科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着杂交水稻育种技术的快速发展，杂交水稻品种日益繁多，品质与价格也千差万别，利用智能化手段对杂交水稻种子进行快速分类、分级和品质检测成为杂交水稻研究领域的热点。首先研究了不同预处理方式对基于近红外光谱的一维卷积神经网络分类模型对杂交水稻种子的分类效果的影响，研究结果表明利用Savitzky-Golay卷积平滑算法预处理后的一维卷积神经网络分类模型可获得最佳的分类效果，其验证集与测试集的分类精度为95.4%和92.9%。利用随机森林特征波长选择算法选取3个最重要的特征波长分别构建基于单波长灰度图像数据集和基于3波长重构的伪彩色图像数据集，研究了基于图像数据集的卷积神经网络VGG和残差网络ResNet的杂交水稻种子分类模型，其研究结果表明基于伪彩色图像数据集的VGG卷积神经网络模型能够获得最优的分类效果，其验证集与测试集的分类精度分别为92.8%和92.8%,相比基于伪彩色图像数据集的ResNet分类模型，其验证集提升3.6%,测试集提升4.9%。为了进一步提高分类的精度，提出了一种图像信息与光谱信息融合的杂交水稻种子分类方法，该方法利用1D-CNN网络分支提取种子的光谱特征，利用2D-CNN网络分支提取种子图像的空间维度特征，最终构建基于图谱融合的2Branch-CNN卷积神经网络分类模型，其验证集与测试集的分类精度都得到明显改善，分别达到98%和96.7%。并利用混淆矩阵评估了2Branch-CNN分类模型对于各个种类的杂交水稻种子的分类效果。研究结果表明通过图谱融合能有效提升卷积神经网络模型的分类精度，构建基于光谱与图像数据融合的二分支卷积神经网络模型将为杂交品种的种子快速筛选与分级提供新思路。
-
单位电子工程学院; 华南农业大学
