一种基于图像-超光谱融合和改进的深度残留卷积网络的子种子品种识别方法
Xu Yang1, Yihan Chen1, Shaozhong Song2
1School of Electronic Information Engineering, Changchun University of Science and Technology, Changchun, China.
Frontiers in plant science
|September 8, 2025
概括
这项研究引入了一种先进的深度学习模型,用于使用融合的RGB和超光谱数据准确识别子种子品种. 该方法实现了高精度,有助于种子质量控制和农业效率.
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:
- 种子识别对于作物质量和农业效率至关重要.
- 当前的方法在品种分类中可能缺乏精度和效率.
研究的目的:
- 开发一种高精度的 Sorghum 种子品种分类方法.
- 通过改进的深度学习模型,利用融合的RGB图像和高光谱数据.
主要方法:
- 开发了一种新的深度残留卷积神经网络 (ResNet50).
- 该网络集成了深度可分离卷积 (DSC) 和卷积块注意模块 (CBAM).
- 使用了一种光谱融合数据集,其中包括来自八个品种的12800个麦种子.
主要成果:
- 拟议的CBAM-ResNet50-DSC模型实现了94.84%的分类准确度.
- 高性能指标包括99.20%的特异性,94.39%的回忆,94.52%的精度和0.9438的F1分数.
- 该模型展示了准确和非破坏性的分类能力.
结论:
- 开发的模型提供了一个可靠和高效的方法,用于麦种子品种分类.
- 这种方法在农业种子选和可持续发展方面具有显著的实际价值.
