一粒種子的“身份密碼”，不僅藏在顏色與形狀中，更隱藏在肉眼看不見(jiàn)的光譜里。想象一下，未來(lái)人們只需用一臺(tái)設(shè)備掃描種子，就能立刻識(shí)別出其品種、純度甚至健康狀況——這不再是科幻場(chǎng)景，而是正在成為現(xiàn)實(shí)。近日，德國(guó)馬丁路德·哈勒維騰貝格大學(xué)在《scientific data》上的發(fā)表了一項(xiàng)研究，研究公布了一個(gè)名為BiSID-5k的雙模式種子圖像數(shù)據(jù)集，它結(jié)合了RGB圖像與高光譜成像技術(shù)，為AI種子識(shí)別提供了前所未有的高質(zhì)量數(shù)據(jù)資源。
圖1.BiSID-5 k B24采集和制備管道概述。
研究背景：種子識(shí)別的重要性與挑戰(zhàn)
在農(nóng)業(yè)生產(chǎn)中，種子純度對(duì)作物產(chǎn)量與品質(zhì)至關(guān)重要。根據(jù)國(guó)際種子檢驗(yàn)協(xié)會(huì)規(guī)定，許多地方對(duì)種子批次有嚴(yán)格的認(rèn)證要求。為滿足合規(guī)要求，相關(guān)任務(wù)通常依賴于人工逐粒識(shí)別，這項(xiàng)工作耗時(shí)耗力、極度依賴經(jīng)驗(yàn)，尤其在種子外形相似、顏色多變時(shí)，人眼識(shí)別容易出錯(cuò)。近年來(lái)，基于深度學(xué)習(xí)的圖像分類技術(shù)在多領(lǐng)域取得突破，但其成功高度依賴大規(guī)模標(biāo)注數(shù)據(jù)集。在農(nóng)業(yè)種子識(shí)別領(lǐng)域，高質(zhì)量、大規(guī)模的光譜圖像數(shù)據(jù)集仍十分稀缺?，F(xiàn)有數(shù)據(jù)集往往樣本有限，或僅包含可見(jiàn)光圖像，難以支撐復(fù)雜模型的訓(xùn)練與應(yīng)用。
研究方法：構(gòu)建雙模式種子圖像數(shù)據(jù)庫(kù)
樣本選擇：選取10種歐洲油菜田常見(jiàn)雜草種子，每種500粒，共計(jì)5000粒種子；
成像系統(tǒng)：使用自制種子托盤，通過(guò)半自動(dòng)傳送系統(tǒng)，使用兩個(gè)同步光譜儀同時(shí)采集：
l RGB圖像：采用高質(zhì)量RGB成像儀；
l 高光譜圖像：使用Resonon Pika L高光譜成像儀，覆蓋380.96~1017.9 nm波長(zhǎng)范圍，光譜分辨率為5 nm，共300個(gè)光譜波段。實(shí)驗(yàn)設(shè)置種子與鏡頭下端之間的距離為14.5 cm，使用4個(gè)鹵素?zé)襞菡彰鳎?/p>
圖像采集完成后，進(jìn)行數(shù)據(jù)預(yù)處理，并通過(guò)多種方法提取特征，采用深度學(xué)習(xí)模型對(duì)采集的圖像進(jìn)行種子精確分類。
圖2.半自動(dòng)數(shù)據(jù)采集流水線。該流水線由恒速鏈?zhǔn)絺鲃?dòng)裝置組成，每個(gè)種子被放置在單獨(dú)的種子托盤中。當(dāng)種子托盤到達(dá)流水線中心位置時(shí)，Resonon Pika L高光譜成像儀和RGB成像儀被觸發(fā)，同時(shí)捕捉一組高光譜圖像和RGB圖像。
圖3.BiSID-5k數(shù)據(jù)集概述。
圖4.（a）高光譜和（b）RGB模式的特征提取方法概述。
圖5.數(shù)據(jù)集中各物種的平均光譜。
研究結(jié)果：高光譜數(shù)據(jù)顯著提升識(shí)別準(zhǔn)確率
?。?）在MS模式上訓(xùn)練的ResNet模型表現(xiàn)出高性能，其中，3D-ResNet-18模型在光譜數(shù)據(jù)上表現(xiàn)較好，準(zhǔn)確率達(dá)到99.60%，在HS模式上訓(xùn)練的ResNet在所有指標(biāo)上的表現(xiàn)比在MS模式上訓(xùn)練的ResNet下降約1%，這表明增加光譜帶的數(shù)量并不一定會(huì)提高性能。相比之下，HS模型上訓(xùn)練的結(jié)果仍舊優(yōu)于僅使用RGB圖像的模型和傳統(tǒng)機(jī)器學(xué)習(xí)方法。此外，所有ResNet都出現(xiàn)了一致的模式：較小的架構(gòu)往往會(huì)實(shí)現(xiàn)更好的性能。
表1.以下結(jié)果為對(duì)所評(píng)估模型進(jìn)行三次獨(dú)立運(yùn)行后取平均值所得。
?。?）低空間分辨率時(shí)，光譜信息占主導(dǎo)，高空間分辨率時(shí)，空間信息價(jià)值凸顯，二者之間存在一個(gè)平衡點(diǎn)，但無(wú)論采樣策略如何，增加空間分辨率都會(huì)一致性地提升模型的分類性能，而光譜信息則需適度優(yōu)化。
表2.下表展示了3D-ResNet模型在不同空間和光譜分辨率下對(duì)多光譜 (MS) 和高光譜 (HS) 數(shù)據(jù)進(jìn)行處理的結(jié)果。
未來(lái)展望，多模式融合助力智能農(nóng)業(yè)
BiSID-5k數(shù)據(jù)集不僅為種子分類研究提供了重要資源，也為多模式圖像融合、小樣本學(xué)習(xí)、域自適應(yīng)等研究方向提供了實(shí)驗(yàn)基礎(chǔ)。未來(lái)，結(jié)合光譜、形態(tài)、紋理等多維度信息，AI系統(tǒng)有望實(shí)現(xiàn)更精準(zhǔn)、更有效的種子純度檢測(cè)、品種鑒定與質(zhì)量評(píng)估。
對(duì)于種子企業(yè)、農(nóng)業(yè)監(jiān)管部門和科研機(jī)構(gòu)而言，這類技術(shù)的推廣將有助于提升種子質(zhì)量控制的自動(dòng)化水平，降低人工成本，保障農(nóng)業(yè)生產(chǎn)的安全與效益。此外，隨著傳感器技術(shù)的進(jìn)步與數(shù)據(jù)集的不斷豐富，光譜成像技術(shù)有望在作物病害早期診斷、營(yíng)養(yǎng)狀態(tài)監(jiān)測(cè)、產(chǎn)量預(yù)測(cè)等方面發(fā)揮更大作用。
發(fā)表期刊：scientific data【影響因子：8.7（五年影響因子）】
研究單位：馬丁路德·哈勒維騰貝格大學(xué)、萊比錫大學(xué)等
使用設(shè)備：Resonon Pika L高光譜成像儀
