论文部分内容阅读
玉米（Zea mays L.）是世界上种植最广泛的作物之一,兼具饲用、工业加工、食用等多种用途。种子的质量是决定种子能否发芽、成苗的关键性因素。在种植、收获、干燥、运输、贮藏等过程中,因受到外界环境条件和自身生命活动的影响,种子的质量会发生改变,并影响到农业产量的高低。本研究采用近红外高光谱成像技术获取了作物种子的表型信息,对作物种子加工过程中影响种子质量的四项指标（损伤状态、品种属性、穗腐病感染、霉变侵害）进行了无损检测,建立了基于机器学习方法的作物种子损伤识别模型、品种鉴别模型、穗腐病诊断模型、霉变检测模型,主要研究内容及结果如下:（1）针对种子机械损伤降低种子净度的问题,提出了基于光谱和纹理融合特征的种子损伤识别方法,建立了基于高光谱成像技术的玉米种子损伤状态无损识别模型。采集了多品种完整种子、损伤种子的高光谱图像,采用连续投影算法（Successive projection algorithm,SPA）提取了光谱特征并结合灰度共生矩阵（Gray-level co-occurrence matrix,GLCM）提取了纹理特征。基于融合特征建立的卷积神经网络-双向长短期记忆（Convolutional neural network-bidirectional long short-term memory,CNN-Bi LSTM）模型取得了最优的识别效果,在训练集、验证集、测试集上的准确率分别为99.31%、99.13%、98.61%。采用迁移成分分析（Transfer component analysis,TCA）方法将不同品种种子的融合特征进行特征变换后,实现了98.81%的测试准确率,说明模型具有较强的可移植性。（2）针对种子品种混杂降低种子纯度的问题,探明了训练集规模对不同架构卷积神经网络的影响规律,建立了基于高光谱成像技术的作物种子品种无损鉴别模型。采集了多品种玉米种子的高光谱图像,基于不同规模训练集建立了CNN模型,发现随着训练集规模的增大,不同模型在验证集和测试集上的准确率都呈波动上升趋势。基于全训练集建立的Res Net模型取得了最优的鉴别效果,在训练集、验证集、测试集上的准确率分别为100%、98.36%、98.20%。针对最优Res Net模型,采用t-分布随机邻域嵌入算法（t-distributed stochastic neighbor embedding,t-SNE）可视化了该模型逐步学习不同品种光谱特征差异的过程,并实现了对外部测试集样本的可视化鉴别,准确率达到了98.00%。基于模型微调（Fine-tune）方法,建立了类内（玉米种子）品种鉴别模型,在训练集、验证集、测试集上的准确率分别为99.25%、95.13%、95.37%;此外,还建立了类间（葡萄籽）品种鉴别模型,在训练集、验证集、测试集上的准确率分别为98.75%、97.00%、96.78%,说明模型具有较强的泛化能力。（3）针对穗腐病感染影响种子质量的问题,探究了种子胚乳面和胚面光谱特性,建立了基于高光谱成像技术的玉米种子穗腐病病情无损诊断模型。采集了健康种子、轻度感病种子和重度感病种子的胚乳面和胚面的高光谱图像,分别构建了1D-CNN和2D-CNN模型。针对全谱数据来说,基于胚乳面和胚面的1D-CNN模型诊断效果相似,而基于胚乳面的2D-CNN模型诊断效果优于胚面。基于波段比值运算结合相关性分析,对胚乳面和胚面分别筛选了15个和27个特征指数。基于特征指数生成特征图像后,分别建立了基于特征指数的1D-CNN模型和基于特征图像的2D-CNN模型。对胚乳面和胚面而言,1D-CNN模型都取得了与基于全谱数据相似的诊断效果,而2D-CNN模型都优于基于全谱数据的诊断效果。尤其是对于胚面来说,胚部褶皱区域对模型诊断效果的不利影响大大减弱,2DCNN模型的诊断效果得到了较大提升。整体而言,基于胚乳面全谱数据、特征指数和特征图像建立的1D-CNN和2D-CNN模型都取得了较好的诊断效果,所以,胚乳面可以作为诊断穗腐病的优势面。基于胚乳面特征图像建立的2D-CNN模型的测试准确率达到了91.67%。（4）针对霉变侵害降低种子活力和耐贮藏性的问题,研究了不同程度霉变种子的光谱特性与不同维度模型的显著性图分析方法,建立了基于高光谱成像技术的玉米种子霉变状态无损检测模型。采集了健康种子、轻度霉变种子、中度霉变种子、重度霉变种子的高光谱图像,分别构建了1D-CNN和2D-CNN模型。对于霉变与否检测来说,1D-CNN模型的检测效果较优,在训练集、验证集、测试集上的准确率分别为98.75%、98.33%、95.00%。结合1D-CNN和2D-CNN显著性图,发现在985.08、1011.93、1015.29、1045.52、1048.88、1069.03、1079.11、1102.64 nm对应的2D-CNN显著性图中,健康种子和霉变种子中大部分像素点的梯度更新方向相反。对于健康种子和不同程度霉变种子检测来说,1D-CNN模型的检测效果较优,在训练集、验证集、测试集上的准确率分别为100%、96.67%、95.00%。结合1D-CNN和2D-CNN显著性图,发现在1015.29、1018.65、1022.01、1106.00、1119.45、1126.17、1217.02、1307.97、1375.42、1635.66、1642.43、1645.82 nm对应的2D-CNN显著性图中,随着种子从健康状态到霉变程度逐渐加剧,大部分像素点的梯度更新具有一致的趋势（部分波长上正向增大、部分波长上反向减小）。