題目
基于高光譜影像和深度卷積神經網絡的玉米種子品種分類
應用關鍵詞
高光譜成像技術、深度學習、種子純度、可見近紅外
背景
在種子品質檢測中，品種純度是一個重要的指標，影響著種子的生長和產量。然而，不同品種的玉米種子在種植、收獲、運輸和儲存等生長發(fā)育過程中可能是混合的。如果雜交玉米種子與其他品種的玉米種子混合，就會造成產量損失。傳統(tǒng)玉米種子分類方法存在檢測時間長、復雜度高、對種子有破壞作用等局限性。因此，亟需使用相關技術為育種者、種植者和消費者準確識別玉米品種。本文探究了高光譜成像技術與深度卷積神經網絡（dcnn）相結合對四個品種的玉米種子進行分類的可行性。
試驗設計
浙江大學成芳教授團隊利用江蘇雙利合譜公司的可見/近紅外高光譜成像系統(tǒng)gaiafield-v10e，獲取了四個不同品種的玉米種子的高光譜影像，并提取了每個品種胚乳部分的平均光譜（400 – 1000 nm）；基于平均光譜構建了dcnn、k近鄰（knn）和支持向量機（svm）三種分類模型。dcnn結構如圖1所示。
圖1 dcnn結構。dcnn的主要流程（a），conv block的具體流程（b），fc block的具體流程（c）
結論
圖2 四種玉米種子的光譜。原始光譜（a）；在450.26 - 978.94 nm波長范圍內提取玉米種子roi的平均光譜（b）
對比了四個品種的平均光譜（圖2）。光譜曲線的總體趨勢非常相似，尤其是在510 -580 nm范圍內。而jiayu538在整個光譜中表現(xiàn)出明顯高于chunhua201和qianfeng258的反射率。在4個玉米品種中，deyu977在500 nm前和850 nm后表現(xiàn)出較高的反射率。450 - 700 nm的波長范圍可能與葉綠素、β-胡蘿卜素或其他與胚乳有關的成分的變化有關。短波紅外的差異可能與o-h、n-h、c-h鍵的振動有關。這些異同的存在表明不同品種的玉米種子是可以分類的。
表1 混淆矩陣以及accuracy、sensitivity、specificity、precision
分別采用knn、svm和dcnn模型對玉米種子品種進行分類。如表1所示，dcnn模型在accuracy、sensitivity、specificity、precision方面均獲得了好的結果，顯示了dcnn模型的優(yōu)越性。對于驗證集，我們可以看到三個模型的驗證集的整體結果略差于測試集。knn、svm和dcnn模型的accuracy分別為63.1%、86.9%和93.3%。驗證集與測試集的評價指標大小幾乎沒有區(qū)別。此外，從sensitivity、specificity、precision的值來看，數值變化不大，可見模型沒有出現(xiàn)過擬合現(xiàn)象，模型的穩(wěn)定性較好。
圖3 基于svm（a）和dcnn模型（b）的種子可視化分類圖（chunhua201、deyu977、jiayu538、qianfeng258的玉米種子分別以藍色、綠色、橙色和紅色進行可視化）
為了直觀地觀察玉米種子樣本的分類結果，利用svm和dcnn模型實現(xiàn)了玉米胚乳圖像的可視化（圖5）。雖然肉眼很難判斷玉米種子樣品之間的差異，但從最終的化學圖像中可以明顯地識別出各個品種的玉米種子。可以看到，在320個測試玉米種子中，基于dcnn模型的分類圖中只有4個玉米種子被錯分類。準確率為98.75%，與上述分析結果相似。
以上研究表明了，通過結合高光譜成像技術和dcnn可實現(xiàn)玉米種子品種快速、準確地區(qū)分和可視化。在未來的研究中，預計將使用更多的玉米種子品種來提高分類模型的穩(wěn)定性，并開發(fā)出實時的玉米種子分類系統(tǒng)。
作者信息
成芳，博士，浙江大學生物系統(tǒng)工程與食品科學學院教授，博士生導師。
主要研究方向：智能裝備、農產食品加工質量實時在線監(jiān)測自動控制技術、顯微成像光譜信息融合分析、淀粉納米晶制備改性及應用、種子納米增強等。
參考文獻：
zhang, j., dai, l., & cheng, f. (2020). corn seed variety classification based on hyperspectral reflectance imaging and deep convolutional neural network. journal of food measurement and characterization, 15, 484-494.