融合高光谱图像技术与MS-3DCNN的小麦种子品种识别模型

作     者：黄敏 夏超 朱启兵 马洪娟 Huang Min;Xia Chao;Zhu Qibing;Ma Hongjuan

作者机构：江南大学轻工过程先进控制教育部重点实验室无锡214122 中化现代农业有限公司北京100045 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2021年第37卷第18期

页      面：153-160页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金面上项目(61772240 61775086) 

主　　题：小麦 种子识别 多尺度三维神经网络 高光谱图像 

摘      要：小麦品种的纯度和小麦产量密切相关,为了实现小麦种子品种的快速识别,该研究利用高光谱图像技术结合多尺度三维卷积神经网络(Multi-Scale 3D Convolutional Neural Network,MS-3DCNN)提出了一种小麦种子的品种识别模型。首先,利用连续投影算法(Successive Projections Algorithm,SPA)对原始高光谱图像进行波段选择,以减少MS-3DCNN模型的输入图像通道数量,降低网络训练参数规模;其次,利用多尺度三维卷积模块提取特征图的图像特征和不同特征图之间的耦合特征;最后,以6个品种小麦共6000粒种子的高光谱图像(400~1000 nm)为研究对象,基于SPA算法选择了22个波段高光谱数据,利用MS-3DCNN、支持向量机(Support Vector Machine,SVM)分别构建了识别模型。试验结果表明,MS-3DCNN模型取得了96.72%的测试集识别准确率,相较于光谱特征SVM识别模型和融合特征SVM识别模型分别提高了15.38%和9.50%。进一步比较了MS-3DCNN与基于二维卷积核、三维卷积核、多尺度二维卷积核构建的多个识别模型性能,结果表明多尺度三维卷积核能提取多种尺度的信息,其识别模型的准确率提高了1.34%~2.70%,可为小麦种子高光谱图像品种识别提供一种可行的技术途径。