基于高光譜圖像技術(shù)的小麥種子分類(lèi)識(shí)別研究

張 航，姚傳安，蔣夢(mèng)夢(mèng)，姬豫航，李華杰

(1.河南農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，河南鄭州 450002；2.西安電子科技大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，陜西西安 710126)

小麥為我國(guó)北方主要糧食作物，其產(chǎn)量豐欠關(guān)系國(guó)計(jì)民生，種子對(duì)產(chǎn)量的影響可達(dá)40%以上[1]。因此，小麥種子的鑒別分類(lèi)對(duì)糧食生產(chǎn)意義重大[2]。隨著計(jì)算機(jī)技術(shù)和識(shí)別算法的發(fā)展，具有快速無(wú)損檢測(cè)特點(diǎn)的機(jī)器視覺(jué)技術(shù)、近紅外光譜分析技術(shù)和高光譜圖像技術(shù)在種子檢測(cè)中得到了廣泛的應(yīng)用[3-5]。

高光譜圖像技術(shù)具有圖像和光譜信息合一的特點(diǎn)，在種子檢測(cè)中其圖像信息可以顯示種子外部形態(tài)的特征，光譜信息可反映種子內(nèi)部蛋白質(zhì)、淀粉、含氫基團(tuán)等物質(zhì)含量，因而可利用該技術(shù)快速實(shí)現(xiàn)種子的鑒別和分類(lèi)[6]。如在少波段下融合光譜與圖像特征信息，運(yùn)用多次遞進(jìn)無(wú)信息變量消除算法和偏最小二乘投影分析法(MP-UVE-PLS)建立分類(lèi)識(shí)別模型，實(shí)現(xiàn)了單粒水稻種子的識(shí)別[7]，但較少的波段可能會(huì)丟失一部分光譜信息，影響分類(lèi)精度；以不同波段下圖像的熵作為分類(lèi)特征，通過(guò)偏最小二乘判別分析法(PLS-DA)實(shí)現(xiàn)了多類(lèi)玉米種子的純度識(shí)別[8]；應(yīng)用支持向量數(shù)據(jù)描述方法(SVDD)可較好解決玉米種子新類(lèi)別樣本的識(shí)別問(wèn)題[9-10]；通過(guò)全波段和特征波長(zhǎng)分別建立偏最小二乘判別分析(PLS-DA)模型，實(shí)現(xiàn)了水稻種子活力分級(jí)[11]；利用最小二乘支持向量機(jī)(LS-SVM)和最小二乘判別分析法(PLS-DA)算法對(duì)單粒小麥高光譜圖像中的光譜信息建立分類(lèi)模型，實(shí)現(xiàn)了單粒小麥在強(qiáng)筋與弱筋、強(qiáng)筋與中筋不同類(lèi)型的二分類(lèi)識(shí)別，并且還發(fā)現(xiàn)小麥胚區(qū)域的光譜信息用于分類(lèi)效果較好[12]，但其僅實(shí)現(xiàn)了強(qiáng)筋、中筋、弱筋3個(gè)單籽粒小麥類(lèi)型之間的分類(lèi)，沒(méi)有實(shí)現(xiàn)多種小麥種子多籽粒之間的分類(lèi)。

本研究基于小麥種子的近紅外(NIR)波段，本著盡量利用全波段光譜信息的原則，在NIR條件下對(duì)多種各自堆疊擺放的光譜信息，建立兩種種子擺放方式下用于小麥種子分類(lèi)識(shí)別的PCA-SVM模型，并從三個(gè)品種分類(lèi)開(kāi)始不斷優(yōu)化改進(jìn)模型，再擴(kuò)展到四個(gè)品種、六個(gè)品種等多類(lèi)種子分類(lèi)，以期實(shí)現(xiàn)多種小麥種子多籽粒的便捷高效分類(lèi)識(shí)別。

1 材料與方法

1.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)小麥種子選取河南地區(qū)主要種植的品種，由國(guó)家小麥工程技術(shù)研究中心提供，包括矮58、淮麥0360、開(kāi)麥20、中優(yōu)9507、周麥27、周麥22等6個(gè)品種以及實(shí)驗(yàn)備用小麥品種洛麥18。每種小麥種子去除殘粒、過(guò)于干癟粒和雜質(zhì)，并保證大小正常。每類(lèi)小麥種子純度均達(dá)到98%。將實(shí)驗(yàn)種子分別裝在標(biāo)記好的密封小塑料袋中置于5攝氏度恒溫空間中保存。

1.2 高光譜圖像采集儀器

高光譜采集儀器采用芬蘭SPECIM公司的SisuCHEMA高光譜成像工作站，其主要包括顯示器、暗箱和線性位移平臺(tái)，線光源為SPECIM特制擴(kuò)散線性光源單元(Dolan JennerIndustries Inc.Finland)，SPECIM PFD-65-V10E 成像光譜儀(Spectral Imaging Ltd.Oulu,Finland)、C-mount 成像鏡頭OLES30(Specim,Spectral Imaging Ltd.Oulu,Finland)以及內(nèi)置光譜采集存儲(chǔ)軟件。其中線性平臺(tái)為全黑背景平臺(tái)，可采集的最大樣品尺寸為200 mm×300 mm×45 mm(W×L×T)，光譜分辨率為3 nm。為保證高光譜圖像采集合適，經(jīng)過(guò)多次調(diào)試將物鏡高度設(shè)置為 21 cm，曝光時(shí)間設(shè)置為300 ms，平臺(tái)移動(dòng)速度設(shè)置為3 cm·s-1。高光譜圖像用ENVI4.8軟件進(jìn)行處理，后期數(shù)據(jù)處理以及模型建立采用MATLAB2012b軟件。

采集高光譜圖像時(shí)，由于暗電流、光源光強(qiáng)波動(dòng)以及環(huán)境的影響會(huì)對(duì)高光譜實(shí)驗(yàn)數(shù)據(jù)的采集帶來(lái)一定的干擾,為了減除噪聲帶來(lái)的誤差影響，每次高光譜數(shù)據(jù)采集后都進(jìn)行黑白板校正[13]。

1.3 高光譜采集方式

為了解種子擺放方式對(duì)分類(lèi)的影響，采集高光譜數(shù)據(jù)時(shí)設(shè)置兩種種子擺放方式：整齊式和堆疊式。整齊式是將小麥種子整齊排列，鑒于載物移動(dòng)平臺(tái)的尺寸，為保障數(shù)據(jù)有效，種子擺放排列成12行，每行7粒，共計(jì)84粒種子，種子間間隔5 mm左右；堆疊式是將大約300粒左右種子盡量不重疊地聚攏擺放在移動(dòng)平臺(tái)上形成一個(gè)半徑5 cm左右的圓形。對(duì)兩種擺放方式分別采集VNIR(400～1 000 nm)和NIR(900～1 700 nm)兩種高光譜數(shù)據(jù)。擺放方式如圖1所示。

2 高光譜數(shù)據(jù)處理和模型介紹

2.1 提取光譜圖像中的感興趣區(qū)域

選擇小麥種子感興趣區(qū)域(region of interest，ROI)，采集高光譜圖像數(shù)據(jù)。對(duì)高光譜圖像中每粒種子靠近胚乳部位提取20個(gè)像素點(diǎn)(4×5)的矩形ROI作為一個(gè)實(shí)驗(yàn)樣本。其中，整齊式每類(lèi)種子采集84個(gè)樣本，堆疊式每類(lèi)種子遵從五點(diǎn)采樣原理共采集100個(gè)ROI樣本。ROI提取如圖1和圖2所示。

2.2 感興趣區(qū)域光譜數(shù)據(jù)處理

在NIR下光譜數(shù)據(jù)共有224個(gè)波段，每粒樣本種子提取20個(gè)像素點(diǎn)的ROI。將每個(gè)波段作為一個(gè)列向量，每個(gè)像素點(diǎn)作為一個(gè)行向量，生成各個(gè)像素點(diǎn)在每個(gè)波段下的光譜反射率值矩陣。每個(gè)像素在全部波段下共產(chǎn)生244個(gè)光譜反射率值，則每粒種子提取的感興趣區(qū)域光譜反射率值共有20×224個(gè)。

圖1 兩種采樣擺放方式及ROI提取

圖2 4×5矩形ROI的提取示意圖

整齊式擺放的每類(lèi)小麥種子提取84個(gè)樣本的感興趣區(qū)域，可生成一個(gè)1 680×224的光譜反射率值矩陣。堆疊式擺放的每類(lèi)小麥種子提取100個(gè)樣本的感興趣區(qū)域，可生成一個(gè)2 000×224的光譜反射率值矩陣。對(duì)每粒種子的20個(gè)像素點(diǎn)在各個(gè)波段下分別求平均值，則整齊和堆疊兩種擺放方式下每類(lèi)種子的高光譜數(shù)據(jù)可分別壓縮成為84×224與100×224兩個(gè)矩陣，將整齊式和堆疊式樣本感興趣區(qū)域光譜反射率平均值各自累計(jì)到一個(gè)矩陣中則分別轉(zhuǎn)換成504×224和600×224的矩陣。由于這兩個(gè)矩陣行數(shù)明顯大于列數(shù)，因而適用于PCA降維。

2.3 模型算法介紹

對(duì)堆疊擺放方式和NIR條件下6個(gè)小麥品種在提取ROI平均光譜降噪后進(jìn)行主成分分析(PCA)[14]。由表1可看出，前四個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)到97.37%，可以近似代替原224個(gè)波段變量所表示的光譜反射信息。因此，本研究采用前四個(gè)主成分來(lái)作為分類(lèi)模型輸入量。

支持向量機(jī)(SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化的新型機(jī)器學(xué)習(xí)算法，具有很強(qiáng)的范化性能，可避免過(guò)擬合現(xiàn)象[15]。SVM是針對(duì)二分類(lèi)任務(wù)設(shè)計(jì)的，可以推廣到多分類(lèi)任務(wù)中。其基本原理是建立一個(gè)分類(lèi)超平面作為決策曲面，使得正反例間隔最大化。將輸入變量通過(guò)核函數(shù)變換映射到某個(gè)高維空間中,然后在變換空間中求解最優(yōu)分類(lèi)面，以獲得決策函數(shù)，從而獲得全局最優(yōu)解[16]。

設(shè)PCA后得到的訓(xùn)練樣本為(xi,yi),i=1,2,3…,n,xi∈R4，yi{1,-1}，n為樣本個(gè)數(shù)，xi為PCA降維后提取的四個(gè)主成分。

當(dāng)樣本線性可分時(shí)，假設(shè)線性分類(lèi)器為wTx+b=0，w為超平面的法向量，b為位移項(xiàng)。假設(shè)超平面(w,b)能將訓(xùn)練樣本正確分類(lèi)，滿足

(1)

s.t.yi(wTxi+b)≥0,i=1,2,…，n

(2)

當(dāng)原始樣本空間線性不可分時(shí)，可將樣本映射到高維的特征空間。令φ(x)表示將x映射后的特征向量，于是劃分超平面表示為

f(x)=wTφ(x)+b

(3)

引入松弛因子ξi≥0，設(shè)懲罰因子為c，式(2)可重寫(xiě)為

(4)

ξi≥0,i=1,2,…,n

利用拉格朗日乘子法得到式(4)的對(duì)偶問(wèn)題為

(5)

0≤αi≤c,i=1,2,…,n

定義核函數(shù)為k(xi,xj)=φ(xi)Tφ(xj)，式(5)可重寫(xiě)為

(6)

0≤αi≤c,i=1,2,…,n

由式(6)解出α后，求出w和b可得到劃分超平面

f(x)=wTφ(x)+b

(7)

經(jīng)過(guò)不斷驗(yàn)證，用徑向基函數(shù)作為分類(lèi)模型的核函數(shù)時(shí)分類(lèi)效果最好。徑向基函數(shù)形式為：

(8)

另外，算法中的SVM分類(lèi)模型通過(guò)MATLAB中的libsvm插件實(shí)現(xiàn)。

表1 主成分貢獻(xiàn)率及累計(jì)貢獻(xiàn)率Table 1 Contribution rate and cumulative contribution rate of the top four principal components %

2.4 分類(lèi)模型參數(shù)的確定

分類(lèi)模型中有兩個(gè)不定參數(shù)：第一個(gè)是懲罰因子c，其表示對(duì)誤差的寬容度，c越大，說(shuō)明越不能容忍出現(xiàn)誤差,容易過(guò)擬合，即訓(xùn)練集準(zhǔn)確率可能很高而測(cè)試集準(zhǔn)確率不高，c越小，容易欠擬合；第二個(gè)是核函數(shù)參數(shù)g，其間接地決定了數(shù)據(jù)映射到新特征空間后的分布狀況，g越大，支持向量越少,可能會(huì)造成過(guò)擬合；g越小，支持向量越多，可能出現(xiàn)大的平滑效應(yīng)，無(wú)法在訓(xùn)練集上得到特別高的準(zhǔn)確率，影響最終測(cè)試集的分類(lèi)準(zhǔn)確率(即測(cè)試樣本正確分類(lèi)個(gè)數(shù)與總測(cè)個(gè)數(shù)的比值)。因此，c與g的選擇需要維持一種動(dòng)態(tài)平衡，不僅要有較高的測(cè)試集分類(lèi)準(zhǔn)確率，而且還要保證分類(lèi)器的通用性、泛化性等性能。

本研究主要采用交叉驗(yàn)證和網(wǎng)格化尋優(yōu)方法確定SVM分類(lèi)模型中參數(shù)c與g的最佳值。具體做法是先讓c和g在[20，210]范圍內(nèi)進(jìn)行取值，對(duì)于確定的c和g，把訓(xùn)練集作為原始數(shù)據(jù)并利用K-CV(K-fold Cross Validation)交叉驗(yàn)證方法得到在此組c和g下訓(xùn)練集驗(yàn)證分類(lèi)準(zhǔn)確率。而在交叉驗(yàn)證的基礎(chǔ)上對(duì)參數(shù)c和g在選定范圍內(nèi)進(jìn)行網(wǎng)格劃分，從網(wǎng)格中進(jìn)行c和g參數(shù)點(diǎn)的取值，最終得到訓(xùn)練集驗(yàn)證分類(lèi)準(zhǔn)確率最高的那組c和g作為最佳參數(shù)。并且當(dāng)多組c和g都對(duì)應(yīng)同一個(gè)最高分類(lèi)準(zhǔn)確率時(shí)，選取第一組出現(xiàn)的參數(shù)c最小的那一組c和g作為最佳參數(shù)。

第三，加強(qiáng)社會(huì)主義核心價(jià)值觀教育，注重職業(yè)精神培育。獨(dú)立學(xué)院培養(yǎng)的人才不僅要具備較高的物質(zhì)基礎(chǔ)，還要有更高的精神追求，要將社會(huì)主義核心價(jià)值觀教育融入本科教育中，培養(yǎng)的畢業(yè)生除了具有專(zhuān)業(yè)知識(shí)和職業(yè)技能外，還要有較高的職業(yè)道德素養(yǎng)，要培養(yǎng)追求職業(yè)精神、敬業(yè)愛(ài)崗的社會(huì)主義勞動(dòng)者。

本實(shí)驗(yàn)的分類(lèi)模型最佳參數(shù)分為兩種：第一種是在一組確定的幾種小麥種子進(jìn)行分類(lèi)時(shí)的最佳參數(shù)，用上述尋參的交叉驗(yàn)證和網(wǎng)格化尋優(yōu)方法得到。第二種是某分類(lèi)類(lèi)型的小麥種子分類(lèi)模型的最佳參數(shù)，比如小麥種子的三分類(lèi)(即3個(gè)品種種子分類(lèi))模型為例，小麥種子的三分類(lèi)模型的最佳參數(shù)建立在第一種參數(shù)確定的多組三種小麥種子分類(lèi)最佳參數(shù)c和g的基礎(chǔ)上，通過(guò)確定三分類(lèi)的多組小麥種子的參數(shù)c與g來(lái)大致確定第二種適合整個(gè)三分類(lèi)模型的參數(shù)范圍，在該范圍內(nèi)按照一定步長(zhǎng)進(jìn)行取值，找到使得這些組別的測(cè)試集準(zhǔn)確率平均水平最高的參數(shù)c和g值，以此作為三分類(lèi)模型的整體最佳參數(shù)。需要明確的是，某組的三分類(lèi)最佳參數(shù)不一定是所有組別三分類(lèi)的最佳參數(shù)；而整體最佳參數(shù)不一定是某一組的最佳參數(shù)，但一定是使得所有三分類(lèi)中平均識(shí)別率最高的參數(shù)。為保證分類(lèi)模型的通用性，本研究主要用第二種參數(shù)作為模型的最佳參數(shù)。

3 結(jié)果與討論

3.1 VNIR與NIR波段下小麥種子平均光譜反射率分析

以矮抗58為例，從VNIR與NIR兩種波段下的平均光譜反射曲線(圖3)可以看出，VNIR下在500～1 000 nm波段曲線較為平緩，缺少特征峰，并且在400～550 nm波段下噪聲比較明顯，易受外界影響。在NIR下光譜反射率曲線有明顯的特征峰且噪聲相對(duì)較低，比較適合用于種子分類(lèi)。在堆疊采樣模式下，品種間NIR光譜反射譜線有明顯差異(圖4)，理論上可以用于種子分類(lèi)。

3.2 在NIR波段下三分類(lèi)中整齊與堆疊兩種擺放方式的分類(lèi)準(zhǔn)確率

由于高光譜實(shí)驗(yàn)采樣平臺(tái)原因，整齊式每類(lèi)種子采集了84個(gè)樣本，而堆疊式每類(lèi)種子提取了100個(gè)樣本。為保證條件一致，隨機(jī)選取同類(lèi)品種堆疊式100粒樣本中的84粒作為分類(lèi)樣本，將其與整齊式在NIR波段下進(jìn)行分類(lèi)準(zhǔn)確性比較。選取每類(lèi)樣本的四分之三即63粒作為訓(xùn)練集，剩余四分之一即21粒作為測(cè)試集。分別對(duì)兩種擺放方式的數(shù)據(jù)進(jìn)行PCA降維處理，提取的前四個(gè)主成分累計(jì)貢獻(xiàn)率均達(dá)到85%以上，所以分別用前四個(gè)主成分作為模型輸入量。對(duì)SVM分類(lèi)模型在經(jīng)驗(yàn)基礎(chǔ)上選取采用徑向基函數(shù)作為核函數(shù)且參數(shù)c取2，g取1，模型輸入量進(jìn)行歸一化處理，以消除不同量綱的影響。對(duì)兩種擺放方式在上述模型中選取三組三類(lèi)小麥組合進(jìn)行分類(lèi)識(shí)別分析。由表2可知，兩者分類(lèi)準(zhǔn)確率相差無(wú)幾，但堆疊式采樣更貼合實(shí)際應(yīng)用，因此采用堆疊式種子高光譜數(shù)據(jù)來(lái)探究小麥多品種種子分類(lèi)。

圖3 矮抗58在VNIR和NIR條件下平均光譜反射曲線

圖4 小麥種子NIR波段下堆疊擺放平均光譜反射曲線

表2 兩種擺放方式的種子分類(lèi)準(zhǔn)確率對(duì)比Table 2 Comparison of the accuracy of the two placement methods

3.3 堆疊式擺放在NIR波段下三分類(lèi)模型SVM各個(gè)參數(shù)和條件的選擇

以矮抗58、淮麥0360、開(kāi)麥20三類(lèi)小麥種子為例，說(shuō)明三分類(lèi)參數(shù)尋優(yōu)的方法與過(guò)程。提取三類(lèi)種子樣本的前四個(gè)主成分作為分類(lèi)模型輸入量。每類(lèi)種子100粒樣本中任選80粒作為模型的訓(xùn)練集，剩余20粒作為測(cè)試集。對(duì)分類(lèi)模型SVM中的參數(shù)c和g確定最佳值，分別讓參數(shù)c與g在適當(dāng)?shù)姆秶鶾20，210]內(nèi)進(jìn)行交叉驗(yàn)證和網(wǎng)格化尋優(yōu)，得到本組三類(lèi)小麥種子三分類(lèi)模型中最佳參數(shù)c為0.707，g為16(圖5)。

最佳參數(shù)確定后，對(duì)模型輸入量歸一化和不歸一代處理的分類(lèi)結(jié)果進(jìn)行比較，發(fā)現(xiàn)歸一化后60個(gè)測(cè)試集樣本中有4個(gè)被錯(cuò)分，不進(jìn)行歸一化分類(lèi)時(shí)測(cè)試集樣本分類(lèi)僅有1個(gè)被錯(cuò)分(圖6)。這說(shuō)明不用歸一化有助于提升分類(lèi)準(zhǔn)確率。

圖5 交叉驗(yàn)證和網(wǎng)化尋優(yōu)最佳參數(shù)c和g

圖6 數(shù)據(jù)歸一化和不歸一化的分類(lèi)準(zhǔn)確率比較

3.4 6個(gè)小麥品種任選3個(gè)品種在最佳條件下進(jìn)行種子三分類(lèi)的識(shí)別結(jié)果

按照上述方法從矮抗58、淮麥0360、開(kāi)麥20、中優(yōu)9507、周麥27、周麥22等6個(gè)小麥品種中任選3個(gè)品種，對(duì)其N(xiāo)IR光譜數(shù)據(jù)進(jìn)行主成分分析，確定分類(lèi)模型SVM的輸入量。模型的徑向基函數(shù)參數(shù)c取1，g取8，模型輸入量不進(jìn)行歸一化處理。

由表3可以看出，第10、16、19、20四組三分類(lèi)種子在總計(jì)60粒小麥種子的測(cè)試集中錯(cuò)分的籽粒分別為14、13、13、15粒，分類(lèi)準(zhǔn)確率低于80%。其余種子分類(lèi)準(zhǔn)確率平均在95%以上，其中第5和11組分類(lèi)準(zhǔn)確率達(dá)到100%，在實(shí)際應(yīng)用中符合種子分類(lèi)精度要求。

第10、16、19、20組分類(lèi)準(zhǔn)確率低的原因可能是模型選取參數(shù)主要考慮對(duì)于整體組別合適，而參數(shù)c和g取值不是該四組的最佳參數(shù)。對(duì)于該四組分別采用最佳參數(shù)c與g進(jìn)行分析，結(jié)果(表4)表明，模型分類(lèi)識(shí)別準(zhǔn)確率沒(méi)有太大變化，其中第16組由于過(guò)擬合，準(zhǔn)確率反而下降。因此，排除分類(lèi)準(zhǔn)確率低是由于參數(shù)不佳的原因。

進(jìn)一步發(fā)現(xiàn)，上述四組都包含周麥27與周麥22，因而推測(cè)分類(lèi)識(shí)別準(zhǔn)確率低的原因可能是由于這兩品種間存在極大相似關(guān)聯(lián)性。經(jīng)查閱文獻(xiàn)[17-18]發(fā)現(xiàn)，周麥27與周麥22血緣較近。如圖4在NIR波段下堆疊擺放的平均光譜曲線所示，周麥27和周麥22譜線大概位于圖中曲線中間位置，并且兩條曲線接近重合，NIR波段下的光譜信息沒(méi)有太大的差別。這兩個(gè)品種血緣關(guān)系較近，種子遺傳性狀相似，內(nèi)部所含物質(zhì)含量也相似，可能會(huì)造成在NIR波段下光譜信息類(lèi)同，進(jìn)而使得分類(lèi)準(zhǔn)確率較低。

表3 任意3個(gè)小麥品種分類(lèi)準(zhǔn)確率Table 3 Classification accuracy of any three wheat varieties

3.5 模型擴(kuò)展

選取上述6個(gè)小麥品種中的任意4個(gè)小麥品種進(jìn)行四分類(lèi)實(shí)驗(yàn)，用上文所述的實(shí)驗(yàn)最佳條件即NIR波段下小麥種子堆疊擺放，模型整體最佳參數(shù)c取16，g取5。從分類(lèi)結(jié)果(表5)可以看出，分類(lèi)準(zhǔn)確率雖均在80%以上，但準(zhǔn)確率有所下降。

對(duì)6個(gè)小麥品種矮抗58、淮麥0360、開(kāi)麥20、中優(yōu)9507、周麥27、周麥22在上述最佳實(shí)驗(yàn)條件下進(jìn)行六分類(lèi)實(shí)驗(yàn)，參數(shù)尋優(yōu)后最佳參數(shù)c為5.65，g為16，結(jié)果為120粒測(cè)試集中錯(cuò)分48粒，準(zhǔn)確率為60%?？紤]到周麥27、周麥22的血緣關(guān)系較近，故將周麥27置換為備用品種洛麥18，結(jié)果為錯(cuò)分40粒，準(zhǔn)確率66.67%，分類(lèi)準(zhǔn)確率雖有提升，但依然不高。

從整個(gè)實(shí)驗(yàn)結(jié)果看，所建立的多種小麥種子分類(lèi)模型基本能滿足三種和四種小麥種子的分類(lèi)要求，但還存在著血緣較近小麥種子的分類(lèi)能力差和隨著小麥種子分類(lèi)種類(lèi)的增加，模型分類(lèi)準(zhǔn)確率不斷下降的問(wèn)題。其下降的原因可能是：血緣較近品種內(nèi)部的蛋白質(zhì)、淀粉以含氫基團(tuán)等物質(zhì)相似性較大，使得反射光譜信息較為相近和不易區(qū)分；隨著分類(lèi)小麥品種的增多，品種間光譜反射率相似性也會(huì)提高。針對(duì)模型分類(lèi)精度低的問(wèn)題，下一步研究需要從兩個(gè)方向上尋求解決：第一，豐富光譜波段的種類(lèi)，比如提取一部分VNIR可見(jiàn)近紅外波段下的某些特征光譜，增加分類(lèi)識(shí)別模型的特征輸入量；第二，利用一部分高光譜圖像數(shù)據(jù)中的圖像特征信息來(lái)增加分類(lèi)模型的特征輸入量。

表4 最佳參數(shù)下的分類(lèi)準(zhǔn)確率Table 4 Classification accuracy under optimal parameters

表5 四組四分類(lèi)識(shí)別結(jié)果Table 5 Recognition results of four groups of four classification

4 結(jié) 論

本研究利用高光譜圖像技術(shù)和建立的PCA-SVM分類(lèi)識(shí)別模型，在3個(gè)小麥品種之間除個(gè)別近源屬性外，能實(shí)現(xiàn)三個(gè)品種的分類(lèi)識(shí)別，準(zhǔn)確率平均在95%以上。4個(gè)小麥品種種子的分類(lèi)準(zhǔn)確率在80%左右，6個(gè)小麥品種種子的分類(lèi)準(zhǔn)確率相對(duì)較低，僅有66%左右。綜上所述，通過(guò)探究分類(lèi)實(shí)驗(yàn)的最佳條件，在多種小麥種子各自堆疊式擺放、盡量多的利用NIR譜段光譜信息、整體最佳參數(shù)模型等條件下，所建立的PCA-SVM分類(lèi)模型對(duì)于3個(gè)或4個(gè)小麥品種種子多籽粒間相互區(qū)分的識(shí)別分類(lèi)具有一定應(yīng)用價(jià)值,對(duì)6個(gè)小麥品種種子分類(lèi)有一定的參考價(jià)值，同時(shí)也為高光譜圖像技術(shù)對(duì)多籽粒小麥種子鑒別分類(lèi)提供了一種思路方法。