CN119498063A 基于近红外光谱的水稻种子活力快速检测方法 （安徽农业大学）

基于近红外光谱的水稻种子活力快速检测本发明提供了基于近红外光谱的水稻种子发明对水稻种子在高温高湿的环境下进行不同组，采集不同程度老化处理的水稻种子光谱数合特征用活力预测，并通过softmax层输出分类2步骤S4、对原始光谱数据进行预处理：采用马氏距离来剔除异常点，利用Savitzky_Golay平滑数字滤波技术减少数据中的随机噪声，利用一阶导数计算来增强光谱数据的特步骤S5、建立新的光谱数据样本：采用数据增强方法来步骤S6、利用Conv1D_GRU深度学习框架，建立模型能够同时步骤S7、使用混合优化种群搜索算法来进一步优化模型D_M(\mathbf{x})＝\sqrt{(\mathbf{x}_\mathbf{\mu})^T\mathbf{S}^{_1}(\mathbf32dTX)_1XTy其中，y是待校正的光谱，β是校正系数，β1是校正系数β中对应基准光谱r的系数，10.根据权利要求1所述的基于近红外光谱的水稻种子活力快速检测方法，其特征在45[0015]优选的，所述步骤S1中，老化处理具体为利用饱和于温度为23℃,湿度为60％的温室中进行为期14天的发芽测试，定期观察每组种子的发芽[0021]D_M(\mathbf{x})＝\sqrt{(\mathbf{x}_\mathbf{\mu})^T/mathbf{S}^{_1}(\6[0028]SG平滑能够有效降低光谱数据中的噪声，使得光谱曲线更加平滑和清晰。[0030]EMSC(ExtendedMultiplicativeScatterCorrection)主要基于对光谱信号中常数项组成。波长或波数通常表示为向量λ,而多项λd样本进行光谱特征的有效提取，通过随机初始化字典，并使用坐标下降法(coordinate[0045]优选的，所述步骤6中，所述Conv1D_GRU深度学习框架将一维卷积神经网络(1D_CNN)的局部特征提取能力与门控循环单元网络(GRU)的序列建模能力结合起来。通过这种7[0046]优选的，所述步骤7中，使用混合优化种群搜索算法(IntegratedPopulationSearchAlgorithm，IPSA)来调整模型的超参数，将灰狼优化算法(GreyWolfOptimizer，[0047]进一步优选的，所述混合优化种群搜索算法中使用了动态调整的惯性权重[0050]2、结合混合优化种群搜索算法(IntegratedPopμlationSearchAlgorithm，[0054]图1是本发明实施例的一种基于近红外光谱的水稻种子活力快速检测方法流程示[0060]以下是本发明的具体实施例并结合附图，对本发明的技施例进行各种改变和修改而不脱离本发明的范围8甚至更长时间才能显现出种子活力下降的现象。饱和盐加速老化测试(Saturated老化程度的水稻种子样品全波段波长(900_1700纳米)下的原始光谱各200个。打开的原始数据光谱图和平均光谱图分别如图29[0071][D_M(\mathbf{x})＝\sqrt{(\mathbf{x}_\mathbf{\mu})^T\mathbf{S}^{_1}(\[0077]在剔除异常点之后，本实施例对数据进行了进一步的预处理，包括Savitzky_2d光谱数据中的空间特征和时序信息，进一步提高了对水稻种子活力预测的精度和鲁棒性。相结合，扩展算法的搜索可见，提高全局优化能力。算法中使用了动态调整的惯性权重力预测，并通过softmax层(softmaxLayer)输出分类结果，使用混合优化种群搜索算法据水稻种子老化的不同程度对水稻种子的活力进行[0088]本申请所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改