當種子中混入非種子材料或低價值種子品種混入高價值品種時，會給種植者或企業造成損失。因此，種子品種的成功鑒別對于提高種子價值至關重要。近年來，卷積神經網絡（CNN）已被用于種子品種的分類。研究了利用多光譜成像結合一維卷積神經網絡（1D-CNN）對辣椒種子品種進行分類的可行性。三個品種樣品總數為1472個，研究了三個品種在365nm和970nm之間的平均光譜曲線。使用光譜的全波段或通過連續投影算法（SPA）選擇的特征波段分析數據。SPA從19個波段（430、450、470、490、515、570、660、780 和 880 nm）中提取了9個特征波段。使用K最近鄰（KNN）、支持向量機（SVM）和1D-CNN全波段開發的三種分類模型的分類準確率分別為85.81%、97.70%和90.50%。在全波段下，SVM和1D-CNN的表現明顯優于KNN，SVM的表現略好于1D-CNN。使用特征波段，SVM和1D-CNN的測試準確率分別為97.30%和92.6%。1D-CNN的分類準確率雖然不是最高的，但操作簡單，是辣椒種子品種預測最可行的方法。
 

圖1.三種辣椒種子，從左到右：‘牛角’辣椒、‘切門田’辣椒、‘天鷹’辣椒

圖2顯示了三個辣椒種子品種的平均光譜曲線。三個品種在近紅外或紫外波段的光譜曲線沒有明顯差異。但在可見光波段，3條曲線的反射率差異明顯，這表明用多光譜數據區分三個辣椒品種的可能性。
 

圖2.三個辣椒品種的平均光譜曲線

使用KNN對三個辣椒品種進行分類，樣本是隨機抽取的。隨著k值的變化，分類精度也發生了變化。k值取1~6，分類準確率分別為82.43%、83.11%、85.81%、82.43%、82.43%、82.43%。 結果表明，當k值繼續增加時，準確率并沒有提高。由結果得出，當k=3時，分類準確率最好（85.81%）。使用SVM分類模型對三種辣椒進行分類。訓練集和測試集的準確率分別為99.30% 和97.70%。圖2顯示了SVM模型的訓練和測試集的預測和真實類別。
 

圖2.使用RBF核函數的SVM模型的預測結果比較。(a)訓練集，(b)測試集

相關閱讀

Videometer種子表型組學:種子活力研究-熒光成像

植物病害表型組學：多光譜病害指紋圖譜

Videometer種子表型組學：多光譜成像作為菠菜種子健康檢測的潛在工具

Videometer種子表型組學：多光譜圖像分析在種子種質庫管理中的應用

Videometer種子表型組學：利用可見光、近紅外多光譜和化學計量學對不同番茄種子品種的分類

Videometer種子表型組學：使用多光譜成像和化學計量學方法在線鑒別水稻種子

Videometer種子表型組學：使用多光譜成像預測蓖麻種子的活力

Videometer種子表型組學：甜菜種子加工損傷的多光譜圖像分類

種子表型組學：基于多光譜成像的葵花籽品質特征識別

種子表型組學：利用多光譜成像和化學計量學方法對大豆種子進行無損鑒別

種子表型組學：Videometer多光譜成像種子質量評估的新工具

種子表型組學：聚合物包衣對水稻種子萌發的影響

種子表型組學：基于可見-近紅外多光譜圖像數據的偏最小二乘判別分析檢測菠菜種子的發芽能力和胚芽長度

種子表型組學：使用灰度共生矩陣和機器學習技術識別單倍體玉米種子

種子表型組學：不同成熟度甜菜種子發芽抑制因子去除的優化

種子表型組學：通過射線照相和多光譜圖像分析測定小麥種子中的侵染

種子表型組學：用于表征麻瘋樹種子質量的多光譜和X射線圖像

種子表型組學：鹽脅迫下九個高羊茅品種的種子萌發和幼苗生長參數