使用超光谱成像技术和多尺度3D卷积神经网络,在玉米中非破坏性检测单种子生存能力
Yaoyao Fan1,2, Ting An2, Qingyan Wang2
1College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang, China.
Frontiers in plant science
|September 15, 2023
概括
使用多尺度3D卷积神经网络 (3DCNN) 的高光谱成像准确地检测了玉米种子的生存能力. 这种非破坏性方法通过快速选玉米种子来提高农业效率和种子保存.
科学领域:
- 农业科学 农业科学
- 图像处理 图像处理
- 机器学习 机器学习
背景情况:
- 准确的玉米种子生存能力评估对于优化作物产量,育种计划和生殖质保存至关重要.
- 目前用于种子生存能力测试的方法可能耗时,破坏性或主观,需要先进的非破坏性技术.
研究的目的:
- 开发一种快速,非破坏性的方法,使用高光谱成像 (HSI) 来检测Zea mays (玉米) 种子的生存能力.
- 采用先进的机器学习模型进行准确的单种子生存能力歧视和相关的发芽评估.
主要方法:
- 使用高光谱成像 (HSI) 来捕获玉米种子在各种老化阶段的光谱和图像数据.
- 应用了连续预测算法 (SPA) 来提取关键波长,减少数据的维度.
- 一个多尺度的3D卷积神经网络 (3DCNN) 处理了细分的关键波长图像以进行可行性分类,结果通过投票算法汇总.
- 实现了YOLOv7和Mask R-CNN模型,分别用于自动发芽判断和芽长度检测.
主要成果:
- 多尺度的3DCNN模型在测试组中实现了90.67%的准确性来区分单种子的生存能力.
- 对于发芽判断,YOLOv7模型的平均精度 (mAP) 为99.7%.
- 面具R-CNN模型实现了芽长度检测的0.98的确定系数.
结论:
- 本研究提出了一种可行和有效的解决方案,用于快速,非破坏性的玉米种子可行性检测,使用HSI和多尺度3DCNN.
- 整合YOLOv7和Mask R-CNN进一步自动化了种子质量评估的关键方面,减少了劳动和主观性.
- 开发的方法为提高种植质量,提高作物产量和推进农业实践提供了重要的理论支持.
