Abstract

It is of great significance to identify soybean seeds with high oil content since the oil content of soybean seeds decides oil yield. At present, related researches mostly used machine learning algorithm to identify soybean varieties with small samples. In this study, 5800 spectral data samples of 58 varieties in the range of 400–1000 nm were obtained. An acceptable method that combines hyperspectral imaging with one-dimensional convolutional neural network was proposed to distinguish high oilcontent soybean seeds. Moreover, traditional machine learning models, including support vector machine, k-nearest neighbor algorithm, and partial squares discriminant analysis, were also established in the experimental study. The effects of four preprocessing methods, namely moving window smoothing, standard normal variate, multivariate scattering correction, and Savitzky–Golay, were compared when building support vector machine-based identification models. The results showed that the model using multivariate scattering correction gave better test accuracy (94.5%), indicating that for this study, multivariate scattering correction was a more suitable method than others. Meanwhile, the study compared the performance of the four models by expanding the number of samples. The results showed that the proposed one-dimensional convolutional neural network model was more stable. The average accuracy of the training set and test set was 96% and 93%, respectively. Therefore, hyperspectral data combined with one-dimensional convolutional neural network was effective in identifying soybean seeds with high oil content.

摘要

大豆种子的含油量决定着出油率，因此鉴别高含油量的大豆种子具有重要意义。目前，相关研究多采用机器学习算法对小样本大豆品种进行识别。本研究获得了400~1000 nm范围内58个品种的5800个光谱数据样本。提出了一种将高光谱成像与一维卷积神经网络相结合的可接受方法来区分高含油量大豆种子。此外，在实验研究中还建立了传统的机器学习模型，包括支持向量机、k-最近邻算法和偏平方判别分析。四种预处理方法的效果，即移动窗口平滑，标准正态变量，多元散射校正，和 Savitzky-Golay，在构建基于支持向量机的识别模型时进行了比较。结果表明，使用多元散射校正的模型给出了更好的测试精度（94.5%），表明对于本研究，多元散射校正是比其他方法更合适的方法。同时，该研究通过扩大样本数量比较了四种模型的性能。结果表明，所提出的一维卷积神经网络模型更加稳定。训练集和测试集的平均准确率分别为96%和93%。因此，高光谱数据结合一维卷积神经网络可有效识别高含油量大豆种子。在构建基于支持向量机的识别模型时进行了比较。结果表明，使用多元散射校正的模型给出了更好的测试精度（94.5%），表明对于本研究，多元散射校正是比其他方法更合适的方法。同时，该研究通过扩大样本数量比较了四种模型的性能。结果表明，所提出的一维卷积神经网络模型更加稳定。训练集和测试集的平均准确率分别为96%和93%。因此，高光谱数据结合一维卷积神经网络可有效识别高含油量大豆种子。在构建基于支持向量机的识别模型时进行了比较。结果表明，使用多元散射校正的模型给出了更好的测试精度（94.5%），表明对于本研究，多元散射校正是比其他方法更合适的方法。同时，该研究通过扩大样本数量比较了四种模型的性能。结果表明，所提出的一维卷积神经网络模型更加稳定。训练集和测试集的平均准确率分别为96%和93%。因此，高光谱数据结合一维卷积神经网络可有效识别高含油量大豆种子。表明对于这项研究，多元散射校正是比其他方法更合适的方法。同时，该研究通过扩大样本数量比较了四种模型的性能。结果表明，所提出的一维卷积神经网络模型更加稳定。训练集和测试集的平均准确率分别为96%和93%。因此，高光谱数据结合一维卷积神经网络可有效识别高含油量大豆种子。表明对于这项研究，多元散射校正是比其他方法更合适的方法。同时，该研究通过扩大样本数量比较了四种模型的性能。结果表明，所提出的一维卷积神经网络模型更加稳定。训练集和测试集的平均准确率分别为96%和93%。因此，高光谱数据结合一维卷积神经网络可有效识别高含油量大豆种子。结果表明，所提出的一维卷积神经网络模型更加稳定。训练集和测试集的平均准确率分别为96%和93%。因此，高光谱数据结合一维卷积神经网络可有效识别高含油量大豆种子。结果表明，所提出的一维卷积神经网络模型更加稳定。训练集和测试集的平均准确率分别为96%和93%。因此，高光谱数据结合一维卷积神经网络可有效识别高含油量大豆种子。