已经提取好的玉米种子的平均光谱信息进行活力的判定，不需要耗费大量的人力物力和较高的技术门槛的技术知识要求，使得整个过程更加快速便捷，并且能够实现无损判别。
(3)本发明所提出的方法能够对不同活力程度的玉米种子进行准确地评估，有利于种子加工行业的实时检测和低活力的排查，保证农产品的质量。
(4)所提出的建模模型结构简单，准确度高，可以将该算法移植到嵌入式设备中，研发适用于户外的便携式，低成本的种子活力鉴别设备。
实施例2
一种存储介质，存储介质存储有能够实现上述任意一项基于高光谱的单粒玉米种子活力鉴别方法的程序文件。
实施例3
一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于高光谱的单粒玉米种子活力鉴别方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于高光谱的单粒玉米种子活力鉴别方法，其特征在于，包括以下步骤：
S101:采集不同活力程度的玉米种子高光谱图像，然后对玉米种子高光谱图像进行光谱图像校正；
S102:对光谱图像进行分割获取单粒玉米种子的感兴趣区域ROI，然后提取感兴趣区域ROI的平均光谱反射率；
S103:选择预处理方法对光谱图像进行预处理，消除背景干扰；
S104:采用连续投影算法提取光谱图像中的特征光谱；
S105:基于人工神经网络建立种子活力鉴别模型，对待测样本的活力程度进行判别。
2.根据权利要求1所述的基于高光谱的单粒玉米种子活力鉴别方法，其特征在于，所述采集不同活力程度的玉米种子高光谱图像包括：
挑选出完整无缺陷的同品种的不同活力程度的玉米种子样本，然后将样本放置在室温25-27℃环境下1周左右，消除不同活力玉米种子样品二次吸收水分的影响，控制样本的含水率在30％以内；
将不同活力程度的玉米种子样品放置在检测平台，对其进行编号以区分不同类型；
调节高光谱图像采集设备的参数，通过该设备获取866.4-1701nm范围内的多个波段下的高光谱图像；
采集待检测单粒玉米种子的胚面高光谱图像。
3.根据权利要求1所述的基于高光谱的单粒玉米种子活力鉴别方法，其特征在于，所述对玉米种子高光谱图像进行光谱图像校正包括：
先采集标准校正白板作为白参考，然后采集标准校正黑板作为黑参考，最后根据公式(1)逐一校正所采集到的所有玉米种子样品的高光谱图像。
Figure QLYQS_1
其中，R为校正后的高光谱图像，I为样品的原始高光谱图像，Ix为标准白板参考图像，Iy为标准黑板参考图像。
4.根据权利要求1所述的基于高光谱的单粒玉米种子活力鉴别方法，其特征在于，所述对光谱图像进行分割获取单粒玉米种子的感兴趣区域ROI包括：
通过高光谱图像采集系统获得M×N×B的三维高光谱图像立方体，M和N分别为高光谱图像的宽和高，B为高光谱图像维数；
在高光谱图像校正完成后利用自适应阈值分割法对图像进行二值化处理，然后通过形态学、轮廓提取处理生成掩模，利用掩膜从原始图像中将背景去除。
5.根据权利要求1所述的基于高光谱的单粒玉米种子活力鉴别方法，其特征在于，所述提取感兴趣区域ROI的平均光谱反射率包括：
统计ROI内像元在每个波段的光谱反射率，并计算获取全部样品的平均光谱反射率；
整合高光谱数据最终形成多个特征数据或特征向量数据，并且为每粒玉米种子的特征数据增加相应数据标签。
6.根据权利要求1所述的基于高光谱的单粒玉米种子活力鉴别方法，其特征在于，所述选择预处理方法对光谱图像进行预处理包括：
采用Savitsky-Golay平滑SG和多元散射校正MSC算法进行预处理；其中，SG降低随机噪声，MSC减少基线漂移；
利用Z-Score标准化消除各项数据之间的差异，将玉米种子样品数据处理成均值为0，方差为1的数据；
将光谱数据按照7：3、6：4或8：2划分为训练集和测试集。
7.根据权利要求1所述的基于高光谱的单粒玉米种子活力鉴别方法，其特征在于，所述采用连续投影算法提取光谱图像中的特征光谱包括：
从高光谱图像中提取感兴趣区域的光谱信息，原始光谱的波长范围为866.4-1701.0nm；
选择波长范围在959.3-1697.9nm内的高光谱图像进行分析，采用连续投影算法SPA选择特征波长变量，提取光谱数据中有效的信息形成最优的变量组合。
8.根据权利要求1所述的基于高光谱的单粒玉米种子活力鉴别方法，其特征在于，所述基于人工神经网络建立种子活力鉴别模型包括：
将降维后的样本数据作为输入，对应的不同活力程度的玉米种子样品的类别数作为输出，基于所构建的人工神经网络ANN模型进行训练来实现种子活力的鉴别；其中所构建的ANN模型的架构共包含4层神经网络，包括1个输入层，2个隐含层和1个输出层。
9.根据权利要求1所述的基于高光谱的单粒玉米种子活力鉴别方法，其特征在于，所述对待测样本的活力程度进行判别包括：
利用训练集对种子活力鉴别模型进行训练，获得最优模型；
针对训练获得的最优模型，通过测试集进行性能验证；
获取待鉴别的玉米种子的高光谱图像并进行校准和降维预处理，输入至训练得到的玉米种子活力鉴别的ANN模型中，得到待鉴别的玉米种子的活力程度。
10.一种基于高光谱的单粒玉米种子活力鉴别装置，其特征在于，包括：
图像采集校正单元，用于采集不同活力程度的玉米种子高光谱图像，然后对玉米种子高光谱图像进行光谱图像校正；
图像分割提取单元，用于对光谱图像进行分割获取单粒玉米种子的感兴趣区域ROI，然后提取感兴趣区域ROI的平均光谱反射率；
预处理单元，用于选择预处理方法对光谱图像进行预处理，消除背景干扰；
特征光谱提取单元，用于采用连续投影算法提取光谱图像中的特征光谱；
活力程度判别单元，用于基于人工神经网络建立种子活力鉴别模型，对待测样本的活力程度进行判别。
CN202310104874.0A 2023-02-11 2023-02-11 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 Pending CN116297236A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310104874.0A CN116297236A (zh) 2023-02-11 2023-02-11 一种基于高光谱的单粒玉米种子活力鉴别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310104874.0A CN116297236A (zh) 2023-02-11 2023-02-11 一种基于高光谱的单粒玉米种子活力鉴别方法及装置

Publications (1)

Publication Number Publication Date
CN116297236A true CN116297236A (zh) 2023-06-23

Family

ID=86829640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310104874.0A Pending CN116297236A (zh) 2023-02-11 2023-02-11 一种基于高光谱的单粒玉米种子活力鉴别方法及装置

Country Status (1)

Country Link
CN (1) CN116297236A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117740712A (zh) * 2024-02-19 2024-03-22 中国海关科学技术研究中心 用于海关口岸的象牙及其制品快速初筛鉴定方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117740712A (zh) * 2024-02-19 2024-03-22 中国海关科学技术研究中心 用于海关口岸的象牙及其制品快速初筛鉴定方法和系统
CN117740712B (zh) * 2024-02-19 2024-04-19 中国海关科学技术研究中心 用于海关口岸的象牙及其制品快速初筛鉴定方法和系统

Similar Documents

Publication Publication Date Title
Barbedo Plant disease identification from individual lesions and spots using deep learning
Barbedo A review on the main challenges in automatic plant disease identification based on visible range images
ElMasry et al. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality–a comprehensive review
Zhao et al. Real-time recognition system of soybean seed full-surface defects based on deep learning
Ma et al. Rapid and non-destructive seed viability prediction using near-infrared hyperspectral imaging coupled with a deep learning approach
ElMasry et al. Utilization of computer vision and multispectral imaging techniques for classification of cowpea (Vigna unguiculata) seeds
Zhang et al. Hyperspectral imaging technology combined with deep forest model to identify frost-damaged rice seeds
CN103278464B (zh) 鱼肉检测方法和装置
Kozłowski et al. Varietal classification of barley by convolutional neural networks
CN106525732B (zh) 基于高光谱成像技术的苹果内外品质快速无损检测方法
CN110849828A (zh) 一种基于高光谱图像技术的藏红花分类方法
Kurtulmuş Identification of sunflower seeds with deep convolutional neural networks
US20060160065A1 (en) Method for classifying plant embryos using Raman spectroscopy
Zhang et al. Non-destructive identification of slightly sprouted wheat kernels using hyperspectral data on both sides of wheat kernels
CN110163101A (zh) 中药材种子区别及等级快速判别方法
Thakur et al. Deep transfer learning based photonics sensor for assessment of seed-quality
Zhihui et al. Nondestructive detection of infertile hatching eggs based on spectral and imaging information
CN116297236A (zh) 一种基于高光谱的单粒玉米种子活力鉴别方法及装置
CN114965346A (zh) 基于深度学习和高光谱成像技术的猕猴桃品质检测方法
Agelet et al. Feasibility of conventional and Roundup Ready® soybeans discrimination by different near infrared reflectance technologies
Kannan An efficient deep neural network for disease detection in rice plant using XGBOOST ensemble learning framework
Yang et al. Recognition of maize seed varieties based on hyperspectral imaging technology and integrated learning algorithms
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
Gómez-Zamanillo et al. Damage assessment of soybean and redroot amaranth plants in greenhouse through biomass estimation and deep learning-based symptom classification
Zhu et al. Quality assessment of crop seeds by near-infrared hyperspectral imaging

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