太赫兹成像技术对玉米种子的鉴定和识别

利用太赫兹时域光谱(THz_TDS)测试技术及透射式太赫兹逐点扫描成像技术分别对几种玉米种子DNA和胚的样品进行了光谱和成像测量;利用空间图样成份分析(component spatial pattern analysis)方法对得到的THz像进行识别运算。实验结果表明,几种样品在THz波段都有不同的吸收特性,但都没有明显的吸收峰,不能利用“特征指纹谱”进行识别。用基于THz扫描成像的空间图样成份分析方法能很好地实现不同玉米种子DNA样品的鉴定和识别。与现有的THz图像识别方法相比,这个方法只需要THz像的实验数据和样品的吸收谱信息,不需要样品的其它特征。这项研究为进一步利用THz成像技术实现无损检测、安全检查、质量监测等提供了依据,具有实际应用价值。     

应用近红外光谱技术快速鉴别玉米杂交种纯度的研究

采用近红外光谱分析技术结合定性偏最小二乘法对农大108玉米杂交种的纯度进行了鉴别研究,实验采用农大108杂交种子与母本178种子各100粒进行单粒光谱扫描(建模集与检验集比例为3:1),结果表明:透射孔直径为3 mm 时,所建模型平均鉴别率为99.82%,显著高于透射孔直径为4.5 mm 时所建模型的鉴别率90.96%;采用胚乳面一次光谱、胚面两次平均光谱、胚乳面两次平均光谱和四次平均光谱进行建模,其平均鉴别率筹异不显著,检验集平均鉴别率均达到99%左右,略高于胚面一次光谱;选择透射孔径3.0 mm,4 000～8 000 cm1 光谱范围,种子胚乳面单次光谱所建立的农大108玉米杂交种的种子纯度鉴定模型的建模集和检验集的鉴别率均达到100%.     

虫蛀玉米种子的空气耦合超声波检测

提出了一种基于空气耦合超声波技术的玉米种子虫蛀孔洞颗粒和完好颗粒分类识别方法·首先根据玉米颗粒的弹性模量、泊松比和密度等物理量计算出了玉米颗粒的声速,并根据检测精度需求设定了激励信号频率。然后采用MATLAB对采集的两类种子超声波信号数据进行分析处理,并分析了种子厚度和摆放方位对超声波响应特征的影响。最后建立了K近邻(KNN)、簇类独立软模式法(SIMCA)、Fisher线性判别(LDA)和决策树(DT)识别模型,并对模型性能进行了测试.结果表明;种子孔洞深度、胚部厚度和正反面方位不同,即超声波在种子表面的反射程度不同、在种子中传播声程不同,则起声波信号衰减程度不同,导致接收到信号的幅值不同,且样本点在主成分分析(PCA)特征空间的分布也不同。4种识别模型均可以实现对两类玉米的分类识别,其中KNN模型性能最佳,其对虫蛀孔洞颗粒和完好颗粒的正确识别率分别为98%100%,误差带为2%,0。此结果说明采用空气耦合超声波技术可以实现对玉米种子虫蛀孔洞颗粒的检测。      

基于高光谱技术的玉米种子可视化鉴别研究

种子纯度是衡量种子品质的重要指标。提出一种基于近红外(874～1 734 nm)高光谱技术实现玉米种子可视化鉴别的方法。采集4个品种共384个玉米种子样本的高光谱图像数据,随机选择288个样本作为建模集,剩余96个样本作为预测集。对玉米种子光谱曲线进行分析后,通过连续投影算法（SPA）选取7个特征波段作为输入,结合偏最小二乘法判别分析(PLS-DA)模型,对预测集进行预测,获得较好的分类效果,其中R_C=0.917 7,RMSECV=0.444 2; R_CV=0.911 5,RMSECV=0.459 9,建模集和预测集的总体鉴别率分别为78.5%和70.8%。通过图像处理技术提取高光谱图像中每个玉米颗粒的平均光谱数据,输入建立的SPA-PLS-DA模型,在计算生成的鉴别图中以不同颜色标识不同类别,实现了混杂玉米种子样本的可视化鉴别。对3份不同组成的混杂种子样本进行鉴别,达到了较好的可视化效果。结果表明,通过可视化鉴别技术,可以直观方便地观察混杂种子样本中不同品种种子的分布和数量,为农业生产中种子的纯度鉴别和筛选提供了帮助。     

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563.6～911.4nm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.     

玉米亚正常籽粒生活力近红外光谱判别方法研究

应用近红外光谱分析技术,针对玉米诱导过程中产生的亚正常种子,发展亚正常种子的单籽粒生活力判别方法。该研究应用了一种基于Kolmogorov-Smirnov检验的方法(KS法)对近红外光谱进行特征提取,并比较了十种采用不同预处理数据和特征提取方法建立的模型的判别性能,每种模型试验了1134种参数组合,并对采用多种方法和参数组合建立的模型进行交叉验证。结果表明,采用矢量归一化预处理,KS法提取特征波长,并去除低信噪比区域的数据建立的模型判别效果最好。发芽籽粒和不发芽籽粒的平均正确识别率分别达到92.20%和84.86%。该方法将发芽籽粒的筛选准确率由随机筛选的不足40%提高至85%以上,可显著提高筛选效率。     

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。     

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。     

太赫兹时域光谱技术在玉米种子鉴定中的实验研究

用太赫兹时域光谱技术对农大108和郑单958两种玉米种子的胚和DNA进行了探测。给出了种子胚在太赫兹波段不同时的折射率曲线。对比了两种玉米种子胚吸收光谱的异同。为深化实验,对两种玉米种子DNA的吸收光谱进行了对比,并进行了相关讨论。该研究为将太赫兹时域光谱技术应用于玉米种子的鉴定打下了实验基础。     

玉米品种近红外光谱的DFT特征分析方法

提出了一种基于离散傅里叶变换(discrete Fourier transform,DFT)的玉米品种特征分析新方法.实验数据为37个玉米晶种种子的近红外漫反射光谱数据,波段范围为4 000～12 000 cm-1.文中通过对原始数据进行分析,发现扫描频率较高的部分噪声也比较大.文中首先定义了一种类间、类内差异度Qm的...