结合高光谱像素级信息和CNN的玉米种子品种识别模型
玉米作为中国重要粮食作物,品种众多,易出现错分现象,影响农业安全和粮食生产.针对传统基于卷积神经网络CNN (Convolutional Neural Network)的高光谱图像作物品种识别模型所需建模样本数量巨大的问题,提出基于高光谱像素级信息和CNN的玉米种子品种识别模型.首先,获取不同品种玉米种子在400-1000 nm范围内的高光谱图像,提取样本全部像素的203维光谱信息,利用主成分分析PCA (Principal Component Analysis)算法将光谱维度降至8维.在实验中,样本的像素级光谱信息(即:样本的全部像素的光谱信息)除应用于CNN模型外,也应用于支持向量机(SVM)和K近邻分类(KNN)模型中,结果表明:在相同模型中,基于像素级光谱信息比基于米粒级光谱信息(即:每粒样本所有像素光谱信息的平均值)识别效果好;在相同情况下,CNN模型比SVM和KNN模型的识别效果好;基于像素级光谱信息和CNN的品种识别模型识别效果最稳定,依据像素级分类结果采用多数投票策略对玉米种子样本进行识别,样本识别精度高达100％(注:100％为建模集样本与测试集样本数量为0.27和0.32时的识别精度,随着测试集样本数量的增加,该识别精度将有所降低).最后,使用t分布随机邻域嵌入(t-SNE)算法实现CNN输出特征值的可视化,验证了基于高光谱像素级信息和CNN的品种识别模型的有效性.在建模样本极少的情况下,实现了玉米种子品种的无损、高效识别,为精准农业提供了理论基础.
高光谱图像;卷积神经网络;深度学习;玉米种子;t分布随机邻域嵌入算法;像素级光谱信息
25
国家自然科学基金编号:62071084
2021-12-17（万方平台首次上网日期，不代表论文的发表时间）
共11页
2234-2244
