基于高光谱图像的玉米种子特征提取与识别

玉米种子的形态特征是玉米品种识别的重要因素之一.采用高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,对图像进行校正和预处理,提取每个样本在563.6~911.4 nm共55个波段范围内的形状特征.分别利用单波段、多波段和全波段下的玉米种子形状特征结合偏最小二乘判别法进行模型分类.结果显示,全波段范围内训练集和测试集的平均正确识别率达到98.31%和93.98%,均优于多波段和单波段的正确识别率.研究表明,该方法能充分利用高光谱图像中可见光和近红外区域的有效特征信息,较准确地鉴别玉米品种,为玉米品种的自动识别领域提供了一种新方法.     

基于近红外光谱和仿生模式识别玉米品种快速鉴别方法

文章提出了一种采用近红外光谱快速鉴别玉米品种的新方法,并对不同品种的玉米种子建立了相应的鉴别模型。对7个玉米品种共140个样本,通过近红外光谱仪扫描获得4 000～12 000 cm-1波段范围内的光谱数据。为了消除噪声、提高数据处理效率,对原始数据进行了归一化预处理,采用固定尺寸移动窗口渐进因子法(fix-sized moving window evolving factor analysis)寻找特征波段,使用主成分分析(PCA)方法得到能反映玉米种子99.96%光谱信息的5个主成分,进而利用仿生模式识别(biomimetic pattern recognition)方法建立玉米品种的鉴别模型。对于每个品种中的20个样本,随机挑选10个样本作为训练样本,其余10个样本作为第一测试集,其他品种共120个样本作为第二测试集。在对第二测试集平均正确拒识率达到99.1%的情况下,对第一测试集中的样本取得了94.3%的平均正确识别率。该方法具有较高的鉴别准确度,可以作为一种快速无损的玉米品种鉴别方法。     

基于遗传算法与线性鉴别的近红外光谱玉米品种鉴别研究

结合遗传算法与线性签别分析(LDA)提出了一种玉米品种的快速鉴别方法.该方法是一种基于近红外光谱的新方法,通过采集玉米种子(实验共37个种类)的近红外光谱数据,使用遗传算法进行特征光谱波段的选择,使用线性鉴别分析的方法提取光谱特征并分类.结果表明,遗传算法能有效地剔除光谱噪声波段,并提高 LDA 的泛化能力.同时,为简化运算,剔除了大量冗余数据,结合遗传算法选择的特征谱区,使参与鉴别的数据维数从2 075降到了233.对测试集1的300个样本的平均正确识别率与平均正确拒识率均达到99.30%,其中73.33%的玉米品种的正确识别率达到了100%;对测试集2(均为未参加训练品种的样本)的175个样本的平均正确拒识率达到99.65%.与常用的 PCA 等方法相比,运算时间更短,正确率更高.     

基于近红外光谱的商品玉米品种快速鉴别方法

现有的玉米种子品种鉴别方法检测时间长,费用高,不易大批量快速鉴别。提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。对原始光谱进行矢量归一化预处理以消除噪声干扰,为了找到玉米品种籽粒的光谱特征波段,提出一种基于标准差的方法,进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA),取能反映玉米品种 99.98％ 光谱信息的前10个主成分。最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型,对于每个品种的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共900个样本作为第二测试集。该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。     

基于高光谱图像技术的玉米杂交种纯度鉴定方法探索

对玉米种子高光谱图像的光谱维信息进行分析,探索利用高光谱图像技术鉴定玉米杂交种纯度的可行性。实验中利用高光谱成像系统采集玉米品种农华101的母本和杂交种的高光谱图像, 波长范围871～1699 nm;在每个玉米样本上提取感兴趣区域的平均光谱信息,利用处理后的数据建立农华101母本和杂交种的鉴定模型。讨论了样品的摆放方式(种子胚正对光源和背对光源,种子在样品台上的位置)和实验环境对鉴定模型性能的影响。鉴定模型对不同摆放方式和实验环境下获得的同种样品的光谱的正确识别率和正确拒识率均达到90%以上,模型稳健性良好。利用Qs方法选择特征波段[1],发现在1 230 nm附近(1 195～1 246 nm)农华101的母本和杂交种差异最大。实验中利用特征波段内的数据进行建模和测试,正确识别率和正确拒识率达到90%以上,与利用全波段(925～1597 nm)获得的识别效果相当。分析结果表明,利用高光谱图像技术鉴定玉米杂交种纯度是可行的。     

基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究

开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据(400～1 000 nm),提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法(SPA)选出11个特征波段作为输入结合偏最小二乘判别分析法(PLS-DA)、软独立模式识别法(SIMCA)、最邻近节点算法(KNN)、主成分分析结合线性判别(PCA-LDA)及二次判别(PCA-QDA)进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。     

利用少量波段近红外光谱图像鉴定玉米种子纯度

为实现玉米杂交种的自动化快速分选,提出了应用少量近红外波段光对玉米种子进行成像,获取种子光谱图像并提取纹理特征来鉴定玉米杂交种纯度的方法。采集5个玉米品种的母本和杂交种在4个短波近红外波段的透射光谱图像和4个中波近红外波段的反射光谱图像,采用白板标定校正光谱图像,运用中值滤波、大津法去除噪声,从背景中分割出种子,应用灰度分布统计,灰度共生矩阵提取纹理特征,对同一粒种子拼接其在各波长处的特征数据,应用主成分分析和正交线性判别分析降维并获得子空间的最佳可分性,使用支持向量机建立透射和反射光谱图像纯度鉴定模型。透射和反射模型对5个玉米品种平均正确鉴别率均在85%以上。表明利用少量波段的近红外光谱图像鉴定玉米杂交种纯度是可行的。     

基于联合偏度的高光谱图像波段选择对玉米种子分类研究

高光谱图像技术是在种子识别领域广泛应用的农产品品质无损检测方法。特征信息的充分提取和最优波段的选择是影响高光谱图像技术种子鉴选在线应用的关键因素。目的在于利用联合偏度算法选择高光谱图像的最优波段,用于开发在线的种子分级系统。论文利用高光谱图像采集系统获取10类共960粒玉米种子在438～1 000 nm(共219个波段)波段范围内的高光谱图像,并提取了种子高光谱图像的平均光谱、图像熵特征。利用联合偏度算法选择了高光谱图像的最优波段,分别建立了基于平均光谱、图像熵、平均光谱和图像熵联合特征条件下的支持向量机种子分类模型,比较不同特征下分类模型的识别精度。实验结果表明：无论是全波段分类模型,还是建立在最优波段基础上的分类模型,利用平均光谱和图像熵联合特征获得的分类精度均高于平均光谱和图像熵两种单一特征模型。在10个最优波段条件下,联合特征分类模型的识别精度达到了96.28%,比光谱均值和图像熵的识别精度分别提高了4.30%和20.38%,也高于全波段联合特征识别模型的93.47%。利用联合特征建立玉米种子分类模型时,基于联合偏度的波段选择算法的分类精度要高于无信息变量消除法、连续投影算法和竞争性自适应重加权算法。该研究为种子高光谱图像识别技术的在线运用提供了可行的途径。     

基于联合偏度的高光谱图像波段选择对玉米种子分类研究（英文）

高光谱图像技术是在种子识别领域广泛应用的农产品品质无损检测方法。特征信息的充分提取和最优波段的选择是影响高光谱图像技术种子鉴选在线应用的关键因素。目的在于利用联合偏度算法选择高光谱图像的最优波段,用于开发在线的种子分级系统。论文利用高光谱图像采集系统获取10类共960粒玉米种子在438~1 000 nm(共219个波段)波段范围内的高光谱图像,并提取了种子高光谱图像的平均光谱、图像熵特征。利用联合偏度算法选择了高光谱图像的最优波段,分别建立了基于平均光谱、图像熵、平均光谱和图像熵联合特征条件下的支持向量机种子分类模型,比较不同特征下分类模型的识别精度。实验结果表明:无论是全波段分类模型,还是建立在最优波段基础上的分类模型,利用平均光谱和图像熵联合特征获得的分类精度均高于平均光谱和图像熵两种单一特征模型。在10个最优波段条件下,联合特征分类模型的识别精度达到了96.28%,比光谱均值和图像熵的识别精度分别提高了4.30%和20.38%,也高于全波段联合特征识别模型的93.47%。利用联合特征建立玉米种子分类模型时,基于联合偏度的波段选择算法的分类精度要高于无信息变量消除法、连续投影算法和竞争性自适应重加权算法。该研究为种子高光谱图像识别技术的在线运用提供了可行的途径。     

高光谱成像技术检测玉米种子成熟度

成熟度是影响种子活力的重要因素之一,是种子质量的重要指标。种子分级时将成熟种子和未成熟种子区分开来可提高种子批活力,使种子批活力具有一致性。采用400~1 000 nm波段范围的高光谱成像技术研究成熟和未成熟玉米种子,找出二者区分度最高的特征波段图像,通过图像处理方法进行种子分类。选用主成分分析(PCA)法分析高光谱图像,分析差异最明显的PC2主成分图像的各波段权重系数并提取出特征波段(501 nm)。从70粒成熟度较低玉米种子样本高光谱图像上选取成熟和未成熟两类感兴趣区域,采用偏最小二乘回归(PLSR)法分析两类感兴趣区域的平均光谱,选取与成熟度相关的敏感波段(518 nm)。采用波段比运算并结合KW检验,分析两类感兴趣区域的平均光谱,找出差异最大的最优波段比(640 nm/525 nm)。以864粒玉米种子为研究对象,提取特征波段对应的单波段图像和最优波段比对应的波段比图像,采用图像处理技术分析图像并判别。结果表明：采用单波段灰度图像分割容易将玉米种子冠部的浅色部分误识别为种子成熟度较低的区域,识别准确率低;而采用640 nm/525 nm的波段比图像可以减轻这种不利影响,平均正确识别率为93.9%。该方法可以有效识别未成熟的玉米种子,为进一步开发在线分级装备提供了依据。     

基于高光谱图像技术和SVDD的玉米种子识别

特征提取的充分性和分类器设计的合理性是影响玉米种子识别精度的两个关键问题。采集了玉米种子的高光谱图像,并提取每粒玉米种子在不同波段下的图像熵作为分类特征;在此基础上,利用支持向量数据描述方法构建每类玉米的分类器模型,对待识别样本的测试精度达到了94.14%,对新类别样本的识别精度达到92.28%。仿真结果表明：新方法可实现玉米种子的准确识别,同时解决了传统分类器对新类别样本的错误分类问题。     

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15 pixel×15 pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost 算法、极限学习机(extreme learning machine, ELM)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。     

一种快速有效鉴定CRISPR/Cas9诱导水稻突变体的方法

突变体的筛选与鉴定是育种工作中的重要环节。该研究基于高光谱成像技术实现了水稻CRISPR/Cas9突变体种子的可视化鉴别。采集了水稻HD野生型和CRISPR/Cas9突变体种子共1 200粒样本的高光谱图像数据,通过Kennard-Stone算法,按照2∶1的比例构建了建模集(800)和预测集(400)。对水稻种子的原始光谱经过WT预处理后,通过2nd derivative提取了24个特征波长,分别基于全谱和特征波长建立径向基函数神经网络(RBFNN),极限学习机(ELM)和K最邻近法(KNN)模型。试验结果表明,无论是基于全谱还是特征波长神经网络模型都取得了良好的识别能力。通过2nd derivative提取的特征波长结合RBFNN模型也取得了较好的鉴别结果,其建模集和预测集分别达到了92.25%和89.50%。基于2nd derivative-RBFNN结合图像处理技术,可以实现水稻CRISPR/Cas9突变体种子的可视化鉴别,实现种子的定位和识别。结果表明应用高光谱成像技术,结合化学计量学方法和图像处理技术对水稻CRISPR/Cas9突变体的鉴别具有可行性,可为水稻育种中大量突变体的快速、准确地筛选和鉴定提供技术手段。     

竞争性自适应重加权算法和相关系数法提取特征波长检测番茄叶片真菌病害

基于竞争性自适应重加权算法(CARS)和相关系数法(CA)特征波长选择方法,提出了利用可见-近红外高光谱成像技术检测番茄叶片灰霉病的方法。首先获取380～1 023 nm波段范围内80个染病和80个健康番茄叶片的高光谱图像,然后提取染病和健康叶片感兴趣区域(ROI)的光谱反射率值,作为番茄叶片灰霉病鉴别模型的输入来建立支持向量机(SVM)鉴别模型,训练集和验证集的鉴别率都是100%。研究进一步通过CARS和CA提取特征波长,分别得到5个(554, 694, 696, 738和880 nm)和4个(527, 555, 571和633 nm)特征波长,然后分别建立CARS-SVM和CA-SVM鉴别模型。结果显示,CARS-SVM模型中训练集和验证集的鉴别率都是100%,CA-SVM模型中训练集和验证集的鉴别率分别是91.59%和92.45%。以上结果说明了从可见-近红外高光谱图像中提取的光谱反射率值用于检测番茄叶片的灰霉病是可行的。     

基于高光谱图像和判别分析的草地早熟禾品种识别研究

利用高光谱成像技术(550～1 000nm),采集了6个草地早熟禾品种新鲜叶片的高光谱图像,提取了叶片的光谱信息,运用Wilks’Lambda逐步判别分析法,从94个波段中选择了9个特征波段,根据特征波段的光谱信息,采用Fisher线性判别法,构建草地早熟禾品种的判别分析模型。结果表明,选择3个、6个和9个波段组合,对120个训练样本的识别正确率分别为98.3%,100%和100%,对60个测试样本的识别正确率分别为83.3%,96.7%和100%,说明以9个特征波段的光谱信息构建的草地早熟禾品种判别模型是合适的,利用高光谱成像技术结合判别分析法,为快速识别草地早熟禾品种提供了一种新的方法。     

近地高光谱成像技术对黑豆品种无损鉴别

基于近地高光谱成像技术结合化学计量学方法,实现了黑豆品种的鉴别。实验以三种不同颜色豆芯的黑豆为研究对象,采用高光谱成像系统采集380～1 030 nm波段范围的高光谱图像,提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析,建立黑豆品种的判别分析模型。共采集180个黑豆样本的180条平均光谱曲线。剔除明显噪声部分之后以440～943 nm范围光谱为黑豆样本的光谱,采用多元散射校正(multiplicative scatter correction,MSC)对光谱曲线进行预处理。分别以全部光谱数据、主成分分析(principal component analysis,PCA)提取的光谱特征信息、小波分析(wavelet transform,WT)提取的光谱特征信息建立了偏最小二乘判别分析法(partial least squares discriminant analysis,PLS-DA),簇类独立模式识别法(soft independent modeling of class analogy,SIMCA),最邻近节点算法(K-nearest neighbor algorithm,KNN),支持向量机(support vector machine,SVM), 极限学习机(extreme learning machine,ELM)等判别分析模型。以全谱的判别分析模型中,ELM模型效果最优;以PCA提取的光谱特征信息建立的模型中,ELM模型也取得了最优的效果;以WT提取的光谱特征信息建立的模型中,ELM模型结识别效果最好,建模集和预测集识别正确率达到100%。在所有的判别分析模型中,WT-ELM模型取得了最优的识别效果。实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的,且WT用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。