CN114527082A - 甜玉米种子萌发预测方法及装置 - Google Patents
甜玉米种子萌发预测方法及装置 Download PDFInfo
- Publication number
- CN114527082A CN114527082A CN202210067241.2A CN202210067241A CN114527082A CN 114527082 A CN114527082 A CN 114527082A CN 202210067241 A CN202210067241 A CN 202210067241A CN 114527082 A CN114527082 A CN 114527082A
- Authority
- CN
- China
- Prior art keywords
- data
- hyperspectral
- seeds
- spectral
- sweet corn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 66
- 241000482268 Zea mays subsp. mays Species 0.000 title claims abstract description 47
- 230000007226 seed germination Effects 0.000 title claims abstract description 38
- 230000003595 spectral effect Effects 0.000 claims abstract description 78
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000035784 germination Effects 0.000 claims abstract description 21
- 238000000611 regression analysis Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 37
- 238000012937 correction Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 238000012628 principal component regression Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 210000001161 mammalian embryo Anatomy 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 210000000481 breast Anatomy 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 9
- 230000035899 viability Effects 0.000 abstract description 7
- 230000035040 seed growth Effects 0.000 abstract description 3
- 240000008042 Zea mays Species 0.000 description 20
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 18
- 235000005822 corn Nutrition 0.000 description 18
- 238000000701 chemical imaging Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010238 partial least squares regression Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 235000000346 sugar Nutrition 0.000 description 2
- 240000004507 Abelmoschus esculentus Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004477 FT-NIR spectroscopy Methods 0.000 description 1
- 235000003956 Luffa Nutrition 0.000 description 1
- 244000050983 Luffa operculata Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 241000115957 Saccharata Species 0.000 description 1
- 241000533293 Sesbania emerus Species 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 235000007244 Zea mays Nutrition 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 235000001014 amino acid Nutrition 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000012343 cottonseed oil Nutrition 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 231100000020 developmental retardation Toxicity 0.000 description 1
- 235000013325 dietary fiber Nutrition 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004867 photoacoustic spectroscopy Methods 0.000 description 1
- 238000003752 polymerase chain reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000008117 seed development Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明实施例涉及作物种子生长预测技术领域,公开了一种甜玉米种子萌发预测方法,包括:获取待测试种子的高光谱测试数据;对所述高光谱测试数据进行预处理以得到高光谱特征数据;采用一阶差分模型对所述高光谱特征数据进行一阶差分以得到种子活力相关的关键光谱特征;根据所述关键波段特征以及回归分析算法进行计算以确定种子活力状态。本发明还公开了一种甜玉米种子萌发预测模型。本发明实施例中通过种子高光谱数据与其发芽后的苗根长建立关联性,然后针对高光谱特征差分处理来获得高光谱的关键光谱信息,然后采用回归分析来进行幼苗根长预测;其能够实现快速、无损和高精度的种子活力检测。
Description
技术领域
本发明涉及作物种子生长预测技术领域,具体涉及一种甜玉米种子萌发预测方法及装置。
背景技术
目前,甜玉米(Zea mays L.saccharata)是一种营养价值和食用价值都很高的蔬菜作物,因为它富含糖、各种氨基酸、维生素、矿物质和膳食纤维。甜玉米品种繁多,比普通玉米更受全世界消费者的青睐。据介绍,近年来我国甜玉米种植面积逐步扩大。2018年,我国甜玉米种植面积超过3000平方公里,占世界总产量的25%。随着人们对安全生产和品种可靠性要求的不断提高,优质种子已成为种植业发展的重中之重。然而,种子种植的植被情况(土壤湿度、温度、营养、病虫害)、收获情况(机械损伤、成熟度)和收获后(种子干燥和储存)环境条件很难控制。这些因素可能导致种子生长发育的严重损失和发育迟缓。种子活力的测定是现代种子科学的重点,也是高产的前提。种子活力是衡量种子综合发芽率、出苗率、幼苗生长势和植物抗逆性的重要指标。因此,在播种前必须了解种子活力,以保证较高的种子发芽率和经济效益。因此,建立一种快速、无损、高精度的种子活力检测方法,对于保证种子质量、优化作物生产设施、提高作物产量具有重要的生物学和经济意义。
发明内容
针对所述缺陷,本发明实施例公开了一种甜玉米种子萌发预测方法,其采用高光谱数据进行苗根长预测能够实现更好的种子发芽预测,并且能够实现更好的无损检测。
本发明实施例第一方面公开了甜玉米种子萌发预测方法,包括:
一种甜玉米种子萌发预测方法,包括:
获取待测试种子的高光谱测试数据;
对所述高光谱测试数据进行预处理以得到种子高光谱特征数据;
采用光谱一阶差分模型对所述高光谱数据进行特征获取以确定相应的关键波段特征;
根据所述关键波段特征以及回归分析算法进行计算以确定种子活力状态。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述高光谱测试数据进行预处理以得到高光谱特征数据,包括:
采用椭圆形分割方式对所述高光谱测试数据进行感兴趣区域提取以得到感兴趣特征数据;
采用黑白校正公式对所述感兴趣特征数据进行黑白校正以得到预处理后的高光谱特征数据,所述黑白校正公式为:
其中,I为高光谱特征数据,Iraw为采集种子高光谱数据,Iblack为扫描镜头遮挡时得到的暗光校正数据,Iwhite为通过扫描反射率为99.99%的校准白色校正板得到的白光校正数据。
作为一种可选的实施方式,在本发明实施例第一方面中,所述高光谱测试数据为400nm-1000nm光谱范围内的高光谱数据;所述高光谱测试数据为种子胚面的高光谱数据或种子胚乳面的高光谱数据中的一种。
作为一种可选的实施方式,在本发明实施例第一方面中,所述采用光谱一阶差分信息获取模型对所述高光谱特征数据进行特征提取以确定相应的关键光谱特征,包括:
按照预设数量的光谱带对所述高光谱特征数据进行特征波段划分;
构建原始光谱数据与其对应的一阶差分特征,以确定光谱特征和苗根长的关联关系;相关系数模型为:
假设原始数据序列为yi(1≤i≤n),变量y仅仅在非负整数值上有定义;当变量i依次取非负整数,且当i从k变到k+1时,因变量的改变量为:
△yk=yk+1-yk (2)
△yk称为函数在点k的一阶差分;
基于光谱数据和其一阶差分信息确定光谱特征信息。
作为一种可选的实施方式,在本发明实施例第一方面中,预设原始光谱波段数据的变量个数数量为220。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据所述关键波段特征以及回归分析算法进行计算以确定种子活力状态,包括:
采用主成分回归、偏最小二乘回归和支持向量回归算法对关键特征波段进行回归分析以确定种子活力状态,所述种子活力状态为苗根长。
作为一种可选的实施方式,在本发明实施例第一方面中,所述支持向量回归算法选择的核函数是高斯径向基函数;所述高斯径向基函数为:
k(x,y)=exp(-||x-y||2/σ)k(x,y),其中σ选择为σ=50。
本发明实施例第二方面公开一种甜玉米种子萌发预测装置,包括:
获取模块:用于获取待测试种子的高光谱测试数据;
预处理模块:用于对所述高光谱测试数据进行预处理以得到高光谱特征数据;
波段选择模块:用于采用光谱一阶差分算法对光谱对所述高光谱特征数据进行特征选择和特征处理以确定相应的关键光谱特征;
状态确定模块:用于根据所述关键波段特征以及回归分析算法进行计算以确定种子活力状态。
本发明实施例第三方面公开一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行本发明实施例第一方面公开的甜玉米种子萌发预测方法。
本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的甜玉米种子萌发预测方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中通过建立高光谱数据与发芽后的苗根长建立关联性,然后采用一阶差分模型来选择对应的高光谱的关键光谱信息,然后采用回归分析来确定幼苗苗根长预测;其能够实现快速、无损和高精度的种子活力检测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的甜玉米种子萌发预测方法的流程示意图;
图2是本发明实施例公开的预处理步骤的流程示意图;
图3是本发明实施例公开的波段选择的流程示意图;
图4是本发明实施例公开的预测模型的构建流程图;
图5是本发明实施例公开的高光谱数据与幼苗苗根长的相关系数的关系图;
图6是本发明实施例公开的苗根长的回归预测结果图示;
图7是本发明实施例提供的一种甜玉米种子萌发预测装置的结构示意图;
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,示例性地,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
传统的种子活力评估方法包括免疫测定试验、聚合酶链反应试验和发芽试验。然而,上述化学方法或种植方法价格昂贵的、耗时且具有破坏性,通常需要许多仪器。因此,当需要快速便捷估计种子活力时,它们不适合使用。为了实现准确的监测和质量控制,需要可靠的无损检测方法。最近,人们提出了一些无损检测方法,如X射线衍射、激光散斑分析技术和电导率测量。由于效率低、操作复杂,基于这些方法的种子检测应用受到限制。幸运的是,最近的研究表明,基于光谱的技术,如近红外光谱、核磁共振波谱学、光声光谱、高光谱、多光谱和傅里叶变换近红外光谱,已经开发并成功应用。特别是高光谱成像(HSI)是将传统图像与光谱技术相结合,同时记录研究对象的光谱和空间信息的新技术,这一特征对于种子检测非常重要。因此,与其他不能提供空间信息的点谱技术相比,该方法在种子活力评价中显示出巨大的潜力。因此,HSI已经成功地识别了四种不同品种的棉花种子、绿咖啡豆、杂交种子(秋葵和丝瓜)、杂交种子、甜玉米种子和糯玉米种子。在活力估计方面,HSI技术也被广泛应用于玉米种子。以1000~2500nm范围的短波红外高光谱相机为例,对其进行了分析。结果表明,将可见近红外高光谱成像技术与乘性散射校正(MSC)、遗传算法(GA)和偏最小二乘回归(PLSR)相结合是可行的以及测定玉米种子电导率的可靠方法。为了检测玉米种子在贮藏过程中的活力,相关技术人员提出了用HSI识别8种不同老化时间下种子活力的方法,结果表明用HSI评价种子活力和播种程度的可行性和有效性。研究人员还开发了一种新技术,用于检测三种不同品种(黄色、白色)的微波热处理对种子生存能力的影响程度,并比较了不同光谱预处理方法、玉米种子特性和光谱范围对种子发芽率预测的影响。用偏最小二乘判别分析法(PLS-DA)鉴别玉米种子(热处理)和正常(未处理)种子的准确率达95.6%。为了将HSI的光谱和图像信息结合起来进行种子活力预测,采用了多通道数据采集***进行图像和光谱测量。收集4种活力水平种子萌发前10h的高光谱信息,应用卷积神经网络进行活力评价。通过比较不同的预处理和模式识别模型,卷积神经网络模型综合光谱和图像信息的识别效果最好,对四种活力等级的预测精度较高。直接影响储存时间和种子发芽率的水分含量预测。基于4个玉米品种每粒种子两侧(胚侧和胚乳侧)的高光谱图像,进行了PLSR预测。基于此,本发明实施例公开了甜玉米种子萌发预测方法、装置、电子设备及存储介质,其通过建立高光谱数据与发芽后的根长建立关联性,然后采用波段选择来选择对应的高光谱的关键波段,然后采用回归分析来确定幼苗根长预测;其能够实现快速、无损和高精度的种子活力检测。
实施例一
请参阅图1,图1是本发明实施例公开的甜玉米种子萌发预测方法的流程示意图。其中,本发明实施例所描述的方法的执行主体为由软件或/和硬件组成的执行主体,该执行主体可以通过有线或/和无线方式接收相关信息,并可以发送一定的指令。当然,其还可以具有一定的处理功能和存储功能。该执行主体可以控制多个设备,例如远程的物理服务器或云服务器以及相关软件,也可以是对某处安置的设备进行相关操作的本地主机或服务器以及相关软件等。在一些场景中,还可以控制多个存储设备,存储设备可以与设备放置于同一地方或不同地方。如图1所示,该基于甜玉米种子萌发预测方法包括以下步骤:
S101:获取待测试种子的高光谱测试数据;
更为优选的,所述高光谱测试数据为400nm-1000nm光谱范围内的高光谱数据;所述高光谱测试数据为种子胚面的高光谱数据或种子胚乳面的高光谱数据中的一种。
在进行具体实施时,采用可见/近红外高光谱成像***,其具有386.7-1016.7nm波段,并且包括一个光谱分辨率为3nm±0.5nm的CCD摄像机,两个50WLED照明灯,一个ND输送带由步进电机驱动。该***由一台带有SpVIEW软件的计算机控制。考虑到玉米种子的不均一性,对每颗种子的胚面和胚乳面分别进行检测。上述为具体的高光谱图像获取步骤,但是在进行训练的时候,可以利用Kennard-Stone方法将每个品种的光谱数据分为73个训练集和16个测试集。然后利用测试集计算模型分类准确率。将每粒种子分别以胚面朝上和胚乳面朝上,后以相同的排列(8行×8列)放置在工作台上,然后以1.2mm/s行扫描,曝光时间为15ms,获得256个波段光谱数据。
种子萌发后的苗根长反映了种子的活力。本发明实施例利用该指标来监测种子活力。在相同条件下用水浸泡种子,用纸塔发芽法连续观察种子的萌发情况。种子萌发后7天,以最长根长为标准,测定幼苗的根长。通过上述具体的数据来对模型进行调整训练。
S102:对所述高光谱测试数据进行预处理以得到高光谱特征数据;
图2是本发明实施例公开的预处理步骤的流程示意图,如图2所示,更为优选的,所述对所述高光谱测试数据进行预处理以得到高光谱特征数据,包括:
S1021:采用椭圆形分割方式对所述高光谱测试数据进行感兴趣区域提取以得到感兴趣特征数据;
S1022:采用黑白校正公式对所述感兴趣特征数据进行黑白校正以得到预处理后的高光谱特征数据,所述黑白校正公式为:
其中,I为高光谱特征数据,Iraw为采集种子高光谱数据,Iblack为扫描镜头遮挡时得到的暗光校正数据,Iwhite为通过扫描反射率为99.99%的校准白色校正板得到的白光校正数据。
在采集甜玉米种子高光谱图像时,由于光谱仪得到的光谱信号中不仅含有有用信息,同时也会叠加随机误差,易使光谱数据产生噪声干扰,因此选取从430.1nm到971.5nm波段的中部220个波段进行分析。其次,使用椭圆形分割种子的胚和胚乳部分创建感兴趣区域(ROI),然后使用ENVI 5.1提取ROI内的平均光谱数据。为了是的采集到的光谱数据能够反映种子的实际光谱情况,对采集到的图像进行白光校正和暗光校正,以消除噪声影响,保持设备在相同的参数设定下采集样本,通过扫描反射率为99.99%的标准白色校正板得到白光校正数据Iwhite,并覆盖扫描镜头得到暗光校正数据Iblack,使用两个参考值对光谱原始图像(Iraw)进行校准:根据上述共识计算出校正后的高光谱数据I。
S103:采用光谱一阶差分模型对所述高光谱特征数据进行特征选择以确定相应的关键波段特征;
图3是本发明实施例公开的光谱数据及其一阶差分特征数据处理和融合的流程示意图,如图3所示,所述采用光谱特征综合模型对所述高光谱特征数据进行特征融合以确定相应的全面的高光谱特征数据,包括:
S1031:按照预设数量的光谱波段对所述高光谱特征数据进行特征波段划分;
S1032:构建每个光谱波段数据与其对应的一阶差分特征,以确定光谱特征和苗根长的关联关系;相关系数模型为:
假设原始数据序列为yi(1≤i≤n),变量y仅仅在非负整数值上有定义;当变量i依次取非负整数,且当i从k变到k+1时,因变量的改变量为:
△yk=yk+1-yk
△yk称为函数在点k的一阶差分;
基于光谱数据和其一阶差分信息确定光谱特征信息;
S1033:对得到的差分信息和原始光谱信息进行数值融合以得到完整的光谱特征。
更为优选的,所述原始光谱波段数量为220。
每个提取的光谱由220个原始光谱波段,以及219个波段的一阶差分变量组成,范围从430.1到971.5nm。由于少量的变量可以减少冗余和计算量,因此期望较少的频带代表大部分有用的信息。为了获取与种子活力最相关的特征波段,本发明实施例构建种子高光谱波段数据与及其一阶差分信息,获取与苗根长的关联程度较高的数据特征。通过回归模型,最终建立种子关键特征波段与苗根长的回归关联关系。
此外,除了上述最有方式之外,还可以与常用的高光谱数据预处理方法,基于平滑滤波(Savitzky-Golay Smoothing,SGS),多元散射校正(Multiplicative ScatterCorrection,MSC),标准正态变量变换(Standard Normal Variate,SNV)等方法对数据进行预处理,以得到最优的高光谱数据处理模型。
S104:根据所述的全面的光谱特征以及回归分析算法进行计算以确定种子活力状态。
更为优选的,所述根据所述光谱特征以及回归分析算法进行计算以确定种子活力状态,包括:
采用支持向量回归算法对关键特征波段进行回归分析以确定种子活力状态,所述种子活力状态为苗根长。
更为优选的,所述支持向量回归算法选择的核函数是高斯径向基函数;所述高斯径向基函数为:
k(x,y)=exp(-||x-y||2/σ)k(x,y),其中σ选择为σ=50。
本发明实施例中采用主成分回归(PCR)、偏最小二乘法(PLS)和支持向量回归(SVR)建立了种子高光谱数据与发芽后幼苗苗根长的回归关系。高光谱法为种子的外部形态和内部结构提供了全面、完整的状态。通过这种回归模型,得到了种子的高光谱数据与表征种子萌发特性的相应苗根长之间的关系,为种子活力的无损检测提供了理论依据。
玉米种子的训练数据为X(x1,...,x1)∈RD×n(D为256个高光谱波长)。模型构建和发芽预测的流程图如图4所示。在进行具体实施的时候,可以采用的回归算法有多种,比如PCR是一种多元回归分析方法,旨在解决数据回归中自变量间的多重共线性问题。在PCR中,通过PCA将采集到的训练数据压缩到低维空间,然后在投影和输出变量之间建立一个线性回归模型,表示原始数据与输出变量之间的数据关系。PLS算法通过数据投影将预测变量和观测变量投影到一个新空间,使得投影后的数据在尽可能优地代表原数据的同时,观测变量对预测变量具有较强的解释能力。SVR算法目标是通过得到一个回归平面,设置线性函数容忍偏差和松弛变量,通过最小化损失和最小化间隔带宽度得出优化模型,以求得到最佳自变量和隐变量特征拟合。SVR选择的核函数是高斯径向基函数,即k(x,y)=exp(-||x-y||2/σ)k(x,y),其中σ选择为σ=50[36]。本发明实施例采用三种方法对种子的高光谱特征数据与其对应苗根长进行数据回归。
在本发明实施例中。由于采集了大量的种子光谱数据变量,许多光谱变量之间存在共线性、冗余性,甚至存在噪声和干扰,导致光谱数据回归建模计算时间过长。本发明实施例采用高光谱原始数据、高光谱数据融合其一阶差分信息,高光谱一阶差分信息等三种光谱数据特征信息,并利用光谱特征变量建立回归模型。苗根长是反映种子活力的一个有效指标。本发明实施例以种子光谱数据及其一阶差分信息为基础,筛选出与种子活力相关的光谱特征信息。图5所示为各特征波段及其一阶差分波段信息与苗根长的相关系数。从图5可以看出,高光谱数据与幼苗根长具有相关性。但是更重要的是,不同波段数据与苗根长的相关系数不同,光谱数据与其一阶差分和苗根长的相关性表现差异,可以形成互补。从图5可以看出,原始光谱数据的高频段数据与苗根长有很强的相关性,而一阶差分信息的中低频段数据与苗根长有很强的相关性。
在进行具体实施的时候,利用SVR、PCR、PLS等方法建立了基于种子高光谱数据和种子苗根长的模型。并且具体比较了原始光谱数据、光谱数据融合其一阶差分数据、光谱一阶差分数据等不同数据特征下的种子活力预测性能,并与MSC、SGS和SNV等不同光谱预处理方法的结果进行了比较。表1显示了基于不同预处理和回归方法的苗根长的回归和预测结果,其中给出了RMSE和相关系数R2准则。相关系数越大,RMSE越低,说明预测精度越高,实际值与预测值的相关性越强。
从表1的比较结果来看,基于高光谱信息和高光谱一阶差分信息的苗根长预测在这两个评价标准上都优于其他模型。需要注意的是,SVR方法的模型回归与实际输出轨迹一致,偏差最小。核扩展模型的性能优于线性模型PCR和PLS,这表明由于种子中的数据关系通常是非线性的,因此考虑核技巧可以改善非线性回归的性能来提升结果预测的准确性。非线性模型(如SVR)比基于高光谱的方法的线性模型表现出更好的性能。在不同光谱特征提取的方法中,本发明实施例提出的基于光谱数据及其一阶差分数据在所有三种回归模型中都获得了最高的数据相关性。通过在光谱信息中考虑光谱的一阶差分,进一步证明了高光谱一阶差分数据用于活力相关建模的有效性。由表1可知,最佳相关系数为0.8319,说明了高光谱数据与种子根长的相关性。这一结果进一步验证了高光谱方法在种子萌发预测中的可行性。
从表1中可以看出,利用SVR,PLS和PCR回归算法,基于光谱数据及其差分数据融合,获得的苗根长预测结果性能均表现最优,大于对应的基于原光谱数据,以及基于一阶差分数据的模型预测性能。在PLS算法中,基于原始光谱信息、光谱差分信息及其融合特征获得的预测精度类似,这可能是因为PLS算法主要是基于数据的相关性分析,而原始光谱信息的变量相关性与其差分信息的相关性类似,所以得到结果也类似。因为高光谱及其一阶差分信息和幼苗苗根长之间的数据相关性存在互补性,这也如图5所示。也即是,它们的信息融合更能够体现苗根长的光谱关联关系。
表1看出,MSC、SGS、SNV等常用的光谱数据预处理方法获得的光谱数据回归性能较差。这是因为常用的预处理方法会对光谱数据造成扭曲,破坏了原有光谱数据的空间分布特征,导致种子光谱数值与种子发芽特征关联损坏,影响种子活力特征的预测性能,预测误差较大。由表1可以看出,玉米种子的高光谱数据与种子发芽后的苗根长特征具有较强的相关性。验证了高光谱技术在种子发芽特征预测、优质种子鉴定、良种选育等方面的有效性和可行性。同时,通过数据相关性分析验证了基于光谱一阶差分信息进行发芽特征预测的有效性。
表1
为了更清楚地研究基于一阶差分信息的三种回归方法的预测性能,图6显示了基于PCR、SVR和PLS模型的苗根长预测结果图。可以注意到,由于预测数据与大多数样本的实际值吻合,因此所有方法都能捕捉到种子苗根长的数据变化。特别是SVR模型的预测值与实际值的轨迹吻合较好,偏差最小。
从甜玉米种子的回归结果可以看出,种子的高光谱数据与发芽后的根长有较强的相关性。可以确定高光谱数据在种子活力预测、优质种子鉴定、良种选育等方面的有效性。同时,通过数据相关性验证了波段选择的有效性。结果表明,用SVR模型得到的幼苗根长预测模型效果最好。SVR是一种基于核的非线性回归方法,它表明种子的高光谱数据分布与幼苗根长呈非线性关系。因此,基于核函数的非线性回归模型是最适合玉米种子活力检测的模型。其能够达到较好的预测效果。
本发明实施例建立了玉米种子活力预测模型。针对不同的预处理和光谱特征选择,比较了模型性能。现有的大多是基于玉米种子活力的定性分析分类,如微波热处理和未处理种子分离、播种度评估、通径和非活性判别、老化水平预测。定量分析主要集中在种子活力相关成分的预测上。目前国内外对玉米种子活力的定量分析研究较少,特别是甜玉米种子。活性淀粉积累不足,含糖量高,种子活力低,出苗率低,苗期生长势弱,易受病原菌侵染。活力检测的方法主要集中在性状一致的普通玉米种子上,精度较高。然而,目前的方法不适用于甜玉米,因为干燥后的品种之间存在很大的差异。在目前的种子活力测定中,主要考虑田间出苗率,而忽略了种子萌发的有效性(如根长和苗根长度)。种子出苗是保证作物后期生长发育的重要基础。为了保证活力评价的***性和完整性,对甜玉米种子活力和出苗能力进行评价显得尤为重要。
高光谱数据的特征提取对于甜玉米的活力预测和品种分类尤为重要。虽然有提出了各种各样的光谱特征处理和评价方法,但现有的高光谱预处理方法如遗传算法(GA)和连续投影算法(SPA)都是基于全局数据分布的,主要关注光谱数据的空间分布特征,而忽略了光谱数据变量的关联分布结构,比如波段和光谱数据的关联关系,以及不同波段间光谱数据的关联关系。基于此,申请人提出了一种基于光谱数据的一阶差分信息实现样本光谱信息表达方法,并将其应用于种子活力表型预测研究。利用高光谱数据与种子活力表型之间的特征相关性,基于不同的光谱数据分布,构建三种不同的回归模型,用于玉米种子活力预测研究。为评价模型准确性,采用发芽试验测定种子苗根长作为参考。比较了不同光谱数据获取方法和回归算法的预测准确性和优越性,确定了种子活力无损检测的有效性和可行性。
本发明实施例提及的基于PCR、SVR和PLS模型,利用高光谱数据对甜玉米种子活力进行了预测。主要结论如下。
(1)基于PCR、SVR、PLS等回归模型,利用光谱数据及其一阶差分建立玉米种子苗根长和光谱数据的回归关联关系模型,最终实现对种子苗根长变量数据的定量预测。主要结论如下:
(1)通过玉米种子光谱数据与其一阶差分信息融合,提高了PCR、SVR和PLS等算法预测种子发芽苗根长的准确性,较与MSC、SGS和SNV等预处理后的数据,以及曲线拟合模型数据,通过一阶差分光谱信息融合能够获得更准确的预测结果。
(2)从预测模型结果看出,不同的回归模型下对应的预测结果存在差异,SVR模型的准确率高于PCR和PLS模型,模型的决定系数最高达到0.8319,比PCR和PLS模型的结果(R2最高分别为0.8023和0.725)得到了更令人满意的结果。
(3)由构建的回归模型对苗根长特征的预测结果看出,实际苗根长与其对应的光谱数据具有较大的相关性,最高达到了0.8319,验证了基于光谱技术进行种子发芽特征预测的可行性和有效性。本发明实施例中通过建立高光谱数据与发芽后的根长建立关联性,然后采用波段选择来选择对应的高光谱的关键波段,然后采用回归分析来确定幼苗根长预测;其能够实现快速、无损和高精度的种子活力检测。
实施例二
请参阅图7,图7是本发明实施例公开的甜玉米种子萌发预测装置的结构示意图。如图7所示,该甜玉米种子萌发预测装置可以包括:
获取模块21:用于获取待测试种子的高光谱测试数据;
预处理模块22:用于对所述高光谱测试数据进行预处理以得到高光谱特征数据;
光谱信息处理和融合模块23:用于采用光谱一阶差分模型对所述高光谱特征数据进行特征提取以确定关键光谱特征;
状态确定模块24:用于根据所述关键波段特征以及回归分析算法进行计算以确定种子活力状态。
本发明实施例中通过建立高光谱数据与发芽后的根长建立关联性,然后采用一阶差分获取高光谱的关键光谱信息,然后采用回归分析来确定幼苗根长预测;其能够实现快速、无损和高精度的种子活力检测。
实施例三
请参阅图8,图8是本发明实施例公开的一种电子设备的结构示意图。电子设备可以是计算机以及服务器等,当然,在一定情况下,还可以是手机、平板电脑以及监控终端等智能设备,以及具有处理功能的图像采集装置。如图8所示,该电子设备可以包括:
存储有可执行程序代码的存储器510;
与存储器510耦合的处理器520;
其中,处理器520调用存储器510中存储的可执行程序代码,执行实施例一中的甜玉米种子萌发预测方法中的部分或全部步骤。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行实施例一中的甜玉米种子萌发预测方法中的部分或全部步骤。
本发明实施例还公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的甜玉米种子萌发预测方法中的部分或全部步骤。
本发明实施例还公开一种应用发布平台,其中,应用发布平台用于发布计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的甜玉米种子萌发预测方法中的部分或全部步骤。
在本发明的各种实施例中,应理解,所述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物单元,即可位于一个地方,或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
在本发明所提供的实施例中,应理解,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(RandomAccess Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的甜玉米种子萌发预测方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种甜玉米种子萌发预测方法,其特征在于,包括:
获取待测试种子的高光谱测试数据;
对所述高光谱测试数据进行预处理以得到高光谱特征数据;
采用光谱一阶差分模型对所述高光谱特征数据进行特征获取以确定相应的关键波段特征;
根据所述关键波段特征以及回归分析算法进行计算以确定种子活力状态。
3.如权利要求1所述的甜玉米种子萌发预测方法,其特征在于,所述高光谱测试数据为400nm-1000nm光谱范围内的高光谱数据;所述高光谱测试数据为种子胚面的高光谱数据或种子胚乳面的高光谱数据中的一种。
4.如权利要求3所述的甜玉米种子萌发预测方法,其特征在于,所述采用光谱一阶差分信息获取模型对所述高光谱特征数据进行特征提取以确定相应的关键光谱特征,包括:
按照预设数量的光谱带对所述高光谱特征数据进行特征波段划分;
构建原始光谱数据与其对应的一阶差分特征,以确定光谱特征和苗根长的关联关系;相关系数模型为:
假设原始数据序列为yi(1≤i≤n),变量y在非负整数值上有定义;当变量i依次取非负整数,且当i从k变到k+1时,因变量的改变量为:
△yk=yk+1-yk
△yk称为函数在点k的一阶差分;
基于光谱数据和其一阶差分信息确定光谱关键特征信息。
5.如权利要求4所述的甜玉米种子萌发预测方法,其特征在于,预设原始光谱波段数据的变量个数数量为220。
6.如权利要求1所述的甜玉米种子萌发预测方法,其特征在于,根据所述关键波段特征以及回归分析算法进行计算以确定种子活力状态,包括:
采用主成分回归、偏最小二乘回归和支持向量回归算法对关键特征波段进行回归分析以确定种子活力状态,反映种子活力的状态特征为苗根长。
7.如权利要求6所述的甜玉米种子萌发预测方法,其特征在于,所述支持向量回归算法选择的核函数是高斯径向基函数;所述高斯径向基函数为:
k(x,y)=exp(-||x-y||2/σ)k(x,y),其中σ选择为σ=50。
8.一种甜玉米种子萌发预测装置,其特征在于,包括:
获取模块:用于获取待测试种子的高光谱测试数据;
预处理模块:用于对所述高光谱测试数据进行预处理以得到高光谱特征数据;
波段选择模块:用于采用波段选择模型对所述高光谱特征数据进行选择和分析处理以确定相应的关键波段特征;
状态确定模块:用于根据所述关键波段特征以及回归分析算法进行计算以确定种子活力状态。
9.一种电子设备,其特征在于,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行权利要求1至7任一项所述的甜玉米种子萌发预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1至7任一项所述的甜玉米种子萌发预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210067241.2A CN114527082A (zh) | 2022-01-20 | 2022-01-20 | 甜玉米种子萌发预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210067241.2A CN114527082A (zh) | 2022-01-20 | 2022-01-20 | 甜玉米种子萌发预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114527082A true CN114527082A (zh) | 2022-05-24 |
Family
ID=81620309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210067241.2A Pending CN114527082A (zh) | 2022-01-20 | 2022-01-20 | 甜玉米种子萌发预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114527082A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074353A (zh) * | 2023-08-18 | 2023-11-17 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和*** |
CN117957971A (zh) * | 2024-03-28 | 2024-05-03 | 云南省农业科学院质量标准与检测技术研究所 | 一种基于颜色图像分析的水稻种子活力定量检测方法 |
-
2022
- 2022-01-20 CN CN202210067241.2A patent/CN114527082A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074353A (zh) * | 2023-08-18 | 2023-11-17 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和*** |
CN117074353B (zh) * | 2023-08-18 | 2024-05-03 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和*** |
CN117957971A (zh) * | 2024-03-28 | 2024-05-03 | 云南省农业科学院质量标准与检测技术研究所 | 一种基于颜色图像分析的水稻种子活力定量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Walsh et al. | The uses of near infra-red spectroscopy in postharvest decision support: A review | |
CN113192117B (zh) | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 | |
Nawi et al. | Prediction and classification of sugar content of sugarcane based on skin scanning using visible and shortwave near infrared | |
CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
Qing et al. | Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging | |
Sun et al. | Achieving robustness to temperature change of a NIRS-PLSR model for intact mango fruit dry matter content | |
CN109916838B (zh) | 一种水稻种子发芽能力的检测方法 | |
CN109470648B (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
CN114527082A (zh) | 甜玉米种子萌发预测方法及装置 | |
Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
Jin et al. | Determination of viability and vigor of naturally-aged rice seeds using hyperspectral imaging with machine learning | |
Singh et al. | Detection of sprouted and midge‐damaged wheat kernels using near‐infrared hyperspectral imaging | |
CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
CN104255118B (zh) | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 | |
ElMasry et al. | Multichannel imaging for monitoring chemical composition and germination capacity of cowpea (Vigna unguiculata) seeds during development and maturation | |
Pang et al. | Rapid seed viability prediction of Sophora japonica by improved successive projection algorithm and hyperspectral imaging | |
Sharma et al. | Rapid ripening stage classification and dry matter prediction of durian pulp using a pushbroom near infrared hyperspectral imaging system | |
Lu et al. | Nondestructive determination of soluble solids and firmness in mix-cultivar melon using near-infrared CCD spectroscopy | |
Hong et al. | Nondestructive prediction of rice seed viability using spectral and spatial information modeling of visible–near infrared hyperspectral images | |
CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及*** | |
CN109520964A (zh) | 基于nirs的种子活力测定方法、***及存储介质 | |
Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
Zhu et al. | Quality assessment of crop seeds by near-infrared hyperspectral imaging | |
Refat et al. | Evaluation of prediction of indigestible fiber fraction (iNDF) of whole-crop barley silage by using non-destructive spectroscopic techniques as a fast-screening method: comparison between FTIR vs. NIR | |
Rahman et al. | Quality analysis of stored bell peppers using near-infrared hyperspectral imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |