基于高光谱成像的种子发芽能力的检测方法与流程

本发明涉及农业检测，尤其涉及基于高光谱成像的种子发芽能力的检测方法。

背景技术：

1、常规种子发芽能力检测中，高光谱成像技术应用多局限于采集种子高光谱图像后，提取原始光谱反射率曲线，或通过简单微分处理得到单一阶导数曲线，以此作为特征输入分类模型。部分方法依赖人工经验筛选特征波长，结合均值、方差等统计量构建特征集，缺乏对光谱数据深层信息的系统挖掘。

2、现有技术方案存在明显缺陷。仅用原始反射率难以区分相近生化成分的光谱重叠干扰，单一阶导数虽能捕捉光谱波动但丢失静态吸收信息，特征维度单一导致种子内部细微生化差异表征不足。人工选特征易受主观经验限制，遗漏关键波长；简单统计特征无法反映生化成分间的复杂关联，使得提取的特征与发芽潜力的相关性较弱，最终影响预测准确性。

3、针对上述问题，需突破常规单一特征提取模式，同时利用吸光度与一阶导数双维度信息全面刻画种子光学特性；改变人工特征工程局限，通过专用模型自适应挖掘与种子内部生化成分直接关联的量化特征，以解决现有方法特征表征不全面、生化关联弱导致的发芽潜力预测精度不足问题。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的基于高光谱成像的种子发芽能力的检测方法。

2、为了实现上述目的，本发明采用了如下技术方案：基于高光谱成像的种子发芽能力的检测方法，包括：

3、采集待检测种子样本的高光谱图像数据立方体，基于高光谱图像数据立方体，形成种子样本的原始光谱反射率曲线，并对所述原始光谱反射率曲线进行噪声滤除和基线校正，获得平滑后的标准光谱反射率曲线；

4、基于所述标准光谱反射率曲线，计算种子样本在关键特征波长处的吸光度值以及光谱反射率的一阶导数曲线；

5、将所述关键特征波长处的吸光度值与所述一阶导数曲线输入至预设的光谱特征提取模型中，所述光谱特征提取模型用于从光谱数据中提取与种子内部生化成分相关的量化特征；

6、通过所述光谱特征提取模型的处理，输出一组多维光谱特征向量；

7、将所述多维光谱特征向量送入预先训练好的发芽能力分类预测模型，运行所述发芽能力分类预测模型，生成种子样本的发芽潜力等级预测结果。

8、作为本发明的进一步方案，所述获得平滑后的标准光谱反射率曲线，包括：

9、所述高光谱图像数据立方体包含连续的窄波段光谱图像；

10、对所述高光谱图像数据立方体进行预处理，所述预处理包括暗电流校正、白光板校正以及图像几何畸变校正，得到校正后的高光谱图像数据立方体；

11、从所述校正后的高光谱图像数据立方体中提取每个像素点在全部波段上的光谱反射率，形成种子样本的原始光谱反射率曲线；

12、采用savitzky-golay卷积平滑算法对所述原始光谱反射率曲线进行滤波处理，消除高频噪声；

13、对平滑滤波后的光谱反射率曲线进行标准正态变量变换处理，以校正样本表面散射引起的光谱基线漂移；

14、计算经过标准正态变量变换后的光谱反射率曲线的移动平均，得到所述平滑后的标准光谱反射率曲线。

15、作为本发明的进一步方案，所述采用savitzky-golay卷积平滑算法对所述原始光谱反射率曲线进行滤波处理，消除高频噪声，包括：

16、设置savitzky-golay卷积平滑算法的窗口大小和多项式阶数参数，选择适合光谱数据特性的卷积核配置；

17、在原始光谱反射率曲线上按照波长顺序滑动所述卷积核，对每个波长点及其相邻波长点的反射率数值进行多项式最小二乘拟合；

18、通过所述多项式拟合计算每个波长点的平滑反射率值，替换原始光谱反射率曲线中的噪声数据点；

19、对平滑处理后的反射率曲线进行边界效应校正，采用镜像扩展方式处理曲线两端无法完整卷积的波长点；

20、计算平滑前后光谱反射率曲线的残差平方和，验证高频噪声的消除效果，当残差平方和低于预设阈值时完成滤波处理。

21、作为本发明的进一步方案，基于所述标准光谱反射率曲线，计算种子样本在关键特征波长处的吸光度值以及光谱反射率的一阶导数曲线，包括：

22、根据已知的种子内部关键化学成分的吸收峰波长，确定一组所述关键特征波长；

23、根据所述标准光谱反射率曲线，读取在所述关键特征波长处的光谱反射率数值；

24、依据比尔-朗伯定律，将所述关键特征波长处的光谱反射率数值转换为对应的吸光度值；

25、采用差分方法对所述标准光谱反射率曲线进行求导运算，计算出光谱反射率随波长变化的一阶导数曲线，具体包括：

26、对所述标准光谱反射率曲线按波长顺序进行等间隔采样，获取离散的光谱反射率数据点序列；

27、采用中心差分算法计算每个波长点处的一阶导数值，对于序列两端的波长点采用前向差分和后向差分算法进行处理；

28、将相邻波长点之间的反射率差值除以对应的波长间隔，得到每个波长点处的导数值；

29、对所有波长点的导数值进行三次样条插值处理，生成连续的光谱反射率一阶导数曲线；

30、对生成的一阶导数曲线进行滑动平均滤波，消除因噪声放大导致的异常波动点。

31、作为本发明的进一步方案，所述光谱特征提取模型的构建过程包括：

32、收集已知发芽能力等级的标准种子样本，获取其标准光谱反射率曲线；

33、对所述标准种子样本的标准光谱反射率曲线进行主成分分析，提取前若干个主成分载荷；

34、分析所述前若干个主成分载荷的权重分布，识别出对主成分贡献最大的特征波长区域；

35、基于识别出的特征波长区域，设计特征提取算子，所述特征提取算子包括计算特定波段范围内的吸光度积分值、光谱反射率比值以及反射率波形包络面积；

36、将所述特征提取算子集成封装为所述光谱特征提取模型。

37、作为本发明的进一步方案，通过所述光谱特征提取模型的处理，输出一组多维光谱特征向量，包括：

38、应用所述光谱特征提取模型中集成的特征提取算子，对输入的所述标准光谱反射率曲线进行计算；

39、分别提取在可见光波段的反射率峰谷差值、在近红外波段的吸光度积分值以及特定两个波长点处的光谱反射率比值；

40、将所述可见光波段的反射率峰谷差值、所述近红外波段的吸光度积分值和所述特定两个波长点处的光谱反射率比值合并，形成所述多维光谱特征向量。

41、作为本发明的进一步方案，应用所述光谱特征提取模型中集成的特征提取算子，对输入的所述标准光谱反射率曲线进行计算，具体包括：

42、调用波长区域定位算子识别标准光谱反射率曲线中的特征波段范围，包括可见光区域和近红外区域；

43、在可见光区域应用峰值检测算子定位反射率曲线的局部极大值和极小值点，计算相邻极值点之间的差值作为反射率峰谷差值；

44、在近红外区域应用积分计算算子对吸光度曲线进行数值积分，得到吸光度积分值；

45、调用比值计算算子提取特定两个波长点处的反射率数值，计算其比值作为光谱反射率比值；

46、将计算得到的反射率峰谷差值、吸光度积分值和光谱反射率比值组合为特征向量。

47、作为本发明的进一步方案，所述发芽能力分类预测模型的训练过程包括：

48、准备训练样本集，所述训练样本集包含多个已知发芽能力等级的种子样本及其对应的多维光谱特征向量；

49、将所述训练样本集随机划分为训练子集和验证子集；

50、使用所述训练子集对支持向量机模型进行训练，通过网格搜索法优化支持向量机模型的核函数参数与惩罚因子；

51、利用所述验证子集评估训练后的支持向量机模型的分类准确率，并根据评估结果调整模型参数；

52、当所述支持向量机模型在验证子集上的分类准确率达到预设阈值时，固定模型参数，得到训练好的所述发芽能力分类预测模型。

53、作为本发明的进一步方案，在运行所述发芽能力分类预测模型之前，还包括对所述多维光谱特征向量进行归一化处理的步骤：

54、计算训练阶段获得的各维度光谱特征向量的均值与标准差；

55、针对待测种子的所述多维光谱特征向量，使用所述均值与标准差对其进行z-score标准化处理；

56、将标准化处理后的多维光谱特征向量输入至所述发芽能力分类预测模型。

57、作为本发明的进一步方案，从所述校正后的高光谱图像数据立方体中提取每个像素点在全部波段上的光谱反射率，形成种子样本的原始光谱反射率曲线，还包括：

58、利用图像分割算法从所述校正后的高光谱图像数据立方体中识别出种子样本所在的图像区域；

59、在识别出的种子样本图像区域内，选取包含种子胚芽和胚乳的核心区域像素点；

60、计算所述核心区域像素点在每个波段上的平均光谱反射率，以所述平均光谱反射率作为代表所述种子样本的光谱反射率；

61、将每个波段上的平均光谱反射率按波长顺序排列，形成所述种子样本的原始光谱反射率曲线。

62、与现有技术相比，本发明的优点和积极效果在于：

63、同步提取关键特征波长处的吸光度值与光谱反射率一阶导数曲线作为输入特征。吸光度反映种子对特定波长光的吸收强度，直接关联内部生化成分浓度；一阶导数曲线捕捉反射率随波长的变化速率，揭示光谱细微波动中的成分结构差异。二者结合形成静态吸收与动态变化的双维度特征，较常规单一反射率或导数特征，能覆盖更多生化信息维度，使输入数据的表征能力增强，为后续分类预测提供更丰富的原始依据。

64、采用预设的光谱特征提取模型提取种子内部生化成分量化特征。该模型专为光谱数据与生化成分的关联设计，直接处理双维度输入，通过自适应学习挖掘隐含于吸光度及导数曲线中的量化特征，替代人工选波长与简单统计。相比常规特征工程，模型输出的多维光谱特征向量更具生化针对性，特征与发芽潜力的相关性提升，使分类预测模型能更精准识别种子内部状态差异。