棉花网 (Cotton-Net):通过近红外光谱技术,高效准确地快速检测机器采摘的种子棉花中的杂质含量

科学领域:

• 农业工程 农业工程
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 中国的机器棉导致种子棉花杂质增加,影响了织品的价值和质量.
• 目前的半自动化杂质检测方法缺乏效率,不适合快速进行种子棉花采购评估.

研究的目的:

• 开发一种快速准确的方法来检测种子棉花杂质含量.
• 引入近红外光谱 (NIRS) 数据采集系统和用于种子棉花杂质分析的深度学习模型.

主要方法:

• 采集了种子棉花的光谱数据,使用了新的NIRS系统.
• 使用Savitzky-Golay (SG),标准正常变量转换 (SNV) 和规范化算法预处理的光谱数据.
• 开发和评估了一个具有SELU激活的单维卷积神经网络 (Cotton-Net),以及一个具有随机青优化的最小平方支持向量机 (LSSVM) 模型.

主要成果:

• 使用SELU激活的正常化Cotton-Net模型获得了最高的准确性,相关系数为0.9063和根平均平方误差 (RMSE) 为0.0546.
• 在规范化和随机处理后,LSSVM模型显示的相关系数为0.8662和RMSE为0.0622.
• 与LSSVM模型相比,Cotton-Net在相关系数上显示了4.01%的改善.

结论:

• 开发的NIRS系统和Cotton-Net模型为快速检测种子棉花杂质提供了高度有效的解决方案.
• 这种方法有可能显著改善未来种子棉花杂质快速检测仪器的开发.
• 准确的杂质评估对于种子棉花的估值和下游织品的质量至关重要.