基于SMOTE-UVE-SVM的小麦种子纯度高光谱图像检测
朱潘雨;黄敏;赵鑫
【期刊名称】《激光技术》
【年(卷),期】2024(48)2
【摘 要】为了解决基于高光谱成像技术的小麦种子纯度检测过程中样本不均衡及波段信息冗余导致纯度检测模型性能下降的问题,提出了一种融合合成少数类过采样技术(SMOTE)、非信息变量剔除(UVE)和支持向量机(SVM)的种子纯度高光谱检测模型。该模型利用SMOTE算法对小麦种子少数类(杂质)样本进行扩充,改善样本的不均衡性;同时利用UVE对高维的高光谱特征进行选择,并构建SVM模型作为分类器,以进一步提高分类的性能。结果表明,5类小麦种子的平均准确率、精确率和负样本检出率分别达到95.98%、94.94%和89.32%,较传统方法分别提高了3.89%、7.18%和12.42%。所提出的方法在基于高光谱成像技术的小麦种子纯度检测中具有较好的应用前景。
【总页数】7页(P281-287)
【作 者】朱潘雨;黄敏;赵鑫
【作者单位】江南大学物联网过程学院
【正文语种】中 文
【中图分类】TP391.4
【相关文献】 1.基于近红外与高光谱技术的小麦种子多指标检测方法2.基于图像熵信息的玉米种子纯度高光谱图像识别3.基于高光谱图像技术的小麦种子分类识别研究4.基于高光谱图像的小麦种子年份快速鉴别分析研究5.基于高光谱图像的小麦种子纯度/含水量检测系统
因版权原因，仅展示原文概要，查看原文内容请购买
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 2007年
3月农业机械学报
第
38卷第
3期
基于可见光图像的水稻植株含水率检测技术
戴之祥 邵陆寿 丁克坚 韦 韫 葛 婧
【摘要】 含水率是重要的作物生长信息
,利用水稻植株可见光图像颜色的差异检测水稻植株含水率。在大棚
环境下
,对盆栽的水稻进行定量有差别的供水
,使植株的含水率形成差异。对水稻植株
RGB彩色图像进行预处理
后
,提取了
R
e、
G
e、
B
e、
G
R、
G
B、
R
B共
6项颜色特征量
,分析其与水稻含水率
R
g之间的关系
,并用
SPSS进行曲线拟
合。研究表明
,6项颜色特征量与
R
g的相关性均显著
,其中
,
G
R与
R
g的相关性最好。
关键词
:水稻 含水率 检测 图像处理
中图分类号
:
TP3911
41;
S511文献标识码
:
A
收稿日期
:20051031
戴之祥 安徽农业大学工学院 硕士生
,230036 合肥市
邵陆寿 安徽农业大学工学院 教授 通讯作者
丁克坚 安徽农业大学植物保护学院 教授
韦 韫 安徽农业大学工学院 硕士生
葛 婧 安徽农业大学工学院 硕士生 引言
传统的灌溉方式未能利用水稻植株的含水率信
息
,对不同含水率的水稻植株采取相同的供水量
,水
资源的利用率低。无损、快速地获取水稻植株的含水
率信息对提高水资源的利用率、改善水稻种植区水
资源紧张的状况有着重要的意义。利用图像处理技
术获取水稻植株的含水率等相关信息具有非接触、
非破坏、快速的优点。目前
,大多数用红外图像检测
作物含水率
,如
Shibayama等研究表明[1]
,用
1190～
1320
nm和
1600
nm波段反射率的一阶导
数可以预测双季稻冠层水分是否缺乏
;王纪华等研
究发现[1]
,小麦叶片相对水分含有量与光谱反射率
在
1450
nm附近水的特征吸收峰深度和面积呈现良
好的线性关系。本研究利用作物的可见光彩色图像
第42卷 第3期2023年 5月华中农业大学学报Journal of Huazhong Agricultural UniversityVol.42 No.3May 2023，230~240
基于机器学习和深度学习的玉米种子活力光谱检测
丁子予，岳学军，曾凡国，时浩文，彭文，肖佳仪
华南农业大学电子工程学院（人工智能学院），广州 510642
摘要 为解决传统的种子活力检测方法存在耗时长、损伤种子等问题，实现种子活力的快速无损检测，分别利用机器学习和深度学习算法结合高光谱成像技术构建玉米种子3个活力梯度分类模型，通过人工老化方式将1 012粒玉米种子分为3个活力梯度样本，采集其高光谱数据后通过卷积平滑（SG）和多元散射校正（MSC）去除
高光谱噪声，分别采用主成分分析（PCA）、连续投影算法（SPA）进行光谱特征降维，再从降维后的波段中抽取1 156、1 191和1 463 nm 3个波段合成假彩色图像，用局部二值模式（LBP）提取感兴趣区域的纹理特征，并与纯光谱特征融合。分别基于纯光谱特征构建决策树（DT）和支持向量机（SVM）模型和融合特征建立随机森林（RF）、SVM和极端梯度提升树（XGBoost）模型等机器学习模型。将假彩色图像输入ResNet18、MobileNetV2、DenseNet121、Efficientb0、Efficientb2等5个深度学习模型中进行玉米种子活力预测。结果显示，就机器学习方
法而言，针对纯光谱特征表现最好的是PCA-SVM模型，其测试集准确率为92.5%；针对融合特征表现最好的是SVM模型，其测试集的分类准确率为 93.1%；就深度学习方法而言，轻量化的MobileNet取得最高的测试集分
类准确率99.5%；基于可解释的梯度定位类别激活映射方法表明，分类网络会重点关注玉米种子的中部或基部区域。关键词 玉米； 种子活力检测； 无损检测； 机器学习； 深度学习； 高光谱； 图谱融合中图分类号 S126 文献标识码 A 文章编号 1000-2421（2023）03-0230-11
51卷南方农业学报·1062·
收稿日期：2019-08-17基金项目：国家自然科学基金项目（61562039，61762048）；江西省教育厅科技项目（GJJ160374，GJJ170279）作者简介：*为通讯作者：杨红云（1975-），副教授，主要从事图形图像处理及机器学习研究工作，E-mail：nc_yhy@；孙爱珍（1975-），副教授，主要从事农业信息技术研究工作，E-mail：nc_saz@。孙玉婷（1995-），研究方向为机器学习，E-mail：1820826309@水稻叶片SPAD值的高光谱估算模型
孙玉婷1，杨红云2*，孙爱珍1*，梅芳1，易文龙2
（1江西农业大学计算机与信息工程学院，南昌330045；2江西农业大学软件学院，南昌330045）
摘要：【目的】构建水稻叶片SPAD值的高光谱精确估算模型，为进一步提高高光谱对水稻SPAD值反演估算精度
提供参考依据。【方法】利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值，以FieldSpec4光谱仪采集水稻叶片光
谱数据。通过分析光谱植被指数、位置参数与SPAD值的相关性，构建4个水稻叶片SPAD值高光谱估测模型，即逐步
多元线性回归（SMLR）模型、支持向量机回归（SVR）模型、基于主成分分析的支持向量机回归（PCA+SVR）模型和以
逐步多元线性回归确定最佳参数的支持向量机回归（SMLR+SVR）模型；并采用均方根误差（RMSE）、平方相关系数
（R2）、相对分析误差（RPD）和平均相对误差（MRE）等指标对模型进行评价。【结果】在分析的15个光谱特征参数中，除
黄边位置（λy）无显著相关外（P>0.01），水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性，选
择相关系数大于0.800的5个植被指数参数（VOG1、VOG2、VOG3、CARI和PRI）和7个光谱位置参数［蓝边面积（SDb）、
