采用高光谱图像深度特征检测水稻种子活力等级

摘要

为实现水稻种子活力的准确检测,该文研究了一种基于高光谱图像技术结合深度学习的高精度检测方法.采用人工加速老化的方式得到老化0,1,2和3 d的1200个水稻种子样本,使用高光谱成像设备获取不同老化天数样本的高光谱图像,并从单个样本区域提取其光谱信息.随后对1200个样本进行发芽试验,根据发芽试验结果将所有样本划分为高活力、低活力和无活力3个等级.采用小波阈值去噪(Wavelet Threshold Denoising,WTD)结合一阶导数(First/1st Derivative,FD)的方法(WTD-FD)对原始光谱进行预处理,使用主成分分析(Principal Component Analysis,PCA)和堆叠自动编码器(Stacked Auto-Encoder,SAE)分别从预处理光谱中提取特征变量.分别基于PCA和SAE特征变量构建支持向量机(Support Vector Machine,SVM)模型,并根据模型准确率确定较佳模型,最后使用灰狼优化算法(Grey Wolf Optimizer,GWO)对选择的模型进行参数优化.结果显示WTD-FD对原始光谱的预处理是有效的,使用从预处理光谱中提取的SAE非线性深层特征相比于PCA线性特征更具有代表性,基于其建立的SAE-SVM模型的准确率达到96.47％.SAE-SVM模型经过GWO优化之后,模型准确率提高到98.75％.研究结果表明,高光谱图像技术结合深度学习方法对水稻种子活力等级准确检测具有指导意义.