基于信息获取优化算法的茄子种子活力分类特征波段优选研究

Optimized wavelength selection for eggplant seed vitality classification using information acquisition techniques

研究单位：河北农业大学

摘要：

茄子种子活力是表征种子发芽率与幼苗生长品质的核心指标。针对高效、无损种子活力检测的行业需求，本文融合高光谱成像技术、先进特征筛选算法与分类模型，开展茄子种子生活力无损检测研究。采用高光谱成像系统采集茄子种子光谱数据，光谱区间 395.24~1008.20 nm，共 360 个波段；通过微波加热、恒温水浴两种方式对种子进行人工老化处理。采用多元散射校（MSC）、SG平滑、标准正态变量变换（SNV）三种方法完成光谱数据预处理。本文提出增强型信息获取优化算法（EIAO） 用于特征波长筛选，最终筛选出 23 个最优关键特征波段。分别构建极限学习机（ELM）、随机森林（RF）、支持向量机（SVM）三类种子活力分类模型，模型最优分类准确率分别为 90.0%、91.45%、90.5%。其中MSC-EIAO-RF组合模型综合性能最优，测试集准确率达 91.45%，较 MSC-IAO 模型（82.41%）提升 9.04%。基于 4 组 UCI 公开数据集开展泛化性验证，结果证明 EIAO 算法性能优于传统特征筛选方法。研究证实，高光谱成像结合 EIAO 算法可实现种子活力稳定、通用的无损检测，为种子品质智能高效检测提供全新技术方案。

数据采集：

本次实验数据采集使用HG101 便携式高光谱成像系统。该高光谱成像仪具有内置推扫及双探测器的独特设计，集成度高，操作便捷，可用于野外、实验室或显微测量，快速获得观测目标在400~1000nm内的高光谱图像数据，广泛应用于环境遥感、精准农业、物种分类、农林遥感、植物科学、果实/种子品质、成分分析等领域。

研究过程：

图 1 高光谱数据采集系统与人工老化茄子种子样本 （A）高光谱数据采集系统；（B）人工老化茄子种子样本：(a) 空白对照组；(b) 水浴老化组；(c) 微波老化组

表 1 各算法参数设置

图2 本文所提 EIAO 算法流程图

图 3 高光谱反射曲线及预处理效果 （A）原始平均反射光谱；（B）多元散射校正（MSC）预处理；（C）标准正态变量变换（SNV）预处理；（D）SG 平滑预处理

表 2 本研究采用的 UCI 数据集基础信息

表 3 EIAO 与 5 种基准算法在种子光谱数据集上的性能对比

表 4 特征波长在全光谱波段中的分布占比

图 4 EIAO 算法在 4 组茄子种子数据集上的收敛性能对比 （A）数据集 DS_1；（B）数据集 DS_2；（C）数据集 DS_3；（D）数据集 DS_4

图 5 EIAO 与 5 种基准算法在 4 组种子数据集上的稳定性分析 （A）数据集 DS_1；（B）数据集 DS_2；（C）数据集 DS_3；（D）数据集 DS_4

表 5 全波段与特征波长分类模型准确率

表 6 不同预处理与特征筛选方案下平均精确率、召回率及 F1 分数对比

表 7 EIAO 与 5 种基准算法在 UCI 数据集上的性能对比

图 6 EIAO 与 5 种基准算法在 4 组 UCI 公开数据集上的稳定性分析 （A）电离层数据集；（B）心律失常数据集；（C）车辆数据集；（D）投票数据集

研究结论：

本研究探究了高光谱成像技术用于茄子种子活力无损检测的可行性。提取茄子种子感兴趣区域的高光谱数据，采用多元散射校正（MSC）、标准正态变量变（SNV）、SG平滑三种预处理算法去除光谱噪声；提出增强型信息获取优化算法（EIAO）筛选特征波长，并分别构建极限学习机（ELM）、随机森林（RF）、支持向量机（SVM）三种种子活力分类模型。试验结果表明：相较于原始光谱数据，光谱预处理结合特征波长筛选能够显著提升模型分类效果，其中基于 EIAO 算法的特征筛选方案优化效果最为突出。经特征波长优化后，随机森林与支持向量机模型具备优异的泛化能力，在测试集上取得了较高识别精度。尽管采用筛选后的特征波长建模会损失少量原始光谱信息，但能够大幅削减数据冗余度，显著提升分类准确率。本研究证实，特征波长筛选是实现高精度建模的关键环节。后续研究可进一步融合纹理等多维度光谱信息，持续提升模型识别性能。

原文链接：https://doi.org/10.3389/fpls.2025.1584269