10.3964/j.issn.1000-0593(2016)08-2692-06
基于红外热成像技术和广义回归神经网络的稻种发芽率检测方法研究
基于稻种老化时间不同时的物理学和生理学差异,提出一种基于红外热成像技术及广义回归神经网络的快速、无损检测稻种发芽率的检测方法,解决传统稻种发芽率检测方法操作复杂、实验周期长等问题。在温度为45℃、湿度为90%的条件下,将水稻种子依次老化0,1,2,3,4,5,6和7 d,得到不同发芽率的种子；采集稻种红外热图像,然后提取稻种胚芽部位数据,总计144份,随机分为校正集和预测集,其中校正集96份,预测集48份；分析和比较不同老化天数稻种红外热差异,从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系,结合偏最小二乘算法(partial least squares,PLS)、BP(back propagation, BP)人工神经网络和广义回归神经网络(general regression neural network,GRNN),建立稻种发芽率的红外热模型。结果表明,利用 GRNN 建立的发芽率预测模型效果最优,其中校正集的 R C (相关系数)和 SEC(标准偏差)分别为0.9320和2.0560,预测集 R P (相关系数)和 SEP(标准偏差)分别为0.9003和4.1012,相关性均达到较高水平且校正集与预测集的标准偏差均较小。实验结果表明,采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的,且所建模型在稻种发芽率快速测定方面有较高的精度。
红外热成像技术、稻种、发芽率、无损检测、GRNN
36
S511(禾谷类作物)
The National Natural Science Foundation of China31401610;the Natural Science Foundation of Jiangsu ProvinceBK20130696;the Fundamental Research Funds for the Central UniversitiesKYZ201427;Remote Measurement and Control Technology Key Laboratory Open Fund of Jiangsu ProvinceYCCK201501
2016-09-28（万方平台首次上网日期，不代表论文的发表时间）
共6页
2692-2697
