使用多式联动数据融合和可解释的深度学习技术,快速检测自然老化的玉米种子的生存能力
1College of Agronomy and Biotechnology, China Agricultural University/ The Innovation Center (Beijing) of Crop Seeds Whole-Process Technology Research of Ministry of Agriculture and Rural Affairs/Beijing Key Laboratory of Crop Genetic Improvement, Beijing 100193, China.
Food chemistry
|March 11, 2025
概括
这项研究引入了一种新的多传感器模型 (MSCNSVN),以准确评估玉米种子的生存能力. 结合多种数据类型可以显著提高预测准确度,而不是单个传感器方法,以获得更好的作物产量.
科学领域:
- 农业科学 农业科学
- 生物技术是生物技术.
- 数据科学数据科学数据科学
背景情况:
- 种子的生存能力对于农业生产率和作物站的建立至关重要.
- 目前用于玉米种子活力的非破坏性测试模型,通常使用单模数据 (例如机器视觉,反射光谱),显示精度有限 (<70%).
- 自然老化的种子对精确的生命力评估提出了挑战.
研究的目的:
- 开发和评估一种基于多传感器的新型模型 (MSCNSVN),用于增强玉米种子生存能力检测.
- 调查不同数据模式及其融合对模型准确性的影响.
- 将拟议模型的性能与现有的基线方法进行比较.
主要方法:
- 从玉米种子收集的多传感器数据,包括机器视觉 (MV),反射光谱 (RS),热成像 (TS),光光谱 (FS) 和光谱成像 (SS).
- 开发了多传感器卷积神经网络种子可行性网络 (MSCNSVN) 模型.
- 采用数据融合技术,整合来自各种传感器的信息.
- 利用双种和内的表面数据集进行增强的建模.
主要成果:
- 单模光谱 (FS) 数据集,特别是FS570/600,产生了最佳的预测准确度.
- 与单模数据相比,多模数据融合提高了10%的准确性,其中MV + RS + FS组合获得了最高的准确性.
- 在种子可行性预测方面,MSCNSVN模型显著超过了基线模型.
- 结合双种和内的表面数据集,进一步提高了模型准确性2-3%.
结论:
- 多传感器数据融合是改善玉米种子生存能力评估的高效策略.
- 拟议的MSCNSVN模型为非破坏性种子质量测试提供了强大而准确的解决方案.
- 未来的研究应该探索进一步优化传感器组合和数据集,以更准确地预测种子活力.
