基于改进的ICEEMDAN算法与TCN-BiGRU模型相结合,快速检测玉米的水分含量

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:

• 精确的玉米水分含量 (MC) 对于种植,收获和储存至关重要.
• 传统的MC检测方法是缓慢的,劳动密集的,繁的.
• 开发快速高效的MC检测对于玉米行业至关重要.

研究的目的:

• 开发一种快速而准确的玉米MC检测方法.
• 克服传统的MC检测技术的局限性.
• 通过精确的MC管理,提高玉米产量,质量和经济效益.

主要方法:

• 利用了来自405个玉米种子样本的近红外 (NIR) 光谱数据.
• 应用了改进的完整整合体实证模式分解与适应性噪声 (ICEEMDAN),优化了形猪优化器 (CPO),以减少噪声.
• 采用混乱子搜索 (CCS) 算法来提取特征波数.
• 开发了一种用于MC分类的时间卷积网络双向门循环单元 (TCN-BiGRU) 模型.

主要成果:

• 开发的CPO-ICEEMDAN-CCS-TCN-BiGRU模型在玉米MC检测方面实现了97.54%的准确性.
• 提出的模型显著优于现有的方法,如CNN,LSTM,TCN,PLS和SVM.
• 与其他模型相比,准确度的提高在2.34%至9.22%之间.

结论:

• CPO-ICEEMDAN-CCS-TCN-BiGRU模型提供了一个可靠和高效的解决方案,用于快速检测玉米MC.
• 这种先进的方法为优化玉米生产和管理提供了坚实的基础.
• 这些发现有助于提高玉米的质量,并最大限度地提高经济回报.