基于高光谱成像技术的大豆种子品种智能检测

作     者：王子越 

作者单位：黑龙江大学 

学位级别：硕士

导师姓名：孙来军

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 09[农学] 0802[工学-机械工程] 0835[工学-软件工程] 0901[农学-作物学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：大豆种子 高光谱成像技术 光谱预处理 机器学习 深度学习 

摘      要：大豆具有较高的营养价值和经济效益,是重要的种植业产物,在生产中深受重视。而大豆种子的抗病性和芽率与品种相关,选择正确品种的大豆种子会提高生产效率。传统的风选方法会损伤部分豆种,导致发芽率偏低。而常用的化学计量法与遗传分析法对实验人员要求高、易损伤豆种,无法做到高效与无损。 基于上述研究现状,本文提出将高光谱成像技术应用于豆种的品种检测中,以弥补传统品种检测的缺点,实现快速无损检测的目的。本研究结合高光谱成像技术、机器学习技术和深度学习技术,做到对大豆种子品种的高效检测,并取得有效成果。 (1)本研究完成对大豆种子原始图像光谱采集,使用图像处理技术取得单粒大豆种子光谱数据,并求出大豆种子平均光谱。使用局部离群因子算法检测并剔除大豆种子平均光谱中的异常样本,使用自适应合成抽样(ADASYN)算法对数据集进行平衡。 (2)基于卷积神经网络以及残差神经网络提出一种可高效对大豆种子品种进行分类的神经网络模型BeanNet,并在后续研究中对其进行性能评估。 (3)使用六种预处理方法对大豆种子平均光谱进行预处理,使用模型识别数据验证集准确率以及F1两个指标评估预处理方法对模型性能的影响,输入五种机器学习模型来选择预处理方法,确定出一阶差分(1D)作为预处理方法。将1D处理后的光谱输入VGG19、Dense Net和BeanNet三种深度学习模型中,在比对原始数据输入后的准确率与损失后,确定深度学习在处理大豆种子光谱时不用进行预处理这一步,这大大提升了处理过程的效率。 (4)将BeanNet的结构进行拆分,分别在训练集、验证集与测试集上与原BeanNet对比,BeanNet的准确率均高于几种拆分模型。在测试集上,BeanNet的准确率高于其他两个深度学习模型,为94.67%而且高于1D+线性判别分析(LDA),并且省去预处理这一步骤,最终选取BeanNet作为本研究的模型。分别使用连续投影法(SPA)和竞争自适应重加权采样(CARS)分别提取23和69个特征波长,其中CARS提取后的特征波长在BeanNet模型上准确率达93.93%,可以有效减少冗余的波长,使模型更易训练与拟合。 本研究说明高光谱成像技术结合BeanNet神经网络可以应用于农业生产中大豆种子的品种分类,并且可以做到无损高效,这为大豆种子品种检测提供了一种新思路。