采用SE增强的1-D CNN与全频段高光谱成像,用于快速准确的玉米种子品种分类
Linzhe Zhang1, Chengzhong Liu1, Junying Han1
1College of Information Science and Technology, Gansu Agricultural University, Lanzhou, China.
Frontiers in plant science
|October 24, 2025
概括
准确的玉米种子识别对于作物产量和遗传纯度至关重要. 使用CNN2c-SE模型的高光谱成像方法实现了93.89%的准确性,用于非破坏性品种分类.
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:
- 准确的玉米种子识别对于作物产量和遗传纯度至关重要.
- 传统的方法往往是破坏性的或耗时的.
- 需要有效的,非破坏性的品种歧视技术.
研究的目的:
- 开发一种非破坏性方法,使用高光谱成像技术对30种玉米品种进行分类.
- 为了比较不同机器学习模型对这个分类任务的性能.
- 建立一个高通量玉米种子识别的有效工具.
主要方法:
- 在380-1018nm范围内进行超光谱成像.
- 对玉米种子胚胎的兴趣区域选择.
- 用于光谱预处理的萨维茨基-戈莱光滑.
- 将KNN,ELM和CNN2c-SE模型进行比较.
主要成果:
- 使用全频谱数据,CNN2c-SE模型实现了93.89%的分类准确度.
- 这种模型显著超过了传统的机器学习和特征波段方法.
- 证明了高光谱成像与深度学习相结合的有效性.
结论:
- 拟议的CNN2c-SE模型提供了一种高度准确和高效的方法,用于非破坏性玉米种子品种识别.
- 这种技术在种子质量控制和精密育种应用方面具有重大潜力.
- 突出了通过高光谱成像和人工智能的农业技术的进步.
