高光谱成像与卷积神经网络相结合的水稻种子品种鉴定

水稻是世界上主要的粮食作物之一。全球有30多亿的人口，包括几乎整个东亚和东南亚，都以稻米为主食。在中国，水稻是最重要的粮食作物，播种面积占全国粮食作物的1/3，产量占全国粮食作物近1/2。因此水稻生产的重要性无论对中国还是对世界都是不言而喻的。

为适应不同生长环境（如气候，土壤，水等），现已开发出各种品种的水稻，随着育种技术的发展，将有更多品种的水稻进入市场，稻种的纯度、品种鉴定对种植者至关重要。不同品种的水稻种子的物理/化学特性、生长性能和耐逆性不同。水稻种子品种可通过检查外观特征（如大小、颜色、形状和质地），或通过确定蛋白质、淀粉等生化属性来确定。传统水稻品种鉴定方法或耗时或昂贵，并且通常只能小批量进行。因此，急需开发一种水稻种子品种快速鉴定的方法。

机器学习方法在解释不同光谱技术和光谱成像技术的数据中起着重要作用。深度学习现在是人工智能中的热门话题，卷积神经网络（convolutional neural network，CNN）是最受欢迎的深度学习模型之一。本文以4个水稻品种（包括粳稻: Xiushui 134、Zhejing 99; 籼稻:Zhongjiazao 17、Zhongzao 39）为研究对象，采用两种不同范围的光谱（光谱1：441-948nm，光谱2：975-1646nm）进行成像，研究高光谱成像结合CNN模型来鉴定水稻种子品种。研究目标是：1）利用种子光谱数据开发深度学习模型; 2）比较CNN与SVM、KNN深度学习模型的表现; 3）评估训练样本数量对KNN，SVM和CNN的影响。（KNN：K nearest neighbors，K-近邻；SVM：support vector machine，支撑向量机）

图1. 4个水稻品种（从左到右：Xiushui 134、Zhejing 99、 Zhongjiazao 17、Zhongzao 39）

研究结果表明：CNN可以用来有效处理光谱数据，在大多数情况下，CNN表现最好。模型在区分两种不同类型的水稻品种（例如粳稻1和籼稻3）方面表现优于区分两种相同类型的水稻品种（例如粳稻1和粳稻2）。此外，光谱1的模型在稻米品种3和4（两个籼稻）分类中的表现优于光谱2，而光谱2的模型在稻米品种1和2（两种粳稻）的分类中表现优于光谱1。这表明通过组合两个光谱范围可以改进模型。

图2 本研究中CNN模型结构

通常，机器学习方法的性能会随着训练样本的数量增加而提高。本研究中增加KNN，SVM和CNN的训练样本数量提高了模型性能，CNN模型的性能改善优于SVM、KNN模型。但由于训练样本中包含有冗余信息，在某个值之后，训练效果并不显著。对于训练样本少于1500个的模型，随着训练样本数量增加，性能显著提高；对于训练样本高于1500个的模型，性能改进不显著。因此，在实际应用中，为了平衡模型的性能和成本，最好使用一个合适的样本规模。

图3 4个水稻品种的光谱数据

图4 不同样本数量的模型训练结果

5 KNN、SVM、CNN模型的性能表现（a：光谱1；b：光谱2）

本研究只使用了4种水稻种子，在未来的研究中，应该研究更多的水稻品种甚至更多的作物品种以扩大CNN在光谱数据分析中的应用。

全文阅读

Zhengjun Qiu, Jian Chen, Yiying Zhao, Susu Zhu, Yong He, Chu Zhang.Variety Identification of Single Rice Seed Using Hyperspectral Imaging Combined with Convolutional Neural Network. Applied Sciences 2018, 8(2), 212; doi:10.3390/app8020212