一种基于高光谱特征的深度时间网络监测玉米种子水分含量的方法

《Journal of Food Composition and Analysis》：A Method for Monitoring Moisture Content in Maize Seeds Using a Deep Temporal Network Based on Hyperspectral Features

　　玉米种子水分检测采用高光谱反射率结合深度学习，通过控制水分吸收模拟自然差异，GWS-LSTM模型表现最优（R2=0.978，RMSE=1.461%），优于传统PLSR、Ridge等方法。

　　

邹志勇|库秋青|李梦华|袁东宇|甄江波|王乾龙|周荣华|蒋家军|王焕|胡亚芬|王玉超|徐丽佳

四川农业大学机电工程学院，雅安625014，中国

章节摘录

材料与样品制备

在本研究中，使用了Haimai515玉米种子作为实验材料，共选取了300粒种子。为了模拟种子水分含量的自然变异，将样品随机分为五组，每组60粒。其中一组作为对照组，保持其原始水分含量而不进行任何处理；其余四组则经过控制的水分吸收过程，以扩大数据集中的水分含量范围。

高光谱反射率分析

获取高光谱图像后，首先对光谱数据进行了波段选择和预处理，以去除具有强烈边缘噪声的无效波段。最终保留了400-1000纳米波长范围内的237个连续有效波段，用于后续分析。该波长范围涵盖了可见光到近红外区域，被认为是检测水分吸收特性的最敏感光谱区域之一（Ma等人，2019年）。

实验结果

讨论

本研究提出了一种高效且非破坏性的方法，通过结合高光谱成像（HSI）和深度学习来确定玉米种子的水分含量。对各种机器学习和深度学习模型的比较分析表明，GWS-LSTM模型在预测玉米种子水分含量方面表现最佳，其在测试集上的R2值为0.978，RMSE仅为1.461%。这些结果显著优于传统的PLSR、Ridge和Lasso模型。

结论

本研究以Haimai515玉米种子为研究对象，收集了400-1000纳米波长范围内的高光谱数据。通过引入传统机器学习模型、优化这些模型并探索深度学习方法，这些方法显示出相当强的玉米水分含量预测能力。然而，其性能仍被基于深度时间神经网络的GWS-LSTM模型超越。

局限性与未来工作

由于实验限制，本研究使用的数据集在样本多样性、样本数量和地理来源方面存在不足。未来的研究应重点验证该模型在多种品种、地点和环境条件下的稳健性和泛化能力。尽管当前的GWS-LSTM模型已经表现出优异的准确性和效率，但通过高级超参数优化和进一步探索，仍有可能提升其性能。

资助

本研究得到了四川省科技支撑计划（项目编号2022NZZJ0034）的支持。

CRediT作者贡献声明

蒋家军：撰写——初稿。周荣华：正式分析。王乾龙：方法论、概念构建。甄江波：方法论。袁东宇：撰写——初稿。李梦华：撰写——审阅与编辑。库秋青：撰写——审阅与编辑。徐丽佳：资金筹集。邹志勇：项目管理、概念构建。王玉超：数据管理。胡亚芬：数据管理。王焕：正式分析。

利益冲突声明

我们声明与任何可能不恰当地影响我们工作的个人或组织均无财务或个人关系。在题为“利用基于高光谱特征的高级时间神经网络监测玉米种子水分含量的方法”的手稿中，我们对任何产品、服务或公司均不存在任何形式的职业或个人利益，这些因素可能影响我们的立场或评审结果。