Zhang et al. (2024) 提出了一種基于高光譜成像和深度一類學(xué)習(xí)（OCL）的玉米種子欺詐檢測方法，旨在解決復(fù)雜開放場景下未知假品種的識別難題。通過融合高光譜數(shù)據(jù)的光譜與空間信息，結(jié)合波段注意力機(jī)制（BAM）抑制冗余波段干擾，構(gòu)建雙分支特征提取網(wǎng)絡(luò)，并利用最小體積超球體學(xué)習(xí)策略實現(xiàn)真實品種的高效包裹與假品種的精準(zhǔn)拒絕。實驗基于20個中國主栽玉米品種數(shù)據(jù)集，采用光譜（400.8-1000.7 nm）和降維后的單波段空間信息，模型在接收真實品種（ARK）和拒絕假品種（ARU）的準(zhǔn)確率分別達(dá)到93.70%和94.28%，AUC值為0.9399，顯著優(yōu)于傳統(tǒng)OCSVM、孤立森林及深度SVDD等方法。該方法通過端到端網(wǎng)絡(luò)架構(gòu)避免了復(fù)雜光譜預(yù)處理，結(jié)合信息融合與注意力機(jī)制提升了模型的穩(wěn)定性和解釋性，為種子質(zhì)量監(jiān)管及農(nóng)產(chǎn)品防偽提供了高效、無損的解決方案。

▲

圖10. 種子欺詐檢測的單類分類器的網(wǎng)絡(luò)結(jié)構(gòu)

Huang et al. (2022) 該研究結(jié)合近紅外高光譜成像（HSI）與深度森林（DF）模型，開發(fā)了一種快速無損測定高粱純度的方法。通過孤立森林算法（IF）和主成分分析（PCA）剔除異常數(shù)據(jù)后，采用競爭性自適應(yīng)重加權(quán)采樣（CARS）與連續(xù)投影算法（SPA）提取特征波長，并結(jié)合灰度共生矩陣（GLCM）獲取紋理特征。基于不同數(shù)據(jù)類型（全光譜、特征光譜、紋理特征及融合數(shù)據(jù)）構(gòu)建的DF模型中，特征光譜模型的性能最優(yōu)，其平均正確識別率（CRR）超過91%，驗證集I的平均CRR為88.89%。此外，模型在摻假比例檢測中預(yù)測偏差小于4%。研究證實，HSI與DF的結(jié)合能夠高效區(qū)分高粱品種并精準(zhǔn)評估純度，為谷物質(zhì)量的無損檢測提供了新策略。高粱摻雜識別可視化如圖11所示。

▲

圖11. 高粱摻雜識別可視化

Han et al. (2024) 該研究開發(fā)了一種雙通道深度學(xué)習(xí)特征融合模型（DLFM），通過一維卷積模塊提取高光譜數(shù)據(jù)的光譜特征，二維卷積模塊提取RGB圖像的空間特征，并利用自適應(yīng)特征融合模塊實現(xiàn)多源數(shù)據(jù)融合（圖12）。實驗表明，DLFM在三品種、四品種和五品種小麥組合中的識別準(zhǔn)確率分別達(dá)到99.18%、97.30%和93.18%，平均準(zhǔn)確率為92.87%，較傳統(tǒng)SVM、1DCNN和2DCNN模型提升顯著（最高提升12.54%）。驗證集可視化顯示，模型能有效區(qū)分光譜和紋理特征相似的小麥品種，且預(yù)測誤差控制在10粒以內(nèi)。研究證實，DLFM通過自適應(yīng)融合光譜與圖像特征，顯著提升了復(fù)雜混合場景下的分類穩(wěn)定性，為谷物品種快速無損識別提供了新方法。

▲

圖12. DLFM模型的結(jié)構(gòu)

Makmuang et al. (2023) 提出了一種基于監(jiān)督自組織映射（SOM）的高光譜近紅外（NIR）成像技術(shù)，用于快速、無損鑒別雜草水稻與栽培水稻種子。針對雜草水稻與栽培水稻形態(tài)相似導(dǎo)致傳統(tǒng)鑒別方法效率低的問題，研究通過優(yōu)化高光譜成像參數(shù)（如縮放值與地圖大小），構(gòu)建全局SOM模型，將種子圖像像素直接投影至模型進(jìn)行分類，并結(jié)合熱重分析（TGA）、掃描電子顯微鏡（SEM）、傅里葉變換紅外光譜（ATR-FTIR）及實時直接分析質(zhì)譜（DART-MS）驗證化學(xué)與物理特性差異（圖13）。實驗表明，該方法在雜草水稻與栽培水稻PL2和RD49品種的分類中分別達(dá)到98%和88%的準(zhǔn)確率，且獨(dú)立于區(qū)域興趣（ROI）選擇，顯著優(yōu)于傳統(tǒng)方法。研究首次將監(jiān)督SOM與高光譜NIR技術(shù)結(jié)合應(yīng)用于種子質(zhì)量評估，為農(nóng)業(yè)實踐中快速、精準(zhǔn)的種子鑒別提供了創(chuàng)新解決方案。

▲

圖13. 研究流程圖

不完善粒是指受到損傷但仍有使用價值的籽粒包括蟲蝕粒、病斑粒、生芽粒、霉變粒、破損粒等，各種不完善粒的產(chǎn)生不僅會給糧食生產(chǎn)帶來經(jīng)濟(jì)損失，還會危及食品安全健康。Yang et al. (2024) 本研究提出了一種基于高光譜成像（HSI）和融合光譜-空間注意力模塊的卷積神經(jīng)網(wǎng)絡(luò)（CNN-Spl-Spal-At）的玉米粒缺陷無損檢測方法。通過對發(fā)芽、熱損傷、蟲害、霉變、破碎及健康六類玉米粒（共594個樣本）的高光譜數(shù)據(jù)（380-1000 nm）分析，構(gòu)建了結(jié)合光譜注意力和空間注意力機(jī)制的深度學(xué)習(xí)模型，并對比了傳統(tǒng)機(jī)器學(xué)習(xí)模型（SVM、ELM）及不同CNN變體的性能（圖14）。實驗結(jié)果表明，CNN-Spl-Spal-At模型在訓(xùn)練集和測試集上分別達(dá)到98.04%和94.56%的平均分類準(zhǔn)確率，顯著優(yōu)于傳統(tǒng)方法和單一注意力模塊的CNN模型。該模型通過可視化技術(shù)直觀展示不同缺陷類型在玉米粒表面的分布，驗證了其在細(xì)節(jié)特征提取和分類魯棒性上的優(yōu)勢。研究為基于高光譜成像的糧食質(zhì)量在線檢測設(shè)備開發(fā)提供了理論支持，并拓展了多模態(tài)特征融合與注意力機(jī)制在農(nóng)業(yè)無損檢測中的應(yīng)用潛力。

▲

圖14. 研究流程圖

Dhakal et al. (2023) 基于高光譜成像（HSI）與機(jī)器學(xué)習(xí)方法，提出了一種小麥籽粒赤霉病（FHB）損傷及其毒素脫氧雪腐鐮刀菌烯醇（DON）含量的無損檢測技術(shù)。通過對129個小麥品種的田間試驗樣本（DON含量通過GC-MS測定）進(jìn)行高光譜數(shù)據(jù)采集，結(jié)合集成學(xué)習(xí)算法G-Boost和深度學(xué)習(xí)模型Mask R-CNN，實現(xiàn)了小麥籽粒損傷分類與DON含量的關(guān)聯(lián)分析（圖15）。結(jié)果表明，G-Boost在光譜特征分類中表現(xiàn)最優(yōu)，訓(xùn)練集準(zhǔn)確率達(dá)97%，可有效區(qū)分健康、低DON（<0.5 ppm）與高DON（>1.5 ppm）籽粒；Mask R-CNN在實例分割中平均精度（mAP）達(dá)0.97，結(jié)合閾值法（70%病斑像素判定為病粒）后，DON含量與病粒數(shù)量回歸分析的決定系數(shù)（R²）提升至0.75。該研究驗證了高光譜成像結(jié)合多模態(tài)機(jī)器學(xué)習(xí)模型在農(nóng)業(yè)毒素在線檢測中的潛力，為糧食加工環(huán)節(jié)的快速質(zhì)量評估提供了技術(shù)參考。

▲

圖15. 研究流程圖

Zhang et al. (2021) 提出了一種基于多角度近紅外高光譜成像技術(shù)（波長范圍973–1657 nm）結(jié)合機(jī)器學(xué)習(xí)的方法，用于高效識別米象蟲（Sitophilus oryzae L.）損害的小麥籽粒。通過采集小麥籽粒四個側(cè)面的高光譜數(shù)據(jù)，結(jié)合標(biāo)準(zhǔn)正態(tài)變量變換（SNV）預(yù)處理、連續(xù)投影算法（SPA）特征提取與線性判別分析（LDA）建模，構(gòu)建了SNV-SPA-LDA混合模型。實驗結(jié)果表明，該模型在外部驗證中分類準(zhǔn)確率、靈敏度和特異性分別達(dá)到97%、98%和96%，顯著優(yōu)于傳統(tǒng)單點光譜或單角度成像方法。研究強(qiáng)調(diào)了多角度數(shù)據(jù)采集對捕捉蟲洞隨機(jī)分布特征的重要性，并揭示了淀粉和蛋白質(zhì)相關(guān)光譜波段（如1140–1200 nm和1550–1610 nm）在損傷檢測中的關(guān)鍵作用。該方法為開發(fā)多光譜在線檢測系統(tǒng)提供了理論依據(jù)，未來可進(jìn)一步結(jié)合小麥品種、產(chǎn)地等因素優(yōu)化模型普適性。

▲

圖16. 研究流程圖

Yang et al. (2020) 基于高光譜成像（HSI）與堆疊稀疏自動編碼器（SSAE）算法，提出了一種貯藏玉米粒霉變狀態(tài)的早期無損檢測方法。通過對285個不同貯藏時間（0-40天）的玉米樣本（依據(jù)真菌孢子數(shù)劃分為健康、輕度、中度、重度霉變四類）進(jìn)行高光譜數(shù)據(jù)（400-1000 nm）采集，結(jié)合SSAE網(wǎng)絡(luò)提取光譜非線性特征，并對比傳統(tǒng)特征選擇算法（VCPA、RF）及多種分類器（KELM、ELM、SVM）構(gòu)建識別模型。結(jié)果表明，SSAE-KELM模型表現(xiàn)最優(yōu)，訓(xùn)練集與測試集平均分類準(zhǔn)確率分別達(dá)97.36%和96.84%，敏感性與特異性均高于0.92。此外，研究通過像素級與物體級可視化技術(shù)直觀展示了不同霉變等級在玉米粒表面的分布特征（圖17）。該成果驗證了深度學(xué)習(xí)方法在高光譜數(shù)據(jù)特征挖掘中的優(yōu)勢，為糧食倉儲中早期霉變的快速在線檢測提供了技術(shù)參考，并拓展了多模態(tài)特征融合在農(nóng)業(yè)無損檢測中的應(yīng)用潛力。

▲

圖17. 基于像素級和對象級的玉米籽粒霉變等級可視化

Kang et al. (2022) 提出了一種基于高光譜成像技術(shù)（400–1000 nm）與協(xié)同聚類算法的無監(jiān)督玉米粒霉變檢測方法（圖18）。通過融合模糊C均值聚類（FCM）和譜聚類（SC）開發(fā)了FCM-SC算法，有效解決了傳統(tǒng)方法對標(biāo)記數(shù)據(jù)的依賴及復(fù)雜數(shù)據(jù)分布的分類難題。研究采用標(biāo)準(zhǔn)正態(tài)變量變換（SNV）和乘性散射校正（MSC）預(yù)處理光譜數(shù)據(jù)，結(jié)合主成分分析（PCA）降維及二維Gabor紋理特征提取，實現(xiàn)了光譜與圖像信息的協(xié)同利用。實驗表明，F(xiàn)CM-SC算法在準(zhǔn)確率（93.47%）、歸一化互信息（0.5885）和蘭德指數(shù)（0.8943）上顯著優(yōu)于傳統(tǒng)聚類算法（如K-means、GMM），且在不依賴標(biāo)記樣本的情況下，其性能超過監(jiān)督模型（如SVM、LDA）。該方法通過多階段聚類壓縮數(shù)據(jù)規(guī)模并保持非線性結(jié)構(gòu)，為糧食質(zhì)量無損檢測提供了高效的無監(jiān)督解決方案，未來可進(jìn)一步優(yōu)化算法實時性與泛化能力。

▲

圖18. 玉米籽粒霉變高光譜圖像檢測算法

產(chǎn)品推薦