超光谱成像和深度卷积神经网络的应用,用于在单一玉米种子的胚胎和内方面识别结损伤
1School of Mechanical and Electrical Engineering, Jiaxing Nanhu University, 572 Yuexiu South Road, Jiaxing 314001, China.
Foods (Basel, Switzerland)
|February 26, 2025
概括
深层卷积神经网络 (DCNNs) 通过使用高光谱成像,准确地识别玉米种子的结损伤. 该DCNN模型在支持矢量机器上表现出优越的性能,特别是在胚胎侧分析方面.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 频谱学是一种光谱学.
背景情况:
- 结损害对玉米种子的生存能力和作物产量产生重大影响.
- 准确检测结损害对于种子质量控制和农业生产率至关重要.
研究的目的:
- 通过使用高光谱成像和深 convolutional 神经网络 (DCNNs) 调查在玉米种子中识别结损伤的可行性.
- 将DCNN模型的性能与支持矢量机 (SVM) 模型进行对比,以对结损伤进行分类.
主要方法:
- 从玉米种子收集过光谱图像数据 (450-979纳米),其中有三个类别的结损伤.
- 使用标准正常变量 (SNV) 或不进行预处理的预处理光谱数据.
- 开发并评估了支持向量机 (SVM) 和深度卷积神经网络 (DCNN) 的分类模型.
主要成果:
- 在准确性,灵敏性,特异性和精度方面,DCNN模型显著优于SVM模型.
- 使用DCNN模型,胚胎侧 (>96.7%) 的分类准确度高于内精子侧 (<93.8%).
- DCNN模型显示,对检测结损伤的灵敏度和精度有了显著的改进,特别是在胚胎方面.
结论:
- 深层卷积神经网络 (DCNNs) 提供了一种强大而准确的方法来识别单个受伤的玉米种子.
- 高光谱成像与DCNN相结合,为种子质量评估提供了有价值的工具,并可以成为自动化分类系统的基础.
