高光谱成像结合化学计量学方法实现玉米品种高精度识别

应用方向：

高光谱成像技术在农业领域，特别是作物种子识别与分类中具有重要应用价值。通过获取种子在多个连续波段下的光谱与空间信息，高光谱成像可实现对外观差异微小的种子品种进行无损、高精度识别。结合化学计量学和机器学习方法，高光谱技术不仅适用于实验室研究，还具备向自动化、智能化农业生产流程中推广的潜力，为精准农业、种子分选与农业产品质量控制提供了有效的技术支持。

背景：

玉米作为全球三大主粮作物之一，品种繁多，种植面积广泛。随着育种技术的发展，市场上玉米种子的品种日益丰富，但不同品种种子在外观上差异微小，导致在收获和流通过程中容易混杂，降低品种纯度，影响种子质量和作物产量。因此，开展高效、准确的玉米种子品种识别研究具有重要意义。高光谱成像技术融合了图像与光谱信息，能够实现非破坏性、高分辨率的数据获取，在玉米种子分类方面，已有研究表明，高光谱数据结合化学计量学方法可有效提升分类精度。然而，目前仍需进一步优化光谱预处理方法、波段选择策略及建模算法，以实现更高效的种子品种识别系统。基于此，本文旨在探索高光谱反射成像与化学计量学方法结合的可行性，用于三种玉米种子品种的分类，并对不同建模方法的分类效果进行比较，为种子分选与品种纯度保障提供技术支持。

作者信息：成芳，浙江大学生物系统工程与食品科学学院，博士生导师

期刊来源：An ASABE Meeting Presentation

研究内容

基于高光谱反射成像技术，结合化学计量学方法，实现对三种玉米种子品种的准确分类。研究首先利用高光谱成像系统采集玉米种子在400–1000 nm范围内的光谱数据，并通过多种预处理方法（如标准正态变换、平滑处理等）提升数据质量；然后采用主成分分析（PCA）进行特征降维与数据可视化；进一步利用随机蛙跳算法（RFA）筛选有效波段，减少冗余信息。在建模方面，论文比较了支持向量机（SVM）和极限学习机（ELM）两种分类模型在全波段与有效波段下的性能差异。最终结果表明，结合波段选择的SVM模型在玉米种子品种分类中表现最佳，验证了高光谱成像与化学计量学融合方法在农作物种子识别中的有效性与实用性。

实验设计

在中国吉林省长春市当地农民处购买了三种新鲜的玉米种子品种，为春华201、佳玉538和千峰258三个品种，共挑选了1500个样本（每个品种各500粒玉米种子）。每个品种的数据集被随机划分为校准集和验证集（校准集：验证集 = 2:1）。因此，校准集中有1000个样本，验证集中有500个样本。三种不同的玉米种子品种被标记为类别1、2、3。

图1展示了高光谱成像系统（江苏双利合谱科技有限公司）的示意图。该系统由以下部分组成：一台CCD相机，一个成像光谱仪，一个镜头，线性光源及其控制器，样品台以及一个移动台控制器。高光谱图像采集软件Spectracube 2.75b被用于图像的采集和校正。玉米种子被放置在黑色样品台上，物距为28.5厘米，曝光时间为6毫秒，移动台速度为2.6毫米/秒。高光谱图像的采集光谱范围为400-1000纳米，共有477个波长。为了克服光源强度在每个波长上的不均匀性以及采集传感器暗电流的影响，所收集的高光谱图像均进行黑白校正。

图1.高光谱成像系统：1. CCD相机，2. 可见光/近红外成像光谱仪，3. 镜头，4. 暗箱，5. 线性光源，6. 可升降样品台，7. 移动平台，8. 位移平台控制器，9. 计算机，以及10. 0.5毫米延伸管

研究方法

在本研究中，为了突出研究样本之间的差异，对光谱数据进行了预处理。应用了5-3平滑（5点和3次多项式拟合，平滑时间为2000）以提高信噪比并消除随机噪声。采用SPA算法用于在光谱数据分析处理中提取特征波长。

在模型分析方面，本研究建立了K最近邻（KNN）和支持向量机（SVM）模型，用于不同玉米种子品种的分类。KNN通过测量不同特征值之间的距离进行分类，本文采用了欧几里得距离。SVM是一种重要的分类方法，在解决小样本集、非线性和高维模式识别问题方面具有许多独*优势。它从有限的训练样本中建立模型，并为独立的测试集获得小误差。在本文中，应用了径向基函数（RBF）核函数，并且在模型开发和更新阶段，通过网格搜索算法结合十折交叉验证对c（惩罚因子）和g（核函数的径向宽度）进行了优化。

结果

在本研究中，基于SPA选定的波长数据以及光谱的全部波长视为输入建立了KNN和SVM分类模型。无论是通过SPA算法获得的特征波长还是全部波长，SVM模型的准确率都优于KNN。可以看出，SPA算法提取的特征波长并没有使建模效果更佳。在使用SVM对全部波长进行建模的情况下，获得了最高的准确率，校准集的准确率为89.0%，验证集的准确率为94.2%。

下表展示了经过5-3平滑处理后，KNN和SVM方法在校准集和验证集上的分类准确率。从表中的校准集和验证集的准确率可以明显看出，当使用SPA算法提取的特征波长进行建模时，与使用全部波长相比，建模效果有了显著提升。当使用SVM对特征波长进行建模时，校准集的准确率提升至91.6%，验证集的准确率提升至96.8%。此时，特征波长的优势得以显现。仅使用9个波长，不仅减少了计算的数量和时间，还获得了更好的结果。

结论

在本研究中，将高光谱反射成像技术和化学计量学方法相结合，对三种不同的玉米种子品种（春华201、佳玉538和千峰258）进行分类。根据结果，无论是否使用预处理方法，以及是否采用SPA算法获得的特征波长或全部波长进行建模，SVM模型的准确率都优于KNN模型。当使用适当的预处理方法时，通过特征提取算法获得的特征波长的建模效果可能优于全部波长的效果。本文中的最佳结果是5-3平滑-SPA算法，9个特征波长可以获得校准集91.6%的准确率和验证集96.8%的准确率。