基于高光谱和深度学习的普通豆种子品种识别研究
Shujia Li1, Laijun Sun1, Xiuliang Jin2
1College of Electronics Engineering, Heilongjiang University, Harbin, Heilongjiang 150080, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 30, 2024
概括
超光谱技术与深度学习相结合,可以准确地识别普通豆种子品种,而不会破坏. 这种方法提供了一种可靠的方法来分类各种豆类型,样本大小小小.
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:
- 准确而非破坏性地识别普通豆种子品种对于有效的种植和利用至关重要.
- 现有的方法可能具有破坏性,或缺乏大规模应用所需的速度和准确性.
研究的目的:
- 开发和评估一种非破坏性的方法来识别使用高光谱成像和深度学习的普通豆种子品种.
- 将新型深度学习模型的性能与传统机器学习和其他深度学习架构进行比较.
主要方法:
- 从500种普通豆品种获得的超光谱图像.
- 应用图像细分,敏感区域提取和合成少数超采样技术 (SMOTE) 进行数据平衡.
- 开发了一个一维的卷积神经网络 (IResCNN),结合了Inception和残余结构,使用Savitzky-Golay平滑校正和连续投影算法 (SPA) 来提取特征 (66个波长).
主要成果:
- 拟议的IResCNN模型在测试组件上实现了最高准确率93.06%.
- 与支持矢量机 (SVM),K-近邻 (KNN),VGG19,AlexNet和ResNet50模型相比较有利.
- 证明了超光谱技术的有效性,用于准确识别豆种.
结论:
- 超光谱成像与IResCNN深度学习模型相结合,提供了一种准确且非破坏性的常见豆种子品种识别方法.
- 这项研究提供了一个可行的方法框架,用于对多个物种,小样本豆品种的分类.
