基于机器学习和多光谱成像分类的茄子种子分类方法研究

浏览次数：1368　发布日期：2022-4-19　来源：本站　仅供参考，谢绝转载，否则责任自负

基于机器学习和多光谱成像分类的茄子种子分类方法研究

摘要：在这项研究中，选择了十五种不同品种的茄子种子进行多光谱成像技术的判别分析。从多光谱图像中获取的 78个特征从单个茄子种子中提取，然后使用SVM和一维卷积神经网络 (1D-CNN) 进行分类，总体准确率分别为90.12%和94.80%。还采用了二维卷积神经网络（2D-CNN）对种子品种进行判别，准确率达到了90.67%。这项研究不仅证明了结合机器学习技术的多光谱成像可以作为一种高通量、无损的工具来区分种子品种，而且还揭示了种子壳的形状可能与母本不完全相同，因为遗传和环境因素。

图像采集设备VideometerLab 4 (VM)如图1(a)所示。VM 配备了 19 个 LED。每个LED发出具有指定中心波长的光。仪器采集19个波段的多光谱图像，空间分辨率为2192×2192。每个像素代表从紫外到近红外（365~970 nm）的光谱反射率。由于种子和蓝色背景之间的颜色对比，种子可以很容易地从图像中分割出来。图像处理程序使用 VideometerLab 软件完成。MATLAB用于开发分类模型。茄子十五种品种在 2017 年收获用于该实验。所有种子均由河北农业大学省重点实验室培育。将随机数量的种子放入直径为9厘米的培养皿中进行图像采集（图1（b））。种子总数为2872个，其中随机选择20%的种子作为测试集，10%作为验证集，其余样本作为训练集。表1显示了每个品种的种子数量。采用Otsu方法获得二值图像，并进行一系列形态学操作以去除背景中的噪声。分水岭算法用于图像分割。图 1(c)显示了分割后的连接种子图像的边界，图1(d) 显示了分割后的单个种子。

图1.图像采集和图像分割。(a) VideometerLab4用于图像采集。(b) 茄子种子的多光谱图像（查看模式：sRGB）。(c) 分水岭算法分割的种子边界图像。(d)单个种子的图像。

图3显示了15个茄子品种的平均光谱反射率。不同品种的平均光谱之间仅存在微小差异。15个品种的光谱曲线趋势相似，在515~540nm范围内呈下降趋势。17-38的光谱反射率在15个品种中最高；其他品种在同一范围内。大多数品种的光谱曲线相互交叉或重叠。

图3.十五种茄子种子的平均反射率

使用SVM和1D-CNN 开发了基于提取特征的判别模型。RBF、poly 和线性核函数用于SVM。具有线性核函数的SVM算法的最佳精度为91.28%。表现最好的模型是CNN，分类准确率为94.80%。图 2(a)–4(d) 显示了训练损失、训练准确度、测试损失和测试准确度。损失随着迭代而急剧下降，而分类精度迅速提高，这表明快速收敛。