(49-3) 12 * << * >> * Русский * English * Содержание * Все выпуски

Применение видеоспектрометрии и машинного обучения для оценки чистоты семенного материала
Г.В. Нестеров 1,2, А.В. Гурылева 1, А.А. Золотухина 1,2, Д.С. Фомин 2,3, Д.С. Фомин 2,3, Ю.К. Шашко 4, А.С. Мачихин 1,2

1 Научно-технологический центр уникального приборостроения РАН,
Россия, 117342, Москва, ул. Бутлерова, д. 15;
2 Общество с ограниченной ответственностью «Предуралье»,
Россия, 614532, Пермский край, Пермский муниципальный округ, с. Лобаново, ул. Культуры, д.12, оф. 1;
3 Пермский ННИСХ филиал Пермского федерального исследовательского центра УрО РАН,
Россия, 614532, Пермский край, Пермский район, с. Лобаново, ул. Культуры, д.12;
4 Республиканское научное дочернее унитарное предприятие «Институт почвоведения и агрохимии»,
Республика Беларусь, 220108, Минск, ул. Казинца, д. 90

  PDF, 1701 kB

DOI: 10.18287/2412-6179-CO-1512

Страницы: 461-469.

Аннотация:
Настоящая работа посвящена разработке методики выделения примесных семян-засорителей по спектральным изображениям с помощью нейронных сетей. Эта методика отличается возможностью проведения анализа вороха семян, дифференциации близких по спектральным и морфологическим характеристикам зерен, а также оптимизацией основных этапов формирования обучающей выборки нейросетевой модели, регистрации и обработки данных. Предложена архитектура нейросетевой модели на основе последовательно идущих LSTM-ячеек и полносвязных слоев нейронов, а также подходы к выбору размера обучающей выборки, количества и положения центральных длин волн каналов видеоспектрометра, используемых в анализе, и способа сегментации спектральных изображений для формирования обучающей выборки. Разработанная методика отличается возможностью проведения анализа вороха зерна и простотой пополнения базы различаемых культур и примесей. Апробация методики на зернах пшеницы и ячменя показала высокую точность классификации (свыше 99 %) даже близких по спектральным и морфологическим признакам зерен. Предложенный подход повышает точность, производительность и объективность оценки чистоты семенного материала, не требует привлечения опытного персонала и потому будет способствовать ускорению внедрения видеоспектрометров для решения исследовательских и производственных задач агропромышленного комплекса.

Ключевые слова:
видеоспектрометрия, гиперспектральная съёмка, цифровая обработка изображений, спектральные характеристики, машинное обучение, нейронная сеть LSTM, семенной материал, сельское хозяйство.

Благодарности
Исследование проведено за счет субсидии Министерства образования и науки Пермского края в рамках реализации научного проекта «Разработка методических, аппаратных и программных средств для дистанционного мультиспектрального мониторинга земель сельскохозяйственного назначения» от 26 января 2024 года, № С-26/40.
     Результаты работы получены с использованием оборудования Центра коллективного пользования Научно-технологического центра уникального приборостроения РАН [http://ckp.ntcup.ru].

Цитирование:
Нестеров, Г.В. Применение видеоспектрометрии и машинного обучения для оценки чистоты семенного материала / Г.В. Нестеров, А.В. Гурылева, А.А. Золотухина, Д.С. Фомин, Д.С. Фомин, Ю.К. Шашко, А.С. Мачихин // Компьютерная оптика. – 2025. – Т. 49, № 3. – С. 461-469. – DOI: 10.18287/2412-6179-CO-1512.

Citation:
Nesterov GV, Guryleva AV, Zolotukhina AA, Fomin DS, Fomin DS, Shashko YK, Machikhin AS. Seeds purity assessment by means of spectral imaging. Computer Optics 2025; 49(3): 461-469. DOI: 10.18287/2412-6179-CO-1512.

References:
  1. Zolotukhina A, Machikhin A, Guryleva A, Gresis V, Tedeeva V. Extraction of chlorophyll concentration maps from AOTF hyperspectral imagery. Front Environ Sci 2023; 11. Source:   <https://www.readcube.com/articles/10.3389/fenvs.2023.1152450>. DOI: 10.3389/fenvs.2023.1152450.
  2. Aboughaleb IH, Aref MH, El-Sharkawy YH. Hyperspectral imaging for diagnosis and detection of ex-vivo breast cancer. Photodiagnosis Photodyn Ther 2020; 31: 101922. DOI: 10.1016/j.pdpdt.2020.101922.
  3. Singh T, Garg NM, Iyengar SRS. Nondestructive identification of barley seeds variety using near-infrared hyperspectral imaging coupled with convolutional neural network. J Food Process Eng 2021; 44(10): e13821. DOI: 10.1111/jfpe.13821.
  4. Stuart MB, McGonigle AJS, Willmott JR. Hyperspectral imaging in environmental monitoring: A review of recent developments and technological advances in compact field deployable systems. Sensors 2019; 19(14): 3071. DOI: 10.3390/s19143071.
  5. Berman M, Connor PM, Whitbourn LB, Coward DA, Osborne BG, Southan MD. Classification of sound and stained wheat grains using visible and near infrared hyperspectral image analysis. J Near Infrared Spectrosc 2007; 15(6): 351-358. DOI: 10.1255/jnirs.754.
  6. GOST 13586.3-2015. Grain. Acceptance rules and sampling methods [In Russian]. Moscow: "IPK Izdateljstvo Standartov" Publisher; 2015.
  7. Zhu S, et al. Identification of soybean seed varieties based on hyperspectral imaging technology. Sensors 2019; 19(23): 5225. DOI: 10.3390/s19235225.
  8. Pang L, Men S, Yan L, Xiao J. Rapid vitality estimation and prediction of corn seeds based on spectra and images using deep learning and hyperspectral imaging techniques. IEEE Access 2020; 8: 123026-123036. DOI: 10.1109/ACCESS.2020.3006495.
  9. Feng X, Peng C, Chen Y, Liu X, Feng X, He Y. Discrimination of CRISPR/Cas9-induced mutants of rice seeds using near-infrared hyperspectral imaging. Sci Rep 2017; 7(1): 15934. DOI: 10.1038/s41598-017-16254-z.
  10. Que H, Zhao X, Sun X, Zhu Q, Huang M. Identication of wheat kernel varieties based on hyperspectral imaging technology and grouped convolutional neural network with feature intervals. Preprint from Research Square. 2022. Source: <https://europepmc.org/article/ppr/ppr542233>. DOI: 10.21203/rs.3.rs-1951327/v1.
  11. Zhang L, Sun H, Rao Z, Ji H. Non-destructive identification of slightly sprouted wheat kernels using hyperspectral data on both sides of wheat kernels. Biosyst Eng 2020; 200: 188-199. DOI: 10.1016/j.biosystemseng.2020.10.004.
  12. Sagan V, et al. Monitoring inland water quality using remote sensing: Potential and limitations of spectral indices, bio-optical simulations, machine learning, and cloud computing. Earth-Sci Rev 2020; 205: 103187. DOI: 10.1016/j.earscirev.2020.103187.
  13. Liu N, Guo Y, Jiang H, Yi W. Gastric cancer diagnosis using hyperspectral imaging with principal component analysis and spectral angle mapper. J Biomed Opt 2020; 25(6): 066005. DOI: 10.1117/1.jbo.25.6.066005.
  14. Hong Z, Zhang C, Kong D, Qi Z, He Y. Identification of storage years of black tea using near-infrared hyperspectral imaging with deep learning methods. Infrared Phys Technol 2021; 114: 103666. DOI: 10.1016/j.infrared.2021.103666.
  15. Andriyanov N, Kamalova Y, Dementiev V. Comparison of MS custom vision auto machine learning with algorithms implementation methods. 2023 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF) 2023: 1-4. DOI: 10.1109/WECONF57201.2023.10148043.
  16. de Oliveira S, Topsakal O, Toker O. Benchmarking automated machine learning (AutoML) frameworks for object detection. Information 2024; 15(1): 63. DOI: 10.3390/info15010063.
  17. Li KY, et al. Toward automated machine learning-based hyperspectral image analysis in crop yield and biomass estimation. Remote Sens 2022; 14(5): 1114. DOI: 10.3390/rs14051114.
  18. Zolotukhina A, et al. Evaluation of Leaf Chlorophyll Content from Acousto-Optic Hyperspectral Data: A Multi-Crop Study. Remote Sens 2024; 16(6): 1073. DOI: 10.3390/rs16061073.
  19. Zhao X, Pang L, Wang L, Men S, Yan L. Deep convolutional neural network for detection and prediction of waxy corn seed viability using hyperspectral reflectance imaging. Math Comput Appl 2022; 27(6): 109. DOI: 10.3390/mca27060109.
  20. Zhao Y, Zhang C, Zhu S, Gao P, Feng L, He Y. Non-destructive and rapid variety discrimination and visualization of single grape seed using near-infrared hyperspectral imaging technique and multivariate analysis. Molecules 2018; 23(6): 1352. DOI: 10.3390/molecules23061352.
  21. Xu P, et al. Identification of defective maize seeds using hyperspectral imaging combined with deep learning. Foods 2023; 12(1): 144. DOI: 10.3390/foods12010144.
  22. Zhao X, Pang L, Wang L, Men S, Yan L. Deep Convolutional Neural Network for Detection and Prediction of Waxy Corn Seed Viability Using Hyperspectral Reflectance Imaging. Math Comput Appl 2022; 27(6): 109. DOI: 10.3390/mca27060109.
  23. Zhang J, Feng X, Liu X, He Y. Identification of hybrid okra seeds based on near-infrared hyperspectral imaging technology. Appl Sci 2018; 8(10): 1793. DOI: 10.3390/app8101793.
  24. GOST 9353-2016. Wheat. Specifications [In Russian]. Moscow: "IPK Izdateljstvo Standartov" Publisher; 2016.
  25. Li H, Zhu J, Rao Z, Ji H. Identification of wheat seed varieties based on hyperspectral imaging technology and deep learning. 2024. Source: <https://ssrn.com/abstract=4425384>.
  26. Zhang L, Ji H. Identification of wheat grain in different states based on hyperspectral imaging technology. Spectrosc Lett 2019; 52(6): 356-366. DOI: 10.1080/00387010.2019.1639762.
  27. Zhang L, Sun H, Li H, Rao Z, Ji H. Identification of rice-weevil (Sitophilus oryzae L.) damaged wheat kernels using multi-angle NIR hyperspectral data. J Cereal Sci 2021; 101: 103313. DOI: 10.1016/j.jcs.2021.103313.
  28. Bao Y, Mi C, Wu N, Liu F, He Y. Rapid classification of wheat grain varieties using hyperspectral imaging and chemometrics. Appl Sci 2019; 9(19): 4119. DOI: 10.3390/app9194119.
  29. Zhang H, Hou Q, Luo B, Tu K, Zhao C, Sun Q. Detection of seed purity of hybrid wheat using reflectance and transmittance hyperspectral imaging technology. Front Plant Sci 2022; 13: 1015891. DOI: 10.3389/fpls.2022.1015891.
  30. Pozhar VE, Machikhin AS, Gaponov MI, Shirokov SV, Mazur MM, Sheryshev AE. AOTF based hyperspectrometer for UAV [In Russian]. Light & Engineering 2018; 4: 47-50.
  31. Katrašnik J, Pernuš F, Likar B. Radiometric calibration and noise estimation of acousto-optic tunable filter hyperspectral imaging systems. Appl Opt 2013; 52(15): 3526-3537. DOI: 10.1364/AO.52.003526.
  32. Stringer C, Wang T, Michaelos M, Pachitariu M. Cellpose: a generalist algorithm for cellular segmentation. Nat Methods 2021; 18(1): 100-106. DOI: 10.1038/s41592-020-01018-x.
  33. Bruce LM, Koger CH, Li J. Dimensionality reduction of hyperspectral data using discrete wavelet transform feature extraction. IEEE Trans Geosci Remote Sens 2022; 40(10): 2331-2338. DOI: 10.1109/TGRS.2002.804721.
  34. Greenacre M, Groenen PJF, Hastie T, D’Enza AI, Markos A, Tuzhilina E. Principal component analysis. Nat Rev Methods Primers 2022; 2(1): 100. DOI: 10.1038/s43586-022-00184-w.
  35. Li H, Liang Y, Xu Q, Cao D. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration. Anal Chim Acta 2009; 648(1): 77-84. DOI: 10.1016/j.aca.2009.06.046.
  36. Maas AL, Hannun AY, Ng AY. Rectifier nonlinearities improve neural network acoustic models. Proc 30th Int Conf on Machine Learning 2013; 28: 3. Source: <https://ai.stanford.edu/~amaas/papers/relu_hybrid_icml2013_final.pdf>.
  37. Kingma DP, Ba J. Adam: A method for stochastic optimization. arXiv Preprint. 2017. Source: <https://arxiv.org/abs/1412.6980>. DOI: 10.48550/arXiv.1412.6980.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20