农作物种子纯度高光谱图像检测技术研究

The seed purity is one of the most important quality parameters and the primary reference standard for seed grading and sorting. It is urgent to develop a rapid and nondestructive method for detecting seed purity. Conventional methods for seed purity can not provide comprehensive feature information, and have a low accuracy in classification. This study is focused on the detection of seed purity using hyperspectral imaging to achieve multi-wavelengths extraction including the seed morphological, structural and chemical information. A multi-wavelengths fusion model is also developed to improve the detection accuracy and robustness of seed purity classification models. The main work includes (1) A region active contour model is adopted for image segmentation；(2) Wavelet analysis, gray level concurrence matrix and information entropy techniques are used for the original features generation；(3) Boostrap resample and supervised manifold learning algorithms are developed for feature selection and nonlinear fusion；(4) Support vector data description and tolerance granular space model are investigated to develop the classification models for seed purity.This advanced technique would improve the accuarcy of automatic detection of seed quality in China, which can not only enhance the profitability of agriculture, but also increase the competitive advantages of seed industries over the world.

种子纯度是种子质量的重要参数，是评定种子等级的主要依据。研究快速、无损的种子纯度检测方法已成为一个亟待解决的课题。项目针对传统检测方法存在的分类特征信息不足，分类器精度难以保证问题，拟将高光谱图像技术引入到种子纯度检测领域，实现种子形态学、结构和化学特征信息的多波段提取；并构建基于相容粒度空间的种子纯度多波段融合识别模型，提高检测精度和识别模型的稳健性；在此基础上，形成基于高光谱图像技术的农作物种子纯度无损检测方法体系。研究内容包括：（1）基于区域主动轮廓模型的种子高光谱图像区域分割；（2）基于小波分析、灰度共生矩阵、信息熵等技术的种子原始特征参数生成；（3）基于Boostrap重采样和流形学习算法的特征选择和融合；（4）基于相容粒度空间模型和支持向量数据描述的种子纯度检测分类模型。本项目研究成果对提高我国种子质量自动化检测水平，促进农业增收和改善我国种子企业的竞争力具有重要意义。

项目针对传统检测方法存在的分类特征信息不足，分类器精度难以保证问题，将高光谱图像技术引入到种子纯度检测领域，实现种子形态学、结构和化学特征信息的多波段提取；并构建种子纯度多波段融合识别模型，提高检测精度和识别模型的稳健性；在此基础上，形成基于高光谱图像技术的农作物种子纯度无损检测方法体系。研究内容包括：（1）在高光谱图像处理方面的研究工作。探究了图像采集和校正方法；探究了不同的预处理方法对模型的影响，如基线补偿（BOS）、去趋势（DET）、多元散射校正（MSC）、标准正态变量（SNV）、SG导数（SG Der）；探究了不同的图像分割方法，如基于平均灰度值的ROI自动提取方法、基于区域主动轮廓模型（Active Contour Model，ACM）的图像分割算法、自动阈值法；探究了不同的图像特征，包括光谱特征和图像特征，图像特征又包括形状特征和纹理特征，如光谱特征有最大值、最小值、均值、标准差、能量、熵特征，形状特征有面积、周长、长轴、短轴、离心率、当量直径、长宽比、圆形度、矩形度、内切圆半径、离散度、紧凑度，纹理特征有角二阶矩、熵、能量、一阶统计量和二阶统计量等；（2）在高光谱图像波段选择中所做的研究工作。探究了连续投影算法（SPA）、无信息变量消除法（UVE）、联合偏度（JS）波段选择、局部学习算法、三角模糊理论的熵属性约简算法（FRSTCA）；（3）在种子纯度检测模型方面的研究工作。探究了支持向量机（SVM）模型、支持向量数据描述（SVDD）模型、偏最小二乘支持向量机（LSSVM）模型、偏最小二乘判别法（PLSDA）模型；（4）在种子纯度检测模型更新方面的研究工作。提出了基于预标签的模型更新算法、基于支持向量数据描述算法（SVDD）和最小二乘支持向量机算法（LSSVM）的种子纯度识别模型更新方法、基于聚类算法的模型更新、主动学习算法（AL）、大间隔直推式支持向量机（LMPROJ）。