應(yīng)用方向：

高光譜成像技術(shù)在農(nóng)業(yè)領(lǐng)域，特別是作物種子識別與分類中具有重要應(yīng)用價值。通過獲取種子在多個連續(xù)波段下的光譜與空間信息，高光譜成像可實現(xiàn)對外觀差異微小的種子品種進(jìn)行無損、高精度識別。結(jié)合化學(xué)計量學(xué)和機(jī)器學(xué)習(xí)方法，高光譜技術(shù)不僅適用于實驗室研究，還具備向自動化、智能化農(nóng)業(yè)生產(chǎn)流程中推廣的潛力，為精準(zhǔn)農(nóng)業(yè)、種子分選與農(nóng)業(yè)產(chǎn)品質(zhì)量控制提供了有效的技術(shù)支持。

背景：

玉米作為全球三大主糧作物之一，品種繁多，種植面積廣泛。隨著育種技術(shù)的發(fā)展，市場上玉米種子的品種日益豐富，但不同品種種子在外觀上差異微小，導(dǎo)致在收獲和流通過程中容易混雜，降低品種純度，影響種子質(zhì)量和作物產(chǎn)量。因此，開展高效、準(zhǔn)確的玉米種子品種識別研究具有重要意義。高光譜成像技術(shù)融合了圖像與光譜信息，能夠?qū)崿F(xiàn)非破壞性、高分辨率的數(shù)據(jù)獲取，在玉米種子分類方面，已有研究表明，高光譜數(shù)據(jù)結(jié)合化學(xué)計量學(xué)方法可有效提升分類精度。然而，目前仍需進(jìn)一步優(yōu)化光譜預(yù)處理方法、波段選擇策略及建模算法，以實現(xiàn)更高效的種子品種識別系統(tǒng)。基于此，本文旨在探索高光譜反射成像與化學(xué)計量學(xué)方法結(jié)合的可行性，用于三種玉米種子品種的分類，并對不同建模方法的分類效果進(jìn)行比較，為種子分選與品種純度保障提供技術(shù)支持。

作者信息：成芳，浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，博士生導(dǎo)師

期刊來源：An ASABE Meeting Presentation

研究內(nèi)容

基于高光譜反射成像技術(shù)，結(jié)合化學(xué)計量學(xué)方法，實現(xiàn)對三種玉米種子品種的準(zhǔn)確分類。研究首先利用高光譜成像系統(tǒng)采集玉米種子在400–1000 nm范圍內(nèi)的光譜數(shù)據(jù)，并通過多種預(yù)處理方法（如標(biāo)準(zhǔn)正態(tài)變換、平滑處理等）提升數(shù)據(jù)質(zhì)量；然后采用主成分分析（PCA）進(jìn)行特征降維與數(shù)據(jù)可視化；進(jìn)一步利用隨機(jī)蛙跳算法（RFA）篩選有效波段，減少冗余信息。在建模方面，論文比較了支持向量機(jī)（SVM）和極限學(xué)習(xí)機(jī)（ELM）兩種分類模型在全波段與有效波段下的性能差異。最終結(jié)果表明，結(jié)合波段選擇的SVM模型在玉米種子品種分類中表現(xiàn)最佳，驗證了高光譜成像與化學(xué)計量學(xué)融合方法在農(nóng)作物種子識別中的有效性與實用性。

實驗設(shè)計

在中國吉林省長春市當(dāng)?shù)剞r(nóng)民處購買了三種新鮮的玉米種子品種，為春華201、佳玉538和千峰258三個品種，共挑選了1500個樣本（每個品種各500粒玉米種子）。每個品種的數(shù)據(jù)集被隨機(jī)劃分為校準(zhǔn)集和驗證集（校準(zhǔn)集：驗證集 = 2:1）。因此，校準(zhǔn)集中有1000個樣本，驗證集中有500個樣本。三種不同的玉米種子品種被標(biāo)記為類別1、2、3。

圖1展示了高光譜成像系統(tǒng)（江蘇雙利合譜科技有限公司）的示意圖。該系統(tǒng)由以下部分組成：一臺CCD相機(jī)，一個成像光譜儀，一個鏡頭，線性光源及其控制器，樣品臺以及一個移動臺控制器。高光譜圖像采集軟件Spectracube 2.75b被用于圖像的采集和校正。玉米種子被放置在黑色樣品臺上，物距為28.5厘米，曝光時間為6毫秒，移動臺速度為2.6毫米/秒。高光譜圖像的采集光譜范圍為400-1000納米，共有477個波長。為了克服光源強(qiáng)度在每個波長上的不均勻性以及采集傳感器暗電流的影響，所收集的高光譜圖像均進(jìn)行黑白校正。

圖1.高光譜成像系統(tǒng)：1. CCD相機(jī)，2. 可見光/近紅外成像光譜儀，3. 鏡頭，4. 暗箱，5. 線性光源，6. 可升降樣品臺，7. 移動平臺，8. 位移平臺控制器，9. 計算機(jī)，以及10. 0.5毫米延伸管

研究方法

在本研究中，為了突出研究樣本之間的差異，對光譜數(shù)據(jù)進(jìn)行了預(yù)處理。應(yīng)用了5-3平滑（5點和3次多項式擬合，平滑時間為2000）以提高信噪比并消除隨機(jī)噪聲。采用SPA算法用于在光譜數(shù)據(jù)分析處理中提取特征波長。

在模型分析方面，本研究建立了K最近鄰（KNN）和支持向量機(jī)（SVM）模型，用于不同玉米種子品種的分類。KNN通過測量不同特征值之間的距離進(jìn)行分類，本文采用了歐幾里得距離。SVM是一種重要的分類方法，在解決小樣本集、非線性和高維模式識別問題方面具有許多獨*優(yōu)勢。它從有限的訓(xùn)練樣本中建立模型，并為獨立的測試集獲得小誤差。在本文中，應(yīng)用了徑向基函數(shù)（RBF）核函數(shù)，并且在模型開發(fā)和更新階段，通過網(wǎng)格搜索算法結(jié)合十折交叉驗證對c（懲罰因子）和g（核函數(shù)的徑向?qū)挾龋┻M(jìn)行了優(yōu)化。

結(jié)果

在本研究中，基于SPA選定的波長數(shù)據(jù)以及光譜的全部波長視為輸入建立了KNN和SVM分類模型。無論是通過SPA算法獲得的特征波長還是全部波長，SVM模型的準(zhǔn)確率都優(yōu)于KNN?？梢钥闯觯琒PA算法提取的特征波長并沒有使建模效果更佳。在使用SVM對全部波長進(jìn)行建模的情況下，獲得了最高的準(zhǔn)確率，校準(zhǔn)集的準(zhǔn)確率為89.0%，驗證集的準(zhǔn)確率為94.2%。

下表展示了經(jīng)過5-3平滑處理后，KNN和SVM方法在校準(zhǔn)集和驗證集上的分類準(zhǔn)確率。從表中的校準(zhǔn)集和驗證集的準(zhǔn)確率可以明顯看出，當(dāng)使用SPA算法提取的特征波長進(jìn)行建模時，與使用全部波長相比，建模效果有了顯著提升。當(dāng)使用SVM對特征波長進(jìn)行建模時，校準(zhǔn)集的準(zhǔn)確率提升至91.6%，驗證集的準(zhǔn)確率提升至96.8%。此時，特征波長的優(yōu)勢得以顯現(xiàn)。僅使用9個波長，不僅減少了計算的數(shù)量和時間，還獲得了更好的結(jié)果。

結(jié)論

在本研究中，將高光譜反射成像技術(shù)和化學(xué)計量學(xué)方法相結(jié)合，對三種不同的玉米種子品種（春華201、佳玉538和千峰258）進(jìn)行分類。根據(jù)結(jié)果，無論是否使用預(yù)處理方法，以及是否采用SPA算法獲得的特征波長或全部波長進(jìn)行建模，SVM模型的準(zhǔn)確率都優(yōu)于KNN模型。當(dāng)使用適當(dāng)?shù)念A(yù)處理方法時，通過特征提取算法獲得的特征波長的建模效果可能優(yōu)于全部波長的效果。本文中的最佳結(jié)果是5-3平滑-SPA算法，9個特征波長可以獲得校準(zhǔn)集91.6%的準(zhǔn)確率和驗證集96.8%的準(zhǔn)確率。