连续偏振光谱技术结合IGNN的稻种发芽率无损检测研究

"该研究探讨了一种基于连续偏振光谱技术和嵌入型灰色神经网络(IGNN)的稻种发芽率检测新方法，旨在解决传统检测方法耗时长以及近红外光谱检测易受稻种颜色和含水量影响的问题。通过应用经典模式分解(EMD)和小波包变换去除连续偏振光谱中的噪声，再利用主成分分析(PCA)提取特征，并结合偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和IGNN构建预测模型。实验结果显示，在10分钟的检测时间点，IGNN模型的预测精度最高，预测集相关系数R达到0.985，预测集均方根误差(RMSEP)为0.771。这一研究证明了利用连续偏振光谱技术和IGNN能有效实现稻种发芽率的快速、无损且高精度检测。" 本文详细介绍了稻种发芽率检测的新技术，其核心是将连续偏振光谱技术与先进的数据处理和机器学习算法相结合。首先，针对稻种发芽率的传统检测方法存在的周期长的问题，研究人员探索了非损伤性的检测手段。他们发现，尽管近红外光谱检测技术是一种常见的无损检测方法，但其准确性和稳定性受到稻种自然颜色和含水量变化的影响。 为了解决这些问题，研究者利用连续偏振光谱技术收集稻种的光谱数据。这种技术可以提供关于物质结构和性质的丰富信息，因为不同物质对偏振光的吸收和反射具有特性差异。然而，光谱数据往往包含噪声，因此需要预处理。文章中提到了两种去噪方法：经典模式分解(EMD)和小波包变换。通过对去噪效果的比较，研究团队选择了EMD作为最佳去噪手段。 接下来，主成分分析(PCA)被用来从去噪后的光谱数据中提取关键特征。PCA是一种统计方法，用于减少数据集的维数，同时保留大部分方差，有助于减少计算复杂性并提高模型的解释能力。 然后，研究者利用这些特征构建了四个不同的预测模型：偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和嵌入型灰色神经网络(IGNN)。通过比较这四种模型的性能，他们发现在10分钟的检测时间点，IGNN模型表现最优，预测精度高，相关系数达到0.985，这意味着模型预测的结果与实际发芽率非常接近。RMSEP（预测集均方根误差）为0.771，表示预测误差较小。 这项研究不仅提出了一个创新的稻种发芽率检测方法，而且证明了嵌入型灰色神经网络在处理复杂光谱数据方面的潜力，为农业领域的无损检测提供了新的思路。这种方法的高效性和准确性对于稻种质量控制和农业生产决策具有重要意义。