基于近红外高光谱成像和深度转移学习的米种活力检测
Hengnian Qi1, Zihong Huang1, Zeyu Sun1
1School of Information Engineering, Huzhou University, Huzhou, China.
Frontiers in plant science
|November 8, 2023
概括
接近红外的高光谱成像与转移学习相结合,可以准确地检测到大米种子的活力. 混合式方法提高了跨品种活力检测的准确性,有助于大规模的作物种子分析.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 米种的活力对产量和质量至关重要.
- 需要准确和快速的检测方法来生产大米.
- 近红外高光谱成像 (NIHI) 为无破坏性种子分析提供了潜力.
研究的目的:
- 开发和评估一种基于NIHI的方法来检测大米种子活力.
- 调查转移学习策略在跨品种活力检测中的有效性.
- 用不同的转移学习方法评估卷积神经网络 (CNN) 模型的性能.
主要方法:
- 利用近红外高光谱成像 (NIHI) 来从人工老化的米种中获取光谱数据.
- 开发了卷积神经网络 (CNN) 模型用于大米种子活力检测.
- 应用了两个转移学习策略:微调和MixStyle,用于四种水品种 (Yongyou12,Yongyou1540,Suxiangjing100,Longjingyou1212) 的知识转移.
主要成果:
- 在Yongyou12上训练的CNN模型在使用MixStyle转移对其他品种的活力进行分类时取得了很高的准确性:Yongyou1540的90.00%,Suxiangjing100的80.33%,Longjingyou1212的85.00%.
- 混合风格转移性能与单个品种的初始建模相当或优于初始建模.
- MixStyle通过从跨源培训样本中合成新领域来增强域多样性,改善模型概括性.
结论:
- 结合NIHI和转移学习,特别是MixStyle,提供了一种有效的方法,可以在不同品种中快速准确地检测大米种子活力.
- 混合风格策略表现出卓越的概括能力,即使新品种的数据有限,也可以进行强大的活力分类.
- 这项研究有助于开发先进的系统来评估各种作物种子的活力,从而支持农业生产率.
