基于高光谱技术的种子分析（论文学习）-北京尧图网络

发芽实验玉米发芽处理挑选适量的玉米种子在.体积分数aClO 溶液中室温浸泡15min蒸馏水冲洗2次后在25℃条件下连续浸泡每换水次。将浸泡后的种子移种到育苗盘中放入智能人工气候培养箱中于 ℃、相对湿度为发芽每隔进行浇水。按发芽、、、、、、设置个处理将种类型的玉米种子分别进行不同的处理次重复。光谱采集、提取和预处理《高光谱结合理化参数跨品种识别玉米种子贮藏年份》光谱采集试验开始前将卤素灯预热30 min确保光源的稳定性。将每个品种的玉米种子按照5行5列摆放在反射率较低的黑色面板上先采集胚乳面朝上的光谱数据然后原位翻转玉米种子将胚面朝上且采集胚面的光谱数据。光谱提取为减少高光谱系统暗电流和光照不均匀的影响对光谱数据进行黑白校正[13]。以单粒玉米种子作为感兴趣区域region of interestROI然后计算出ROI所有像素的平均反射率作为该粒玉米种子的光谱值[14]。光谱预处理光谱可能会受到仪器本身和试验环境产生的噪声干扰、基线漂移、光程变化、样品厚度分布不均以及光散射等因素影响[15]故在建立模型前对光谱数据预处理以减弱各种非目标因素对检测信号的影响且提高模型精度[16]。本研究对原始光谱采用多项式平滑法savitzkygolaySG、标准正态变量变换standard normal variate transformationSNV、多元散射校正法multiplicative scattering correctionMSC、一阶导数first derivative1-Der和二阶导数second derivative2-Der共5种预处理方法以消除干扰信息提高光谱数据的准确性。《基于高光谱成像技术的糯玉米种子分类研究》光谱采集将每个品种的糯玉米种子试验样本按照10×10的排列阵列放置于高光谱成像系统的载物台上调整载物台与CCD相机镜头的距离为50cm镜头光圈值设置为F2.8调整积分时间为5.03ms以使得采集到的DN值峰值在3000左右。高光谱图像处理与反射率提取在MatlabR2022a软件中打开校正后的高光谱数据使用主成分分析PCA提取高光谱数据的第一主成分PC1下的灰度图像然后采用阈值分割法对其进行掩膜处理去除背景和样本中的高亮反光部分分别使用开运算去除样本边缘的噪点闭运算填充样本内部的孔洞、平滑样本边缘对其进行二值化处理最后使用regionprops函数提取高光谱数据中的每一个样本的连通域感兴趣区域将连通域中每个像素点的平均光谱反射率图1作为后续建模的输入。光谱预处理使用蒙特卡洛采样法对光谱数据进行训练集和测试集的随机划分然后初始化每个特征波段的权重根据设置的循环迭代次数进行循环计算和建模分析同时根据指数递减函数特征波段被不断筛选。《基于高光谱图像与机器学习的花生种子活力检测研究》测定 SOD 活性值标准种子发芽检测法吴婷婷等[22]利用近红外光谱技术检测小麦种子活力将支持向量机、极限学习机、随机森林和自适应增强四种机器学习方法与特征降维算法相结合建立了分类模型用于小麦籽粒活力的判别最高的分类准确率达到88.9%。Kandpal等[23]利用近红外光谱技术对甜瓜种子萌发期的活力进行预测建立偏最小二乘判别分析分类模型选取多个特征变量最终构建的PLSDA-SR方法分类模型精度达到94.6%。高光谱成像技术正逐渐受到种业领域的重视[26]。孙俊等[27]提出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应用于水稻种子活力检测人工老化后的水稻种子采集光谱信息后经过预处理、主成分分析等算法处理后建立的机器学习模型分类准确率达到96.47%经过算法优化后模型准确率提高至98.75%。Ambrose等[28]利用高光谱成像技术鉴别玉米种子活力通过PLS-DA和二值图像提供不同玉米种子的视觉信息最优模型的预测集准确率达到95.6%。祁亨年等[29]选取的原材料为水稻种子并对其进行不同程度的老化处理采用高光谱成像技术结合多种机器学习算法鉴别区分不同种子活力最终的判别准确率可达到100%。吴旭东等[14]以小麦种子为研究对象设计了一种垂枝发芽装置并以形态学特征对种子发芽进行快速判别模型评估发芽准确率为100%、发芽指数误差为1.68%、平均发芽指数误差为2.4%。张晗等[31]针对白菜种子使用机器视觉技术对单粒种子萌发进行种子活力测定并建立种子活力与图像特征的相关性分类模型建立后对种子进行筛选种子发芽率提升19%。实验从花生样本制备开始选取大小匀称、无损伤、无霉变的花生种子作为实验样本将所有样本进行五等分其中4份放入温度为40℃湿度为90%的恒温恒湿培养箱中进行人工老化处理剩余一份放入温度25℃、湿度30%的恒温恒湿环境进行保存作为对照其中4份花生种子老化样本的老化时间分别是24h、48h、72h和96h老化结束后均放置于对照组的环境中进行保存。样本制备完毕后对所有花生种子进行高光谱图像采集获取光谱及数据信息。采集完成后将花生种子按照老化程度的比例分为A、B两组其中A组400粒花生种子用作种子活力测定试验B组300粒花生种子用作超氧化物歧化酶活性测定试验。用作种子活力测定的花生种子进行标准卷纸发芽培养并统计其相关活力指标建立高光谱与花生种子活力的数据库对原始数据采用三种算法进行预处理再进行 f_classif 特征波段提取在建立花生种子活力分类模型运用Scikit-learn 库的 GridSerachCV 进行参数寻优得到最优花生种子活力分类模型。用作超氧化物歧化酶活性测定的花生种子进行SOD活性值测定建立花生种子高光谱与SOD活性值数据库对原始数据采用三种算法进行预处理再进行f_regression特征波段提取建立花生种子 SOD 活性值回归模型后运用 Scikit-learn 库的GridSerachCV 进行参数寻优后得出最优的花生种子SOD活性值回归模型。通过计算不同花生种子老化样本光谱反射率平均值与SOD活性值的平均值建立花生种子活力指数发芽率、发芽势、发芽指数、平均发芽时间、活力指数、简单活力指数、平均光谱反射率、平均SOD、种子活力分类特征条带权重前5位、SOD活性值预测特征条带权重前5位的相关性分析。最后进行花生种子活力与SOD活性值检测系统GUI交互界面设计。发芽实验从A0~A4组别中各挑选80粒表面光滑、无霉变特征的种子作为花生种子活力鉴别的实验原材料高光谱采集完成后的花生种子按照《农作物检验规程发芽试验》[63]进行标准卷纸发芽试验共计400个样本。首先使用20℃的蒸馏水对种子进行清洗将冲洗后的种子放入4%的氯化钠溶液中进行消毒消毒完成后在室温中进行自然风干。采用滤纸作为纸床发芽盒作为发芽器皿将发芽盒放入 0.1%的次氯化钠溶液中浸泡3min进行消毒防止发芽盒上附着影响实验结果的微生物在发芽盒的每个孔隙均匀铺设一层滤纸按照编号将处理完成的花生种子放入发芽盒中加入适量蒸馏水确保每个花生种子能够充分接触到水分放入培养室进行发芽试验培养室的温度持续保持在26℃湿度为40%以排除水分、光照、湿度等环境信息的干扰发芽过程中每隔10h定时换水每天统计花生种子的发芽情况及其他活力指标最终根据发芽情况测定种子活力。若胚芽长度超过1cm则判定该种子是发芽的即具备种子活力否则为不发芽即不具备种子活力同时实验过程中统计出不同老化程度花生种子发芽势GP、发芽率GE、发芽指数GI、平均发芽时间MGT、活力指数VI、简易活力指数SVI相关指标指标计算公式如下式中n1为第3d时发芽的花生种子数量n2为第8d时发芽的花生种子数量Dt为发芽的时间即第t天Gt为Dt对应的发芽种子数目S为第8d时的芽长平均长度。不同老化时间的花生种子活力指标可以看出随着老化时间的增加样本的发芽数量明显呈现递减趋势同时发芽势、发芽率、发芽指数、活力指数、简易活力指数也呈现递减趋势平均发芽时间呈现递增趋势。结果表明人工老化处理改变了种子内部的一些理化指标使得部分花生种子活力丧失。光谱数据预处理方法1 Savitzky-Golay 平滑SGSavitzky 与 Golay 提出 Savitzky-Golay 平滑方法该算法是基于最小二乘拟合原理原始数值通过拟合值进行替代由此可消除高频噪声点达到将原数据序列平滑的作用[68]。在Savitzky-Golay 平滑过程中滤波器平滑和去噪的效果取决于滤波器窗宽及多项式拟合阶次可维持的中心矩随多项式拟合阶次的提高而提高而其细节信息也成正比滤波窗宽度越大平滑的效果越好噪声的衰减效应也越大[69]。多项式拟合阶次和滤波窗宽的选择是对保持更有效的信号细节和滤波更多噪声信号的综合考虑因此选择合适的量化指标评价参数对于Savitzky-Golay滤波平滑效果是非常重要的。息的影响。2 多元散射校正MSC多元散射校正MSC技术依据多变量散射校正可以削弱基线偏移以及减轻样品间散射导致的偏移提高相关的光谱吸收信息增强组分含量相关性提高原始光谱信噪比[70]。多散射校正的过程主要是遍历光谱集并计算平均光谱值然后对所求的平均谱进行线性回归运算最后对光谱数据集的各光谱进行校正。3 中值滤波MF中值滤波MF作为一种非线性信号处理技术能够有效抑制噪声。其原理为用数字序列每个值的中点去替换原始对应值使得数据更加可靠以减少孤立噪声点的影响。中值滤波其本质为非线性滤波方式在对数字序列或图像进行处理过程中在衰减随机噪声的过程中中值滤波方法能够减少边界模糊的影响从而使得原始信号达到平滑的目的。中值滤波算法不需要图像的统计特征可直接使用因此得到广泛的应用。特征波段提取方法高光谱采集的光谱数据波长多信息冗余度高数据存储空间需求大处理时间长容易出现维数灾难现象若使用全波段进行后续建模可能会导致模型的准确率低建模时间过长模型复杂等结果[71]。因此在模型建立之前对光谱数据进行特征波段提取是很有必要的采用Sklearn中的f_classif和f_regression进行全光谱数据特征波段提取工作其中f_classif 是利用f值检验统计量来判断假设H0是否成立根据样本的特征f值来判断特征对分类的帮助f值越大分类能力越强相关性也越大从而可以基于此特征进行选择f_classif主要是应用与离散型变量的分类。f_regression首先计算样本之间的相关系数进而求得f值与f_classif方法一样f值越大特征与变量之间的相关性就越大计算公式如下

基于高光谱技术的种子分析（论文学习）

相关推荐

iPhone/iPad苹果设备型号对应常用名称列表（2026更新至iPhone 18 Pro Max | iPad Air 5 | iPad13 | iPad Pro M5 13）

STM32硬件SPI驱动W25Q128：CubeMX配置与DMA高速读写实战

云开发实现大学食堂点餐预约小程序：从数据模型到防超卖实战

更多资讯

STM32H743驱动FM25CL64铁电存储器：SPI总线实战避坑指南

SmarTest 8 Binning机制详解：从测试项到Bin映射的完整链路

锂电池包膜机PLC控制系统：三菱Q系列与普洛菲斯触摸屏应用解析

锂电池包膜机项目复盘：三菱Q系列PLC搭配Pro-face触摸屏实战总结

滑模控制从原理到实战：数学模型、参数整定与抖振抑制

Python打包后fsspec丢失？排查方法与解决方案完整梳理

今日更新

插件加载失败深度解析：从did not activate到生命周期排查指南

SpringBoot+Vue+MyBatis企业级房屋租赁管理系统源码解析

企业核心数据灾备自动化：用 OpenClaw 备份到本地 + 云端 + 离线存储的 TaoToken 统一通道实践

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？