摘要
小麦是中国主要的粮食作物，其高质量生产不仅是人民追求美好生活的基础保障，而且对国民经济的稳步发展意义重大。优质的小麦种子是小麦生产的关键，探索一种符合实际应用的小麦种子分类方法非常重要。 本文选取矮抗58、淮麦30、开麦20、中优9507、周麦28、周麦22、洛麦24、西农509、郑麦366、豫麦49共10类小麦种子为研究对象，用整齐和堆叠两种摆放方式，分别采集了种子在可见-近红外(VNIR)和近红外（NIR）波谱下的高光谱图像数据，结合光谱信息和图像信息的特点，分别建立了交叉验证(CV)-支持向量机(SVM)、Elastic Net和遗传算法(GA)-BP神经网络分类模型，进行小麦种子分类研究。 本文主要研究内容有以下几方面: (1)利用采集数据中的光谱信息进行分类，通过对比小麦种子VNIR和NIR光谱信息的特点，发现VNIR平均谱线相对平滑缺少特征峰，而NIR平均谱线特征峰明显。经过分类实验对比，发现NIR下的光谱信息分类效果更好。另外，发现对光谱信息运用主成分分析(PCA)降维提取主成分作为特征的方法，更有利于分类。 (2)研究了堆叠式采样数据用于分类的可行性，在SVM探究中使用堆叠式采样数据进行分类，三分类准确率平均在95％以上，四分类在87.5％左右，六分类准确率在75％。结果表明，在利用光谱信息进行分类时，堆叠式摆放采样数据可以用于分类。 (3)本文重点研究了分类模型，利用NIR波段下光谱信息进行小麦种子分类，发现以PCA对光谱数据提取的主成分作为输入，建立SVM分类模型，比用Elastic Net方法的三分类、四分类、六分类和十分类准确率高。另外，同等条件下建立的GA-BP神经网络模型比SVM模型十分类准确率低。 (4)深入分析了最优分类模型SVM，在模型参数确定方面，通过对比发现使用K-CV和粒子群算法进行参数寻优，分类结果基本相同。当用光谱信息特征作为模型输入时，不进行归一化效果更好。在模型迁移参数固定方面，提出了确定组间最佳参数c和g的方法，让模型具备便捷高效的迁移能力。 (5)研究了融合图像特征进行十分类和亲本相近种间分类，在光谱特征信息基础上，使用Halcon软件提取了特征波段下种子图像面积、周长、长轴、短轴四个特征，作为增加特征输入SVM模型中。最终，十分类和亲本相近种子间识别率分别为90.47％和92％。
NETL