MoistureVision:利用高光谱成像和机器学习技术快速、无损地预测棉花种子的含水量
《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:MoistureVision: Rapid non-destructive prediction of cotton seed moisture using hyperspectral imaging and machine learning
【字体:
大
中
小
】
时间:2026年01月26日
来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3
编辑推荐:
郝莉|乔刘|韩志国|陶璐|李泽宇石河子大学机电工程学院,中国石河子832003摘要快速、无损且准确地预测棉花种子的含水量对于评估种子活力和提高储存能力非常重要。本研究基于机器学习(ML)和高光谱成像技术开发了一种预测棉花种子含水量的方法。以Jinken 1161品种作为实验材料,
郝莉|乔刘|韩志国|陶璐|李泽宇
石河子大学机电工程学院,中国石河子832003
摘要
快速、无损且准确地预测棉花种子的含水量对于评估种子活力和提高储存能力非常重要。本研究基于机器学习(ML)和高光谱成像技术开发了一种预测棉花种子含水量的方法。以Jinken 1161品种作为实验材料,收集了935–1720纳米范围内的光谱数据。使用隔离森林算法去除了异常值,并通过光谱-理化值坐标算法将样本分为校准集和预测集。在构建传统的ML模型[偏最小二乘回归和多元线性回归(MLR)]和深度学习(DL)模型[卷积神经网络和长短期记忆网络]之前,对原始光谱进行了四种预处理,包括Savitzky–Golay(SG)平滑处理和标准正态变量变换。为了减少数据冗余并提高计算效率,使用连续投影算法和最小绝对收缩选择算子(LASSO)选择了与含水量相关的特征波长。通过对不同算法组合的比较分析,确定了最佳模型,并将其应用于高光谱图像进行像素级预测。这一应用使得能够可视化单个棉花种子内部的水分分布。结果表明,在当前样本量的情况下,ML模型的性能优于DL模型。SG–LASSO–MLR模型的预测相关系数(R2)、均方根误差和残差预测偏差分别为0.9557、0.908和4.77。这些发现为快速无损检测棉花种子含水量提供了一种可行且有效的技术解决方案。这些成果为种子质量评估和智能作物监测提供了宝贵的见解。
引言
棉花种子质量受多种因素影响,其中含水量是一个关键指标。适当的含水量对于保持种子活力和增强储存安全性至关重要[1]。传统的含水量测定方法,包括电子水分仪和烘箱干燥称重技术[2],具有较高的准确性。然而,棉花坚硬的种皮阻碍了内部水分的蒸发,导致采样不均匀性和测量复杂性[3]。此外,通过切割或研磨处理样本具有破坏性,不同的处理方法可能会产生显著不同的结果[4]。因此,开发快速无损的棉花种子含水量检测技术对于改进质量监测和优化储存过程至关重要。
光谱分析技术的不断进步促进了高光谱成像(HSI)在农产品无损质量评估中的广泛应用;这种广泛应用得益于其独特的“成像与光谱结合”能力[5]。HSI在评估肉类[6]、水果[8]、[9]和蔬菜[10]、[11]的质量方面表现出色。该技术能够同时获取光谱和空间信息,从而可以同时分析内部化学成分和外部物理特性[12]。在种子质量评估领域,已经进行了许多研究。Yin等人[13]将光谱预处理与机器学习(ML)结合,开发了一种预测棉花种子中植酸含量的模型。Huang等人[14]实现了棉花种子中脂肪酸的快速无损检测。Guo等人[15]将可见光-近红外HSI与波长选择算法结合,实现了大豆种子含水量的快速测定。Zhang等人[16]提出了一种三级数据融合策略,提高了大豆种子中蛋白质含量的预测准确性。Rabanera等人[17]使用近红外HSI结合偏最小二乘回归(PLSR)快速预测并可视化了花生籽粒的含水量。Zhang等人[18]使用选定的特征波长构建了预测单个花生种子中油含量的PLSR模型。此外,Qiao等人[19]开发了一种定量预测玉米籽粒含水量的模型,并研究了其与籽粒硬度的关系。在这些研究中,传统的ML模型由于其高训练效率、稳定性和低样本量要求而展示了强大的预测能力。
近年来,深度学习(DL)技术在高光谱数据分析中展现了巨大的潜力,因为它们具有强大的自动特征提取和复杂非线性关系建模能力[20]。与传统ML方法相比,DL方法减少了对人工设计特征的依赖,并有潜力进一步提高预测模型的准确性。Yuan等人[21]引入了一种粒子群优化算法来优化卷积神经网络(CNN)-SVR混合模型,实现了油茶籽中含水量的检测和空间可视化。Li等人[22]使用HSI结合多尺度光谱注意力残差网络,准确评估了五种常见豆类在不同老化阶段的活力。Hu等人[23]将HSI与一种名为CLNet的混合DL模型结合。该模型由1D-CNN和长短期记忆网络(LSTM)组成,能够有效预测高粱中的蛋白质含量和水分。然而,DL模型通常需要更大的数据集才能进行有效训练;其复杂的架构和相对较低的可解释性可能在样本量受限时限制性能。因此,必要的任务是系统地比较传统ML和DL模型在棉花种子含水量检测中的适用性,并开发一个在预测准确性和鲁棒性之间取得平衡的技术框架。
鉴于上述讨论,本研究旨在探索使用HSI快速无损地确定棉花种子含水量。具体目标如下:(1)获取棉花种子的高光谱图像并测量其含水量;(2)比较各种光谱预处理方法对棉花种子含水量预测准确性的影响;(3)使用特征波长选择算法构建ML模型[PLSR和多元线性回归(MLR)]和DL模型(CNN和LSTM)来预测棉花种子含水量,并比较这些模型的性能;(4)应用最佳模型在高光谱图像的像素级别预测含水量,生成单个棉花种子内部水分的空间分布热图。
章节片段
实验材料
实验使用了Jinken 1161棉花品种,根据种子的外观、大小均匀性以及无霉菌或机械损伤的情况选择了564粒种子。为了扩大含水量范围并提高预测模型的适用性,所有种子被随机分为四组。每组种子用湿润的纱布包裹,并储存在低温环境(2°C)和50%相对湿度下,以促进均匀吸水同时抑制
光谱特性
图2展示了935–1720纳米波长范围内所有样本的平均原始光谱反射率曲线。总体而言,样本的光谱轮廓表现出高度一致的趋势,这表明了良好的光谱均匀性,并间接反映了它们化学组成的相似性。在光谱中可以观察到多个明显的吸收峰,这些通常是由分子振动引起的泛音吸收造成的。值得注意的是,出现了显著的吸收峰
结论
本研究提出了基于ML和HSI的快速无损预测方法,解决了传统测量棉花种子含水量方法的局限性,这些方法通常耗时且具有破坏性。主要结论如下:
- (1)
通过对原始有效光谱进行SG平滑、SNV、一阶导数和二阶导数处理后,传统的ML模型(如PLSR和MLR)在SG平滑处理下表现出稳定的性能。
术语表
| 缩写 | 术语 | 定义 |
|---|
| HSI | 高光谱成像 | 捕获用于化学和物理分析的光谱和空间信息。 |
| MC | 含水量 | 种子中水分的百分比,对质量和储存评估至关重要。 |
| SG | Savitzky-Golay平滑 | 一种在保留特征的同时平滑光谱的数字滤波器。 |
| SNV | 标准正态变量 | 标准化光谱以减少散布效应。 |
| D1/D2 | 一阶/二阶导数 | 增强微妙的光谱变化并解决重叠峰。 |
| PLSR | |
资助
本研究得到了第七届财政科学技术计划(资助编号:2025B10)的支持。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
作者衷心感谢石河子大学和农业部农村事务部西北农业装备重点实验室对这项研究的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号