基于超光谱成像的甜玉米种子生存能力的检测与火虫算法相结合,优化了深度学习
Yi Wang1,2, Shuran Song1
1College of Electronic Engineering (College of Artificial Intelligence), South China Agricultural University, Guangzhou, China.
Frontiers in plant science
|May 16, 2024
概括
这项研究使用高光谱成像和深度学习来准确识别甜玉米种子的活力等级. 先进的FA-CNN-LSTM模型实现了97.23%的准确性,超过了优质种子选择的传统方法.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 甜玉米种子的活力对作物产量和质量至关重要.
- 准确识别种子生存能力对于育种和农业至关重要.
- 评估种子活力的传统方法可能是耗时和劳动密集的.
研究的目的:
- 开发和评估深度学习模型,以识别甜玉米种子活力等级.
- 将各种深度学习算法的性能与传统机器学习方法进行比较.
- 为了引入一种新的火算法,优化了CNN-LSTM模型,以提高种子活力分类.
主要方法:
- 超光谱成像被用来收集来自496个甜玉米种子的光谱数据,分为四个生存度等级.
- 支持矢量机 (SVM) 和极端学习机 (ELM) 被用作基线机器学习模型.
- 开发和测试了包括1DCNN,1DLSTM,CNN-LSTM和拟议的FA-CNN-LSTM在内的深度学习模型.
主要成果:
- 深度学习模型显著超过了传统的机器学习,达到超过94.26%的准确性.
- 拟议的FA-CNN-LSTM模型表现出卓越的性能,达到97.23%的分类准确度.
- FA-CNN-LSTM比标准CNN-LSTM模型有1.49%的改进,比表现最差的CNN有2.97%的改进.
结论:
- 将深度学习与高光谱成像相结合,提供了一种强大而准确的方法来区分甜玉米种子的活力.
- FA-CNN-LSTM模型为农业中自动化种子质量评估提供了一个有希望的进步.
- 这种方法在农业研究和作物育种计划中具有很大的应用潜力.
