文摘

提高生产率的农业生产,速度和准确性的关键需求是长期经济增长,竞争力,和可持续性。传统手工水稻种子分类操作是昂贵的和不可靠的,因为人类决策识别对象和问题是不一致的,主观的,缓慢的。机器视觉技术提供了一种替代方法自动化过程,无损,节省成本,快速、准确的技术。在这项工作中,我们提出了一个研究,利用机器视觉技术对14个栽培稻水稻品种进行分类。使用的每个品种3500多个种子样本,共计近50000的种子。有三个主要过程,包括预处理、特征提取和水稻品种分类。我们开始第一个进程使用种子取向的方法,种子的身体在同一方向保持一致。接下来,一个质量检测方法应用于检测不寻常的物理种子样本。他们的物理信息,包括形状、颜色和纹理属性提取数据表示的分类。四个方法(LR, LDA、事例和SVM)统计机器学习技术和五个pretrained模型(VGG16, VGG19, Xception、InceptionV3 InceptionResNetV2)的深度学习技术应用分类性能比较。 In our study, the rice dataset were classified in both subgroups and collective groups for studying ambiguous relationships among them. The best accuracy was obtained from the SVM method at 90.61%, 82.71%, and 83.9% in subgroups 1 and 2 and the collective group, respectively, while the best accuracy on the deep learning techniques was at 95.15% from InceptionResNetV2 models. In addition, we showed an improvement in the overall performance of the system in terms of data qualities involving seed orientation and quality screening. Our study demonstrated a practical design of rice classification using machine vision technology.

1。介绍

亚洲栽培稻,大米,是一种流行的各种大米生长在世界各地的许多国家。它分为2亚种根据气候条件,包括籼稻和粳稻。泰国的大米是一个籼稻品种,适应潮湿的热带亚洲地区(印度、中国南方、越南、泰国、缅甸、等)(1,2]。这个世界需要每年一亿吨大米。泰国是全球第二大出口国的大米和农业工作的大约40%的泰国人是种水稻的农民。泰国有不同的气候条件,使全国水稻品种的遗传多样性。泰国17000多个品种的水稻品种,这是政府的责任下大米。该机构最重要的任务之一是控制稻米品质。污染导致许多问题,如各种杂质,水稻突变,或杂交,这可能会导致低质量生产。在传统的方式中,污染的检查种子培育水稻专家已经完成。水稻种子非常小,有时模糊对每种类型之间的差异进行分类。专家利用个人能力考虑形态结构,形状,纹理和颜色的许多地方种子做出决定。 In the examination, they classified a specific type of rice seeds from a specific locality. Firstly, they put seed samples, which are supposed to be the same type on a table and examine them with tools such as a large magnifying glass, an illumination, and forceps. Then, they try to find and bring out seeds with different physical characteristics, which are contaminated seeds from other types. With the limitations of being human, a large number of seed inspectors take quite a long time in the process because it is difficult for the human eyes to find small differences in one seed among many seed samples.

在过去的十年中,计算机视觉已广泛应用于各种领域。几种方法在计算机视觉领域已经从统计方法深度学习的方法,因为它提供了更大的精度检测和图像识别等任务的对象。这项技术可以帮助计算机科学家在各领域的快速发展任务。它可以自动学习功能从给定的数据,而传统的机器学习方法需要功能工程一次。它可以处理数据的可变性和偏差是非常相似的。然而,深度学习技术相当复杂。它有一个大的网络结构,需要大量的训练数据,浪费时间,和高性能计算资源。在这项工作中,我们尝试用分类方法相比,水稻品种和分类之间的表演传统的机器视觉方法和深度学习方法。

2。相关的工作

农业机器视觉应用中,与稻米品质检查和评分,回顾和总结(3- - - - - -5]。有各种各样的大米质量检验领域的相关工作。测量稻米品质糙米和处理水稻种子,取决于使用的目的。以下作品呈现的质量检验方法糙米粒或精米。HerathRavi和德·梅尔(6]分析了四个水稻品种完全不同的形状和颜色。一些以前的作品7- - - - - -9)旨在谷物混合与其他缺陷。

他们研究了各种谷物缺陷,如打破,白垩,受损的种子,和不适当的元素。叛逃的谷物需要的纯度检测和分类来估算水稻粮食。华et al。9)提出了一个基于事例的图像处理技术分类和评估三个类为每个类)(30图像。其他一些研究[10- - - - - -13)强调检测出现了粮食的白色。惨白的一粒一粒是一个内核部分不透明或乳白色。白色的程度是评估过程的一个重要指标。米粒与高度的白垩质倾向于打破在铣削过程中,这将影响他们的味道。

引用的作品(8,14,15)关注分类糙米质量之间的大米和碎米。头水稻种子长度等于或超过四分之三的平均,长于碎米。两种大米的数量是衡量糙米质量的标准之一。在[14),他们研究了帮助员工区分头大米和碎米粮食来评估不同的稻米标准。姚明et al。(8)处理水稻谷粒的500头和500 5了米粒大米内核品种。Zareiforoush et al。15]应用四个统计分类技术在四个不同类型的糙米铣的程度进行分类和米粒的长度。

在上面的文章中,他们专注于糙米质量检查。描述的研究后,他们集中在水稻种子检查,检查目标一样在我们的工作。他们试图识别水稻品种之间的差异与对象分类技术。这种技术的难度取决于复杂的物体的形状和类型的对象的数量分类。有许多类型的对象会增加每个类型之间模棱两可的机会。许多研究研究3到6米物种之间虽然只有郭等人的研究。16研究了30种。

Anami et al。17)是唯一的研究,提出了一个粗略的稻米品质的评估而不是一粒的分类。他们试图掺假的级别分类的图像混合大部分水稻样品之间掺假的10 - 30%的水平。Watanachaturaporn [18)采用了一个象征性的回归算法找到解析表达式来单独考邮政马里105 (KDML105)大米从三个类似的水稻品种。他们的工作研究了总共800张图片。郭et al。16)提出了区分sparse-representation-based分类三十多粒稻米品种。他们的过程需要分析高分辨率图像通过一个强大的光学显微镜的放大。他们可以更详细地检查样品的外观特性特征的谷物的身体和部分(如外壳、无菌的前题和刷)。他们的实验评估50图像的每个硬币和收到89.1%的整体精度。然而,显微镜是一个大型的、繁琐和昂贵的设备。它还需要仔细样品制备在显微镜前把米粒。阿卡纳et al。19]建议的方法来提取新的角特性、复合和前后轴角度、分配分类四个水稻品种。融合特性可能会增加精度从95.2%到97.6%在评估164年水稻种子的图像通过使用反向传播网络分类。

许多研究[20.- - - - - -22)提出了水稻种子分类技术从高光谱成像系统分析信息。高光谱成像提供了一个广泛的电磁波谱更高的细节空间特定的光谱之间的关系。它适合于分析表面的材料。另外,很多人注意不仅传统分类技术,而且深度学习技术(CNN)。Vu et al。22)利用高光谱图像数据从一个近红外相机6常见的水稻种子品种进行分类和评估每个品种和648年108个种子的种子在所有品种使用SVM和随机森林分类技术。发现结合光谱和shape-based属性来源于水稻种子可以提高精度为84%,比例为74%时只使用视觉特性。

林等。23)提出了两种技术之间的比较,CNN和传统方法,区分米粒之间的三种不同形状(媒介,圆,长粒)。他们研究了5554个图像用于校准和1845图像验证目的。实验调整训练参数,如批量大小和时代在CNN的方法。他们还进行了一项实验:使用传统的统计方法,得到了分类精度从92%到89不等。另一方面,这个实验使用CNN方法给了分类精度95.5%,高于传统方法。Chatnuntawech et al。20.)使用受益于高光谱成像和CNN之间的协同作用。实验2组数据,组成的232个样本从六种糙米和414四种水稻样本。该方法的准确性为86.3%。相比,79.8%从支持向量机技术在水稻种子获得数据集,而另一组是略有不同的准确性。邱et al。21)确定4个水稻品种种子使用光谱成像与三种机器学习方法,即基于事例,支持向量机,CNN。实验研究了在两个不同的光谱范围,和训练样本的数量是不同的。采用高光谱相机处理这个问题在许多研究水稻品种分类。然而,仪器昂贵和复杂。而且需要一个快速的电脑,敏感的探测器,和大型数据存储功能。

从上面的文献调查,大多数研究发现水稻种子从几个物种。此外,他们研究了只有少数十图像样本或几百图像的水稻品种。数量有限的样本可能导致数据偏差,和足够的变化可能会导致训练模型不是一般足够的实际用途。

3所示。提出的方法

在这项工作中,我们提出了一个水稻种子质量检验的技术研究评估泰国超过14种水稻,如图1。流行和经济潜力大米样本选择和支持的泰国大米。我们分析了3500多个图像在每个物种种植各种来源。本研究旨在依据原型的大米分级机(24),目前正在开发。硬件包括一个托盘输送种子,摄影的一部分,contaminated-seed探测器和contaminated-seed消除部分。因此,许多粮食样本收集覆盖每个水稻物种的多样性评估的潜在或限制来自每一个水稻品种分类的效率。我们计划在未来的努力改进技术。

我们的水稻品种分类过程包括以下步骤:面向对象对齐种子图像在同一方向,图像筛查异常/不/异常的种子或倾斜的种子,为检索物理种子性质特征提取,水稻品种分类。系统概述了在图2。分类性能的评估是通过比较传统的机器学习和深度学习技术。我们调查每一个水稻品种的性能在两个子组和集体组织。我们也提出了初步结果等数据质量方面的质量检查和种子取向。平板扫描仪被选中,因为它是能够获得大样本数据一箭。此外,这是一个合理的价格和可接受的图像数据质量。

4所示。材料和方法

4.1。样品制备

水稻种子的样品(如图14个品种1),从各省在泰国以覆盖不同的角色,不同取决于生产环境和地区,泰国大米部门提供的。样本准备,只有完整的种子被选,由水稻专家部门。

4.2。训练图像采集

每个训练图像的水稻种子收购与一个特殊的盒子托盘扫描仪,这可能水稻种子样本,通常每人大约单独调整每个种子水平对齐如图所示3(一个),因为一颗种子并没有水平(图3 (b))没有正确显示所有种子的特性。水平的种子,没有铺设,倾斜。倾斜的例子如图种子3 (c)。获得的图像重新核对摆脱图像包含多个种子和图像水平种子不合理对齐。每个输入图像对象地区被应用背景差分提取使用大津阈值方法。然后,椭圆拟合与对象轮廓被用来计算对象的坐标近似椭圆长轴和短轴的大小值。如果对象大小变化很大的平均大小,确定图像中的物体在水平方向不合理对齐。

4.3。预处理

在得到一个种子,这部分处理制备高质量的种子图像,由两部分组成:种子校准和种子质量检测。

4.3.1。种子取向/对齐

这个过程检查和种子的身体旋转到水平轴方向,以便所有种子的头尾方向将在同一个方向一致。在同一个方向排列简化特征提取和分析数据。这个过程是必要的,因为粮食可能移动或在扫描偏差。过程的细节描述如下:

种子图像处理是基于对象的轮廓坐标因此图像需要旋转和翻转,这样形象出现示意图如图所示3(一个)。种子头指着左边尾指向右上角。调整对齐后,形状特性,表达了头和尾巴被部分中描述的方法很容易提取4.4。

每个对象轮廓点之间的距离和物体质心计算。头,尾点被定义为尖点,这是点离你最远的质心和点本地离你最远的另一侧上的重心。一个常见的水稻种子的物理形状如图4。头的形状通常有一个相对对称的角落。相比之下,在尾巴的形状有一个不对称的角落,可能有两个小角落由于引理的结构部分笼罩着内稃。结果,头尖点可以确定通过计算对象尖点附近区域,红色三角图所示4,通过比较他们的大小。头点确定后,大米图像可以旋转的左边的点是图像和头点和重心之间的界线是平行于轴在图像如图3(一个)。

4.3.2。种子质量检测

是很重要的,输入数据图像高质量,因为我们处理很多图片和大样本集合。交付的不恰当的数据分析系统中应该避免。有两种类型的种子样本数据准备过程中,应该被丢弃。局外人种子,第一种是由原料本身,另一类型,倾斜的种子,是一个错误的过程种子扫描过程。(1)例外是水稻种子,种子已从标准的一个不同的形状,例如,很长的尾巴,大裂缝,污迹斑斑的皮肤。局外人种子样品图所示5(2)倾斜的水稻种子,种子椭圆形看横向比较。它可能倾斜时的平面扫描仪。倾斜的种子是如图的例子3 (b)和3 (c)

种子质量检测过程检查描述为以下两种情况。

我们提取特征(形状、颜色和纹理部分中给出4.4)从每个样本和使用DBSCAN的特性作为输入数据的技术,最受欢迎的集群技术,从样本数据来检测异常值。DBSCAN使用density-based多维数据的聚类算法来检测异常。该算法识别和聚集在一个高密度区域分开在两个参数,一个低密度区域eps(附近区域的半径),MinPts(最小数量的点)。点决定作为一个集群地区只比MinPts如果有更多的邻居,在eps。否则,一点不满足条件定义为局外人的观点。在倾斜的情况下,种子的形状有更多独特的特征比局外人的不同形状的种子。大部分的倾斜种子更对称的形状比种子沿着身体的水平。在这里,形状特性的支持向量机技术应用于解决这个问题。创建一个分类模型来确定种子类型倾斜的种子和水平之间的种子。

4.4。特征提取

不适当的样本筛选后之前的过程,一个合适的种子样本图像旋转方向相同,容易促进提取数据特征种子的身体的各个部分。

4.1.1。形状

我们使用基本的物理形状特性称为(25]。提取的值如下所示。

C从方程1 =循环计算,而一个=对象区域和P周长=对象。

R=圆度和有限公司从方程(=密实度计算2),而D_马克斯最大直径=对象。

从方程(形状因子计算3)。F₁=形状系数1,F₂=形状因子2,F₃=形状因子3,d₁=长轴长度和d₂=短轴长度。

F_一个从方程(=区域因素是计算4)当一个_船体=对象凸包区域显示为一个区域被红线图6(一)。

边坡因素从轮廓像素坐标计算。对象分为相等的部分。从实验中,决心是9。左边的点对象的代表点P_头,点右边的对象代表了尾巴P_尾巴,粉红色的点在图所示6 (b)。我们定义年代_上n= n斜率因子上,年代_较低的n= n斜率系数较低,P_上n= n划分点轮廓上(蓝色点),和P_较低的n= n划分点轮廓较低的一侧(绿点)。当 ,

图6 (c)显示的例子年代_尾巴,尾巴坡度因素。问_中期n将对象划分为= n点N_尾巴对象上的等量中线显示为“绿线”。的例子问_中期n红点所示。对象中线,l_中期从薄对象,计算区域。问_上n(蓝色)问_较低的n(绿点)计算相同的方式问_中期n使用对象上下轮廓线来代替l_中期。N_尾巴是通过实验确定为21。当 和实验确定是7。而 ,年代_tailpos米和年代_tailavg计算在方程(7)和(8)。

我们也使用对象轮廓形状直方图180度在尾尖形状的因素。示例如图7。从这个柱状图,我们计算一个头发尾尖频率值和用作另一个特点。

10/24/11。颜色

我们使用下面的计算和颜色特征RGB颜色空间对象区域中的每个像素的颜色值。当 和p_颜色(x,y)=像素值的颜色对象坐标( )和是对象的像素的数量。我们使用下面的特征为每个颜色。

我们也用颜色直方图在RGB颜色空间颜色分布对象表示。

4.4.3。纹理

我们应用枸杞多糖(局部二进制模式)26)灰度对象图来提取纹理特征,代表每个像素邻域像素强度强度差别。

枸杞多糖的价值观被宽容的亮度差异。最后,计算出的LBP直方图作为特征向量。

另一组纹理特征计算应用灰度共生矩阵建立从(灰度同现矩阵)。应用灰度共生矩阵建立正常化对象图像通过使用,应用灰度共生矩阵建立的矩阵,每个像素的值 ,在哪里一个_我,j=数量的邻居与中心像素值,我和邻居像素的值j。应用灰度共生矩阵建立的矩阵P成员p(我,j),我们计算对比,相关性,同质性、熵,并不同,如下所示。

4.5。分类

在经典的机器学习和深度学习的技术技术应用于评价水稻品种分类的效率。

4.5.1。统计分类方法

在机器学习技术,功能描述部分4.4可以识别和提取像素值,位置定位、颜色、纹理和形状。有四种分类方法,包括LDA, LR,事例,支持向量机在这个评估。在这个过程中,主成分分析(PCA),降低维度的研究算法,应用于提取的特征减少冗余和不相关的功能不会造成数据丢失。PCA变换原始数据到一个新的子空间的投影少维度同时保存最重要的原始数据。在每个方法估计性能,平均精度估计K-fold交叉验证。这是给我们的模型应用在多个train-test分裂火车的机会。随机分为数据集集与近似等于大小。性能计算会重复多次使用k−1集在训练和其余集进行测试。

逻辑回归(LR) [27)是最流行的算法之一,广泛用于分类问题。这项技术是一个预测分析算法和基于概率的概念。这项技术可以通过预报函数映射预计值,定义为s形的函数,返回一个概率得分在0和1之间。

线性鉴别分析(LDA) (28]是一个泛化的Fisher线性判别方法用于统计、模式识别和机器学习。乔治是一个线性变换技术项目数据到一个低维子空间,最大化多个类之间的分离。它使用贝叶斯定理来估计概率。LDA假定正态分布对于每个类,职业专用的意思是,和常见的方差。

再邻居算法(事例)29日)已经广泛应用于分类问题因为它是简单,有效,非参数方法。策划所有样品超空间和环境k作为一个数字,事例的使用k最近的邻居来决定哪个类是新的未知类别样本点属于。它计算未知样本之间的距离和预定义的训练集的样本。因此,基于事例需要定义k最近的训练集样本。这个过程开始寻找最接近的k根据欧氏距离。新的未知样本类被分配为同一个类的最周围的点。

支持向量机(SVM) (29日)分类器是最有效的机器学习算法之一,广泛用于模式识别。该算法找到最优超平面,最大化两个类之间的差距。支持向量机可以有效地执行一个非线性分类使用核函数将数据变换到高维特征空间。在这项工作中,我们使用一个受欢迎的RBF(径向基函数)内核函数,因为它表现良好的性能在各种各样的问题。有两个参数来确定支持向量机模型中,C和γ。得到最好的模型,最优值C和γ参数的内核可能是由使用网格搜索和交叉验证。

4.5.2。深度学习

最近,一个卷积神经网络(CNN),被称为深度学习(30.),被用作流行和有效的图像分析方法。深度学习技巧可以学习高级特性直接从输入图像数据在许多隐藏层的网络体系结构。CNN依赖大量的参数,需要调整达到一个最佳的解决方案。在本文中,我们使用卷积神经网络,这是组合的图像卷积和深层神经网络分类算法。我们使用网络,训练有素ImageNet大打开图像数据,由于其在图像分类的能力。ImageNet [31日)项目是一个大型视觉数据库为视觉物体识别软件设计的研究。模型训练ImageNet可以分类图像中1000班的真实世界的图像。这使得一个强大的和广泛使用的最新的计算机视觉研究。在这种技术中,我们研究了一些流行的网络训练与5 pretrain ImageNet数据模型包括VGG16 VGG19 [32],Xception [33],InceptionV3 [34],InceptionResNetV2 [35]。下面将描述网络的细节。

VGG是一个统一的架构。VGG16 VGG19由13和16卷积层和结束三个完全连接层。两个网络只使用 小过滤器1步,紧随其后的是多个非线性层。有很多层,它可以从图片了解更多复杂的特性。然而,这个网络有大量的重量参数。初始网络发展的一个重要的里程碑CNN分类器。《盗梦空间》V1-V4和InceptionResNet畅销车型在彼此的差异。《盗梦空间》模块被用来作为一个多层次特征提取器的计算 , , 网络分布在同一个模块中。InceptionResNet是一个结合混合性能的ResNet(残余神经网络)。Xception [33)是一个扩展取代了标准的《盗梦空间》的《盗梦空间》的架构模块与切除可分离旋转。由于的原因,没有需要执行卷积在所有渠道,连接数的模型比之前描述的模型。

深度学习性能可以改善通过增加训练数据的数量。增强技术来增加训练数据集的大小。它提供了各种图像等功能转变,翻转,旋转,缩放,重新调节,亮度。然而,我们的研究数据已经旋转和翻转到相同的对齐。因此,我们没有使用翻转和旋转增大的过程。

5。结果与讨论

我们的工作是在Windows操作系统上处理开发英特尔酷睿i7 3.2 GHz cpu, 16 GB的Ram。由OpenCV实现在c++编程语言,Scikit-learn, Keras python库对机器学习和深入学习。深入学习技术,整个培训过程是专门在Linux操作系统上执行使用NVIDIA Tesla K80速度训练与CUDA核心图形卡24 GB的GDDR5内存。水稻种子样本放在一个特殊的托盘箱和平板扫描仪进行扫描的600 DPI分辨率。在测量种子的平均大小,大约 像素。在实验中,我们将水稻数据集分成子组分析歧义在水稻品种和分类技术的潜力。水稻品种的分类根据同一种植面积,因为他们有机会混合在一起。它可以分成三组。水稻品种在第一组(GrpI)由CNT1, KDML105, PTT, RD15, RD33 RD51, RD6。第二组(GrpII)由PSL2 RD31, RD41, RD47, RD49 RD57, SPR1。最后一组(GrpAll)是结合前两个组,总共14个品种。在每个类,超过3500的种子被拍照,和总数接近50000的图像进行了分析。这一结果部分分为三个部分,如下所示。

5.1。预处理

5.1.1。种子取向

种子定位方法中描述的部分4.3。1被用来评估20000年样本图像随机从所有品种和高达98.32%的准确率。注意到,错过的检测可以识别分为两种情况:(1)种子,而狭窄的尾巴的形状类似于头部和(2)种子均匀广泛的身体从头部到尾部。错误似乎与该方法的假设一致,这依赖于不对称比较头部和尾部形状。一般来说,对称的种子应该高于尾。因此,如果种子身体两侧有一个统一的形状,它是复杂的分析。这些种子的问题需要的附加功能,如无菌颖片的位置周围的种子身体或曲率尾巴,提高效率。

5.1.2中。离群值和倾斜种子筛选

毕竟种子图像在同一方向旋转,图像有一个不规则的(异常)或倾斜形状外观从数据集被丢弃。

在局外人的种子,我们应用DBSCAN技术从形状上执行所有功能,颜色和纹理。2的参数值(eps和MinPts)算法的调整。在这项实验中,每股收益和MinPts值定义的范围从0.2到10和4到20,分别。每股收益0.6 - -1.2之间发现了一个最优值范围和MinPts 10 - 15,这提供了一个独立的能力只有一半总额的离群值。大部分的种子分开有一个截然不同的形状,在大小和形状方面,如超过正常的种子,长尖的尾巴,和大裂缝或污迹。然而,这些类型的种子是在一个小的比例只有1.6%,因为数据库是凯利的种子质量控制。实际上,这群种子自然不可避免的存在。在未来,如果有足够的这些类型的种子,它将进一步研究。

在倾斜的种子,它有更多的对称形状的身体长度比水平铺设的种子。在这里,我们创建了一个分类模型来确定种子的类型之间的倾斜和水平种子,种子使用形状特征和支持向量机技术。共有10000个种子取样比例的所有类的划分70:30为训练集和测试集。我们获得了模型精度达到96.98%。重新审视是利用图像和大约10%的倾斜的种子从数据中删除。然而,在这种情况下,我们进一步测试假说通过500个样本放在一个弯曲的托盘和手工计算这些种子。我们发现倾斜的比例只有2%出现在这个小数量的样品。因此,如果我们使用弯曲的容器在分级机的设计设备,它将有助于减少这个问题。

我们还研究了废弃的影响种子在不同水稻品种的分类性能。测试前后性能对比效率混合这些种子是证明了支持向量机方法和评估在GrpI和GrpII数据集。在数据集,这些种子混合在每个不同水稻品种的比例。离群值的总数是714种子,其中GrpI和GrpII比例为53.4%和46.6%。此外,我们有4265个倾斜的种子,在GrpI GrpII比例的37.3%和62.7%,分别。在GrpI,效率利率之前和之后过滤这些种子从数据集分别为87.90%和89.2%,而在GrpII,效率率分别为80.99%和84.31%,分别。我们发现不同的两组的平均精度下降了2 - 3%。影响最大的前三个水稻品种RD57, RD49, PSL2 GrpII,减少4 - 7%。尽管人眼觉察到这些种子检验时不合适的分类,种子的物理特性仍有一个独特的品种差异表象。平均精度降低了只有几个百分点,并非按照比例这些丢弃的种子,高达10%。

5.2。分类结果统计技术

种子对象后在水平方向上对齐,对象的物理特征信息提取采用该方法中描述的部分4.4。应用主成分分析(PCA)后来获得功能的重要功能维度。在分类过程中,一些数据被丢弃的种子筛选过程,导致不同比例的样本数量的每个类。因此,我们将样本根据类的数目最少的样本提供平衡的信息。这些样本将被随机分配按相同比例每类和2900个样本分为训练集和验证集的比例为80%和20%,分别。分类模型的性能使用5倍交叉验证和混淆矩阵被认为是处理步骤。

在分类与事例中,我们使用欧几里德距离作为距离5到45之间的函数和优化k参数范围(5、10、15…,45岁)。我们发现 从我们的实验是最好的准确性得到。对于支持向量机分类方法,网格搜索范围的每个参数 和 。实现最高精度 和 。因此,我们基于这些参数进行实验,使精度最高。

表1显示了性能比较的四个分类技术在使用主成分分析在不同的值。效率的所有3组的水稻品种,我们发现所有分类方法的准确性,根据PCA增加趋势日益增多,这是没有什么变化在PCA等于350。LR和LDA方法开始在一个更低的利率比SVM方法但倾向于增加更清楚比SVM在PCA增加。的准确性事例的方法改变了只有2 - 3%尽管PCA更高。GrpI的性能更好的准确性比GrpII,虽然GrpAll分类所有14水稻品种是GrpII接近。支持向量机方法取得了2 - 3%的准确率高于LR和LDA方法和17 - 25%高于事例的方法。在所有研究方法,最好的准确率600年支持向量机技术在PCA为90.61%,82.71%,83.9%,GrpI, GrpII和GrpAll分别。

每组结果分类混淆矩阵,从支持向量机方法获得,如图所示8(一个)- - - - - -8 (c)。在图8(一个)在GrpI前三个水稻品种,获得高准确率RD6高达99.14%,两对品种,包括(CNT1和PTT)和(RD33和RD51),准确率为96.2 -96.55%和88.98 -88.28%,分别。RD15是水稻物种似乎模糊RD33和RD51为6%。在图8 (b)前3个品种,给最好的识别RD47, RD49,和RD41为91.74%,90.53%,和89.29%的准确率,分别,而RD31最严重的是分类(66.38%)。RD31的三个品种,RD57 SPR1是最模糊的介于9.0 - -16.03%之间。在图8 (c)精确率保持在83%关闭的GrpII尽管GrpAll水稻品种14物种的数量。这个实验表明GrpI和GrpII有一些相互依赖相对较低的模棱两可的范围在1 - 4%之间。与低准确率有4个品种,包括RD31 RD15, RD57,和SPR1非常模棱两可的共有14个水稻品种的研究。他们的精度介于68.33 - -77.55%之间。混淆矩阵,我们可以看到RD31 RD57之间是一个模棱两可的物种和SPR1假阳性预测结果在10.67%和14.63%,分别。

5.3。从深度学习方法分类结果

水稻品种的分类性能,在本节中被使用深度学习的技术评估,它有一个复杂的网络结构和许多可变因素。训练一个分类模型技术花了好几天的过程,与统计技术只需要几个小时。因此,本研究提出了一个性能只有在GrpAll由于处理时间的限制。在这个测试中,我们采用了网络体系结构与重量训练ImageNet,即VGG16, VGG19, Xception InceptionV3, InceptionResNetV2。在这个实验中,一个图像的大小 像素,和时代的数量等于200,曾训练时间不足以表达的趋势表现在整个训练数据集。我们还定义了冻结层的数量模型。这个冻结有关防止网络层权重被修改。如果模型没有冻结层,这意味着网络层的重量是修改和较长的训练时间。此外,我们还研究了数据质量因素影响的性能模型的精度和训练时间的持续时间,如种子的方向和图像大小用来训练模型。

我们做了一个实验训练深度学习模型的权重pretrained ImageNet数据集。从2900年样本在每个水稻品种,我们训练有素的每个模型2320(80%)从每个类图像,其中2030(70%)图像进行训练,和290年(10%)图像验证模型。然后,我们测试了每个模型的性能精度与测试数据集,包含580(20%)图像每个类。为每个网络体系结构中,我们使用模型获得的重量在200时代,定义为Acc_200年,与体重至少获得验证模型,定义为Acc_l。实验结果如表所示2,训练模型验证准确性如图9。

在表2,我们发现最好的分类效率几乎95%的准确率从InceptionResNetV2 Xception,获得他们的培训执行不冻结层,其余模型得到较低的性能范围的85 - 90%。在训练时间,最好的精度从InceptionResNetV2和Xception到1.5 - -2.75倍的时间比其他模型在整个时代的数量。然而,两个模型的效率迅速增长时代以来数量等于10,开始稳定,当它到达50如图9。

图10显示了一个从InceptionResNetV2混淆矩阵的分类结果。大多数水稻品种可能相互区别。第一个3 SPR1准确率较低的品种,RD31, RD57, 85.17%, 88.97%,和90.69%,分别。然而,三个品种的结果,(SPR1、RD31 RD57),在同一组作为SVM方法,歧义21 - 8.62%之间。

在这项研究中使用的图像的大小在训练中,表3效率的趋势表明,影响了图像大小在不同的值。在这里,我们选择VGG19模型在这训练,因为它给了一个良好的性能在一个短的训练时间。在每个水平减少图像大小,减少可以节省约1.3倍的训练时间。性能(Acc_l)几乎无显著差异时,从250年到200像素图像大小改变,但更糟糕的3.61%,4.14%,和10.7%,当图像尺寸下降到150年,100年和50像素。总之,减少图像大小允许更快的训练时间。然而,图像大小不应低于150像素,因为它大大降低了效率。

我们评估我们的种子定位过程的有效性。进行了一个实验来比较两种模型的性能。第一个模型训练数据集,已应用于种子定位过程中,第二个模型,一个基线模型,用相同的数据集训练没有用于种子取向的过程。第一个模型的扩充过程包括移动,缩放,重新调节,和亮度调整,和增加第二个模型包括转移的过程,缩放,重新调节,亮度调整,翻转和旋转。我们测试过程InceptionResNetV2模型通过执行与一个时代训练时间短数等于50。1000个样本的数据集在每个类中使用这个评价,将它分成比例的80%,10%,和10%,分别训练、验证和测试,。我们发现,用我们的种子定位技术能够提高性能1.3% nonoriented方法相比,效率略有提高。

6。结论

在本文中,我们开发和测试质量检验方法确定14个水稻品种从数据库收到许多种植地区的近五千种子。我们实现了一个方法来处理大量的种子准备数据质量适当之前被用作输入机器学习技术和提高分类能力。发现种子定位深度学习实验的分类精度提高了1.3%,和种子筛选统计方法的分类精度提高了2 - 3%。对于水稻品种的分类,我们调查了2900个数据样本在每个水稻品种进行训练和测试模型。几种方法在机器学习技术进行评估和比较,以获得最佳性能的方法。使用统计方法在实验中,我们发现SVM进行最好的分类的准确性达83.9%时,主成分分析维度号码是600。在实验中使用深度学习方法,我们发现InceptionResNetV2模型使用验证数据给最小的损失价值和表现最好的分类精度为95.14%。结果表明,深度学习方法执行的效率比传统方法的11.24%。基于这项研究的结果和效率从这个调查过程中,我们将进一步改善种子质量检验我们最近开发的机器更有效。

数据可用性

的数据支持本研究的发现来自大米部、农业部和合作社。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢稻米部门融资,农业部和合作社(泰国)。本文准备使用大米部门数据不公开由于有限制和要求。我们要感谢教授博士Supapan Seraphin (NSTDA PAC)有用的注释来提高文章的质量。