研究目的
利用高光谱成像结合多线性判别分析对玉米种子品种进行分类，以评估种子纯度。
研究成果
结合组合特征的MLDA方法为种子分类提供了有用信息，并减少了维度灾难的发生?；贛LDA波长选择算法的LS-SVM分类模型在相同波长条件下，相比UVE和SPA方法实现了更高的分类准确率。该方法展现出种子品种在线鉴别的应用潜力。
研究不足
该研究的局限性在于在线应用中图像采集与处理的速度限制，以及分类模型因冗余特征而可能存在的过拟合风险。
1：实验设计与方法选择：
采集了1632粒玉米种子（17个品种）在400至1000纳米波段的高光谱图像。提取了包括一个光谱特征和13个成像特征在内的十四个特征。开发了多线性判别分析（MLDA）算法用于波长选择及特征转换/降维。采用最小二乘支持向量机（LS-SVM）进行分类。
2：样本选择与数据来源：
使用17个品种共1632粒大小均匀且无明显缺陷的玉米种子。
3：实验设备与材料清单：
高光谱成像系统，包含图像采集单元、光源、样品输送平台和配备数据采集控制软件的计算机。
4：实验流程与操作步骤：
获取高光谱图像并进行校正处理，完成特征提取、预处理及整合。应用MLDA算法实现特征转换/降维，构建LS-SVM模型进行分类。
5：数据分析方法：
基于光谱特征、成像特征及其组合构建的LS-SVM模型评估分类准确率。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Hyperspectral Imaging System
1003A-10140 HyperspectralTM VNIR C-Series
Headwall Photonics Inc.
Acquiring hyperspectral reflectance images from maize seeds.
-
CCD Camera
Pixelfly QE IC*285AL
Cooke
Capturing hyperspectral images.
-
Light Source
150 W EKE, 3250 K
Techniquip
Providing illumination for hyperspectral imaging.
-
Sample Conveying Platform
VT-80
Micos
Conveying samples for imaging.
-
登录查看剩余2件设备及参数对照表
查看全部
