首页分享基于多光谱成像的草种质量检测

基于多光谱成像的草种质量检测

来源：花匠小妙招时间：2025-05-19 23:06

　　高质量种子是实现农业生产优质高产、保障农业生产安全的物质基础。种子质量检验既是选用高质量种子,减少农业生产风险的重要手段,也是改进种子生产、加工和贮藏技术,提高生产种子质量的重要途径。常规种子质量检测方法如发芽率、含水量等的测定通常以破坏性检测为主,相对耗时长,对检测人员专业技术要求高,在检测时效、通量以及非破坏性方面往往难以满足需求。因而,高效无损的种子质量检测技术研发已成为种子质量检验技术研究的热点问题,对种业、农业和草牧业发展以及种子研究具有重要意义和实际价值。基于此,本研究以多光谱成像为手段,结合主成分分析(PCA)、线性判别分析(LDA)、偏最小二乘判别分析(PLSDA)、Ada Boost和支持向量机(SVM)等多变量分析方法,就草种子物种与品种识别、种子生活力和硬实测定等开展了研究,主要结果如下:1、基于多光谱成像技术建立了35个科206种草种子的图像和光谱信息数据库,并利用LDA和SVM模型对物种进行区分。结果显示,基于种子形态和光谱特征,LDA模型对不同物种区分的准确率可达89.42%。通过PCA对数据降维,前十个主成分可解释总变异的94.54%,结合SVM建立判别模型,测试集区分准确率为79.54%。2、以6个紫花苜蓿(Medicago sativa)和6个草木樨(Melilotus spp.)品种为研究材料,结合多光谱成像技术与多变量分析方法,对紫花苜蓿和草木樨种子进行了分类判定。结果发现,基于种子形态特征和光谱特征,LDA模型对两类种子的判别准确率高达99.58%,其次为SVM(98.47%)和Ada Boost(96.95%)模型,PLSDA表现较差,判别准确率仅为68.19%。3、对12个紫花苜蓿品种种子的形态和光谱特征进行了分析,并进一步应用LDA和SVM模型对不同品种进行分类判定。结果发现,依据种子形态特征难以区分不同紫花苜蓿品种,如LDA和SVM模型对品种的判别准确率仅分别为42.22%和45.14%。结合形态特征与光谱特征可有效提高LDA和SVM模型对紫花苜蓿品种判定的准确率,分别达91.53%和93.47%。因品种不同,判别准确率有所不同。4、基于人工老化箭筈豌豆(Vicia sativa)种子吸胀前后的形态和光谱特征,对种子有无生活力,正常苗、不正常苗以及死种子等进行了分析和判定。结果发现,吸涨后可更为准确的判定各种子类别。以种子生活力为例,基于LDA模型的吸涨前后测试集平均分类准确率分别为76.67%和80.48%,SVM判别模型吸涨前后测试集平均分类准确率分别为77.94%和81.43%。而对于死种子、正常苗和不正常苗的判定,基于LDA模型的吸胀前后测试集平均分类准确率分别为72.22%和77.46%,而SVM模型测试集的判别准确率则分别为74.44%和78.57%。但无论LDA还是SVM,对不正常苗种子分类准确率均低于20%,不能进行有效判断。5、以阿拉伯树胶(Acacia seyal)、东方山羊豆(Galega orientulis)、光果甘草(Glycyrrhiza glabra)、紫花苜蓿、黄花草木樨(Melilotus officinalis)和披针叶野决明(Thermopsis lanceolata)6种豆科植物种子为研究材料,采集硬实与非硬实种子的多光谱图像,结果发现基于形态和光谱特征对硬实种子的判别因物种而异。LDA和SVM模型可有效区分黄花草木樨、紫花苜蓿和东方山羊豆硬实和非硬实种子,其总体分类准确率均高于85%且敏感度和特异度高于80%。但LDA和SVM模型对阿拉伯树胶、光果甘草和披针叶野决明的硬实和非硬实种子无法有效区分。

[关键词]：

多光谱成像;无损检测;种子质量;多变量分析

[文献类型]：硕士论文
[文献出处]：

兰州大学2021年

[格式]：PDF原版; EPUB自适应版(需下载客户端)