一种基于高光谱的种子品种品质检测方法、系统技术方案

本发明专利技术属于农作物检测技术领域，公开了一种基于高光谱的种子品种品质检测方法、系统，基于高光谱的种子品种品质检测方法包括：提取敏感区域的平均光谱，利用不同的光谱特征构建基于卷积神经网络的粮种种类预测模型；同时结合粮种的形态、表面纹理信息辅助光谱数据共同判别，利用高光谱成像方法对粮种进行快速无损检测。本发明专利技术基于高光谱图像同时获得图像特征和光谱特征，结合粮种的形态、表面纹理信息辅助光谱数据共同判别，提高了粮种识别的准确率；选用多种预处理方法提高了检测模型的准确性和稳定性。本发明专利技术基于光谱

【技术实现步骤摘要】
一种基于高光谱的种子品种品质检测方法、系统


[0001]本专利技术属于农作物检测
，尤其涉及一种基于高光谱的种子品种品质检测方法、系统。

技术介绍

[0002]目前，高光谱技术是光谱技术和图像技术融合的无损检测技术，图像信息表征粮种的外观大小、形状、缺陷等视觉特性，光谱信息能充分反映样品内部的物理结构、化学成分的差异，“图谱合一”具有更高的分析检测潜质。图像信息可以反映样本的等外部品质特征，由于不同成分对光谱吸收也不同，高光谱技术目标的空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖可同时获取被测物体的空间信息和图像中毎个像素点的光谱信息，这些特点决定了高光谱图像技术粮种检测方面的独特优势。
[0003]近年来，光谱技术在农作物种子领域，从种子的表面特性到内部品质的各项品质检测研究各方面取得了一些研究进展，主要集中在种子品种分类及纯度检测、种子活力区分、种子真菌感染检测和种子化学成分检测几方面：
[0004](1)品种分类
[0005]种子品种识别本质上是一个模式识别问题。充分提取分类特征，保证了辨识模型的准确性和鲁棒性。现有技术1公开了利用光谱和图像组合特征识别水稻品种和品质的方法，分类准确率达到94.45％。现有技术2从糯玉米种子高光谱数据中提取光谱、形态和结构特征，对种子侧和胚乳侧19个最佳波长的分类准确率分别达到98.2％和96.3％。但是，由于缺乏有效的知识来指导特征提取，所提取的特征往往含有不相关甚至无用的信息，导致分类器遭受维数灾难，存在过拟合的风险，所以降维是数据处的重要步骤。
[0006]波长选择和特征变换是高光谱数据降维的两种主要方法。波长选择是从原始波长中找到最具代表性波长的过程，波长选择可以最大限度地减少光谱冗余，提高分类精度。现有技术3采集6类常见萝卜种子的高光谱图像，采用堆叠自动编码器(SAE)、连续投影算法(SPA)和变量迭代空间收缩算法(VISSA)进行数据降维。利用Softmax与支持向量机(SVM)算法对全光谱和选取的特征光谱数据建立分类模型。结果表明其训练集和预测集准确率分别达99.72％和96.22％。现有技术4采集了6个品种玉米的高光谱图像，用PCA和KPCA方法分析图像，根据PCA权重系数优选出3波段(523，579，863nm)。计算3个优选波段下的样本图像的GLCM纹理特征并采用BPNN和LS
‑
SVM分类，各样本最优平均分类结果为98.89％。现有技术5采集400
‑
1000nm波段的玉米种子高光谱图像，计算样品在每个波段图像的图像熵信息并以此为分类依据，结合PLS
‑
DA方法实现了玉米种子的准确识别分类。现有技术6采用1039
‑
1612nm的高光谱图像区分4种水稻种子，比较了SIMCA，KNN，SVM，PLS
‑
DA等几种分类器的分类效果，也对比了12个优选特征光谱和全波段光谱建立的模型性能。研究发现采用全光谱作为特征的模型分类效果较好，采用SIMCA、PLS
‑
DA和LS
‑
SV对品种进行分类，将图像特征和光谱特征融合时，PLS
‑
DA和LS
‑
SVM两类模型的分类效果均有提升。
[0007](2)种子活力检测
[0008]种子活力是种子发芽和出苗率、幼苗生长的潜势、植株抗逆能力和生产潜力的总和，是种子品质的重要指标。
[0009]现有技术7采用机器学习傅立叶变换近红外光谱(FT
‑
NIR)和X射线成像技术建立了种子萌发和活力预测的分类器模型。现有技术8用400
‑
2500nm波段的高光谱成像技术鉴别微波热处理后及未处理的两种活力水平玉米种子批，所建立的偏最小二乘判别分析(PLS
‑
DA)模型校准集和预测集的鉴别率分别高达97.6％和95.6％。现有技术8建立的全波段MC
‑
PLS
‑
DA判别模型，其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5％和83.0％优于预处理后建立的全波段PLS
‑
DA判别模型，其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8％和90.6％。现有技术9采用荧光高光谱图像识别有活力和无活力的黄瓜种子。采用684nm波段图像对有活力种子的正确识别率为99％，对无活力种子的正确识别率为97％。现有技术10采用400
‑
2500nm的高光谱图像分析有活力和热害处理过无活力的玉米种子，提取种子感兴趣区域光谱并结合PLS
‑
DA建模，对两种样本预测集的正确识别率为95.6％。以上研究表明PLSDA结合几种变量选择方法可以得到较好的种子活力识别结果。
[0010](3)种子真菌感染检测
[0011]高光谱图像技术由于其可同时获取样品光谱和图像的特性，因此在检测种子真菌感染方面有明显优势。在种子真菌感染检测时，既可以利用各个波段的图像进行分析，也可以利用各个像素点的光谱进行分析。同时对于有荧光响应的真菌感染(如：某些黄曲霉素B1)，高光谱图像检测方法得天独厚。
[0012]现有技术11采用425
‑
860nm范围的高光谱图像方法研究小麦赤霉病巧粒检测。568nm和715nm的比值检测效果较好，根据小麦品种不同，交叉验证误差也有所差异(2％
‑
17％)。Williams等利用960
‑
1662nm和1000
‑
2498nm的高光谱成像系统区分受轮状镰刀菌感染和健康的玉米籽粒，虽然两套系统的确定系数稍有差异，但仍然证明了高光谱技术可以用于快速客观检测玉米真菌感染。现有技术12用荧光高光谱技术研究了黄曲霉感染玉米的荧光光谱特性，利用紫外线激发出黄曲霉特有的荧光，发现荧光峰随着接种黄曲霉毒素浓度的不同向蓝光波段产生不同程度的偏移，而且重度感染的种子荧光峰值比轻度感染种子的荧光峰值更低。现有技术13研究了400
‑
1000nm和1000
‑
1700nm波段的高光谱图像检测镶刀菌感染小麦的有效性，发现2个区域都可以有效区分正常和受感染小麦种子。现有技术14采用PCA结合LDA方法对400
‑
1000nm波段范围的检测加拿大红色春小麦的嫌刀菌感染。正常小麦和受感染小麦之间的正确识别率为92％，感染程度的正确识别率为92％。现有技术15采用PLS权重系数优选特征波段识别小麦镰刀菌感染，利用494、578、639、678nm，4个特征波段建立PLS
‑
DA模型，可以实现正确识别率为90％。Singh等采用700
‑
1100nm的短波近红外高光谱图像结合相机采集的彩色图像，将870nm的光谱信息和彩色图像中提取的123个颠色特征和56个纹理特征做为模型输入，采用LDA方法判别正常小麦和分别受3种不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高光谱的种子品种品质检测方法，其特征在于，所述基于高光谱的种子品种品质检测方法包括：提取敏感区域的平均光谱，利用不同的光谱特征构建基于卷积神经网络的粮种种类预测模型；同时结合粮种的形态、表面纹理信息辅助光谱数据共同判别，利用高光谱成像方法对粮种进行快速无损检测。2.如权利要求1所述基于高光谱的种子品种品质检测方法，其特征在于，所述基于高光谱的种子品种品质检测方法包括以下步骤：步骤一，利用光谱融合相机获取待检测粮种的高光谱图像，并对获取的待检测粮种高光谱图像进行预处理；基于预处理后的待检测粮种高光谱图像进行粮种光谱特征、粮种表面纹理特征以及粮种形态特征的提取；步骤二，结合PLS
‑
DA构建基于深度卷积神经网络的自适应粮种全波段检测模型，并构建粮种光谱
‑
成分关联模型；对所述基于深度卷积神经网络的自适应粮种全波段检测模型以及粮种光谱
‑
成分关联模型进行训练优化；步骤三，将高光谱图像以及提取的粮种光谱特征、粮种表面纹理特征以及粮种形态特征输入优化后的基于深度卷积神经网络的自适应粮种全波段检测模型、粮种光谱
‑
成分关联模型中，得到粮种品种检测结果以及成分检测结果。3.如权利要求2所述基于高光谱的种子品种品质检测方法，其特征在于，所述对获取的待检测粮种高光谱图像进行预处理包括：利用一阶导数、均值中心化、正交信号校正和多元散射校正对获取的粮种高光谱图像进行预处理。4.如权利要求2所述基于高光谱的种子品种品质检测方法，其特征在于，所述利用多元散射校正对获取的粮种高光谱图像进行预处理包括：首先，根据正交信号校正后的粮种高光谱图像计算得到所述粮种高光谱图像全波段的平均反射率；其次，将所述粮种高光谱图像全波段的平均反射率与粮种高光谱图像中各波段下的反射率进行一元线性回归拟合，得到多元散射校正后的粮种高光谱图像。5.如权利要求2所述基于高光谱的种子品种品质检测方法，其特征在于，所述对粮种光谱
‑
成分关联模型进行训练优化包括：首先，获取多种不同种类的粮种的高光谱数据，并利用生化手段测量所述不同种类的粮种的主要成分指标；其次，将所述不同种类的粮种的高光谱数据与各粮种主要成分指标进行关联映射；并构建数据集；将构建的数据集随机划分为训练集与验证集；然后，获取构建的以高光谱数据为输入，以粮种主要成分为输出的粮种光谱
‑
成分关联模型中；最后，利用训练集对所述粮种光谱
‑
成分关联模型进行训练，并利用验证集对所述粮种光谱
‑
成分关联模型进行验证，得到优化后的粮种光谱
‑
成分关联模型。6.如权利要求2所述基于高光谱的种子品种品质检测方法，其特征在于，所述基于高光谱的种子品种品质检测方法还包括：构建粮种的光谱、形态及纹理特征数据库；并将粮种的栽培特性添加至光谱、形态及纹理特征数据库中，对种子的栽培特性进行判断。
7.一种实施如权利要求1
‑
6任意一项所述基于高光谱的种子品种品质检测方法的基于高光谱的种子品种品质检测系统，其特征在于，所述基于高光谱的种子品种品质检测系统包括：图像采集模块，与中央控制模块连接，用于利用光谱融合相机获取待检测粮种的高光谱图像；图像预处理模块，与中央控制模块连接，用于对获取的待检测粮种高光谱图像进行预处理；中央控制模块，与图像采集模块、图像预处理模块、特征提取模块、检测模型构建模块、关联模型构建模块、模型优化模块、分类识别及成分检测模块、栽培特性判断模块、数据库构建模块、存储模块以及显示模块连接，用于利用单片机或控制器控制各个模...

【专利技术属性】
技术研发人员：刘君玲，
申请(专利权)人：吉林工程技术师范学院，
类型：发明
国别省市：