基于高光谱影像和深度卷积神经网络的玉米种子品种分类

在种子品质检测中，品种纯度是一个重要的指标，影响着种子的生长和产量。然而，不同品种的玉米种子在种植、收获、运输和储存等生长发育过程中可能是混合的。如果杂交玉米种子与其他品种的玉米种子混合，就会造成产量损失。传统玉米种子分类方法存在检测时间长、复杂度高、对种子有破坏作用等局限性。因此，亟需使用相关技术为育种者、种植者和消费者准确识别玉米品种。本文探究了高光谱成像技术与深度卷积神经网络（DCNN）相结合对四个品种的玉米种子进行分类的可行性。

试验设计

浙江大学成芳教授团队利用江苏双利合谱公司的可见/近红外高光谱成像系统Gaiafield-V10E，获取了四个不同品种的玉米种子的高光谱影像，并提取了每个品种胚乳部分的平均光谱（400 – 1000 nm）；基于平均光谱构建了DCNN、K近邻（KNN）和支持向量机（SVM）三种分类模型。DCNN结构如图1所示。

图1 DCNN结构。DCNN的主要流程（a），Conv Block的具体流程（b），FC Block的具体流程（c）

结论

图2 四种玉米种子的光谱。原始光谱（a）；在450.26 - 978.94 nm波长范围内提取玉米种子ROI的平均光谱（b）

对比了四个品种的平均光谱（图2）。光谱曲线的总体趋势非常相似，尤其是在510 -580 nm范围内。而Jiayu538在整个光谱中表现出明显高于Chunhua201和Qianfeng258的反射率。在4个玉米品种中，Deyu977在500 nm前和850 nm后表现出较高的反射率。450 - 700 nm的波长范围可能与叶绿素、β-胡萝卜素或其他与胚乳有关的成分的变化有关。短波红外的差异可能与O-H、N-H、C-H键的振动有关。这些异同的存在表明不同品种的玉米种子是可以分类的。

表1 混淆矩阵以及accuracy、sensitivity、specificity、precision

分别采用KNN、SVM和DCNN模型对玉米种子品种进行分类。如表1所示，DCNN模型在accuracy、sensitivity、specificity、precision方面均获得了最好的结果，显示了DCNN模型的优越性。对于验证集，我们可以看到三个模型的验证集的整体结果略差于测试集。KNN、SVM和DCNN模型的accuracy分别为63.1%、86.9%和93.3%。验证集与测试集的评价指标大小几乎没有区别。此外，从sensitivity、specificity、precision的值来看，数值变化不大，可见模型没有出现过拟合现象，模型的稳定性较好。

图3 基于SVM（a）和DCNN模型（b）的种子可视化分类图（Chunhua201、Deyu977、Jiayu538、Qianfeng258的玉米种子分别以蓝色、绿色、橙色和红色进行可视化）

为了直观地观察玉米种子样本的分类结果，利用SVM和DCNN模型实现了玉米胚乳图像的可视化（图5）。虽然肉眼很难判断玉米种子样品之间的差异，但从最终的化学图像中可以明显地识别出各个品种的玉米种子。可以看到，在320个测试玉米种子中，基于DCNN模型的分类图中只有4个玉米种子被错分类。准确率为98.75%，与上述分析结果相似。

以上研究表明了，通过结合高光谱成像技术和DCNN可实现玉米种子品种快速、准确地区分和可视化。在未来的研究中，预计将使用更多的玉米种子品种来提高分类模型的稳定性，并开发出实时的玉米种子分类系统。

作者信息

成芳，博士，浙江大学生物系统工程与食品科学学院教授，博士生导师。

主要研究方向：智能装备、农产食品加工质量实时在线监测自动控制技术、显微成像光谱信息融合分析、淀粉纳米晶制备改性及应用、种子纳米增强等。

参考文献：

Zhang, J., Dai, L., & Cheng, F. (2020). Corn seed variety classification based on hyperspectral reflectance imaging and deep convolutional neural network. Journal of Food Measurement and Characterization, 15, 484-494. https://link.springer.com/article/10.1007/s11694-020-00646-3