基于高光谱图像的RGB重建的大豆种子的分类
Xu Yang1, Kejia Ma1, Dejia Zhang1
1College of Electronic Information Engineering, Changchun University of Science and Technology, Changchun, China.
PloS one
|September 4, 2024
概括
使用高光谱RGB图像重建对大豆种子进行分类,改善了农业实践. 该SENet-ResNet34-DCN模型在识别大豆品种方面取得了最高的准确性,提高了生产和可持续性.
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:
- 豆类种子的分类对于优化农业生产和质量至关重要.
- 精确的种子识别使农民能够选择适合播种的品种.
- 目前的方法可能缺乏先进农业应用所需的精度.
研究的目的:
- 开发和评估一种使用高光谱RGB图像重建对大豆种子进行分类的新方法.
- 增强特征提取能力,以改善种子细分和识别.
- 为了比较各种深度学习模型对大豆种子分类的性能.
主要方法:
- 超光谱成像被用来收集来自七种大豆品种的数据.
- 通过从超光谱数据中选择特有的R,G和B波段来进行RGB图像重建.
- 训练和比较了多种深度学习模型,包括ResNet变体和注意力机制 (CBAM,SENet).
主要成果:
- RGB图像重建增强了图像功能,将分类精度从88.87%提高到91.75%的ResNet34.
- 该SENet-ResNet34-DCN模型实现了最高的分类准确率94.24%,模型损失约为0.3.
- 不同的模型表现出不同的性能,突出了SENet-ResNet34-DCN等先进架构的有效性.
结论:
- 超光谱RGB图像重建是改善大豆种子分类的有效技术.
- 该SENet-ResNet34-DCN模型在准确识别大豆种子方面表现出卓越的性能.
- 通过先进分类优化种子选择有助于科学,高效和可持续的农业,提高粮食安全.


