整合光谱和图像信息来预测棉花种子的活力
Qingxu Li1, Wanhuai Zhou1, Hongzhou Zhang2
1College of Computer Science, Anhui University of Finance & Economics, Bengbu, China.
Frontiers in plant science
|November 29, 2023
概括
这项研究引入了一种非破坏性方法,使用高光谱成像来评估棉花种子的活力. 开发的1D-CNN模型通过融合光谱和图像数据,有效地预测种子质量,改善棉花产量潜力.
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:
- 棉花种子的活力对于成功的种植和产量至关重要,但目前的评估方法是破坏性的.
- 需要一种非破坏性的方法来准确评估棉花种子的质量,而不损害种子的完整性.
- 超光谱成像提供了从多个种子同时获取数据的潜力.
研究的目的:
- 开发一种非破坏性的方法,使用高光谱成像来预测棉花种子的活力.
- 提取和融合光谱和图像特征,以提高生命力预测的准确性.
- 评估机器学习模型的性能,特别是1D-CNN,用于此应用.
主要方法:
- 使用专门的成像系统从棉花种子中获取超光谱数据.
- 对光谱数据 (SG,SNV,MSC) 的预处理和特征波长 (SPA,CARS) 的提取.
- 使用PLSR,SVR和1D-CNN模型提取图像纹理特征 (GLCM) 和预测,包括融合数据分析.
主要成果:
- 1D-CNN模型使用合的光谱和图像数据与SG+SPA预处理实现了高精度 (R2=0.9427,RMSE=0.6872).
- 使用MSC+CARS预处理的光谱数据分析产生了一个1D-CNN模型,R2=0.9214和RMSE=0.7017.
- 使用SG+CARS预处理进行图像数据分析,得出了一个1D-CNN模型,R2=0.8032和RMSE=0.9683.
结论:
- 1D-CNN模型在棉花种子活力预测方面表现出显著的有效性.
- 融合光谱和图像特征提供了优越的预测性能,而不是单独使用任何数据类型.
- 这项研究为评估棉花种子活力的自动检测设备铺平了道路,提高了农业实践.
