首页 > 分享 > 基于手持式分光辐射谱仪的水稻颖花开花状态检测方法

基于手持式分光辐射谱仪的水稻颖花开花状态检测方法

花匠小妙招
2025-01-09 00:44

1.本发明属于水稻种植领域，具体为一种基于手持式分光辐射谱仪的水稻颖花开花状态检测方法。

背景技术：

2.水稻是世界主要的粮食作物之一，也是我国主要的粮食生产作物，其种植面积仅次于玉米。我国是水稻的原产国，更是杂交水稻的发源地，杂交水稻的成功研制为解决世界粮食安全问题和缓解粮食不足的压力做出了巨大贡献。杂交水稻生产过程主要包括育种、制种、育苗、插秧、田间管理、收割等。其中，制种是杂交水稻生产的重要组成部分，而授粉是保证制种成功的关键。充分、均匀的授粉能保证种子结实率，提高制种质量和产量，并进一步提高杂交水稻的产量。
3.由于水稻属于非严格的自花授粉作物，在自然条件下授粉成功几率小，一般在0.2％～4％，最高也只有5％的几率。水稻开花条件较为严苛，需在亚热带或热带地区，保持28-30摄氏度的温度和70-80的相对湿度，才能保证父母本进行杂交授粉。水稻每天的开花期较短，开花时间只有1.5～2h，一般在10:00～12:00之间，且花粉寿命只有4-5分钟左右，要提高花粉的利用率和母本的结实率，必须适时授粉。杂交水稻的花期为10-12天，每天需授粉3-4次，且需要在30分钟内完成一次授粉作业。授粉效果受作物性状、生长环境、种植经验、田间管理等多方面因素的影响
4.随着我国社会经济的快速发展及城镇化水平的不断提升，农业劳动力发生大量转移，杂交水稻制种基地用工日益紧张，劳动力老龄化现象严重；制种用工成本大幅增加；田间种植管理日益粗放，制种产量与质量缺乏保障。这些原因导致传统的劳动密集型制种技术已难以适应种业发展需求，因此需要研究杂交水稻全程机械化制种技术。水稻全程机械化制种是指从稻田耕整平整、播种移栽、施肥、植保、辅助授粉、收割到种子干燥的各个环节均实现机械化作业。目前，我国在水稻机械化生产上仍未达到世界先进水平，其中又以杂交水稻的制种环节最为薄弱，制种技术的瓶颈在于授粉的机械化。及时有效地判断水稻颖花开花状态、判断最佳的授粉时机对杂交水稻机械化制种具有重要意义。
5.但是，当前的制种授粉环节更多的依靠人工辅助来提高杂交水稻的制种量。调查显示，在进行水稻制种环节时进行人为的辅助授粉可至少提高接近10％的产量。杂交水稻颖花开花信息的获取主要由人工观察完成，并人工判断最佳授粉时机，采用竹竿、绳子等完成人工赶花授粉。若想提高制种产量同时又能使得种子的质量得到保证，必须使得在水稻颖花开放期间父本的花粉能够及时与母本柱头接触进行传播，进而提高母本的异花授粉结实率。然而在大面积稻田中，人工观察判断水稻颖花开花状态不仅费时、费力、准确性低，而且人为具有主观性和不连续性，容易错过最佳授粉时期。

技术实现要素：

6.本发明在于克服现有技术的不足，提供一种基于手持式分光辐射谱仪的水稻颖花
开花状态检测方法，所述水稻颖花开花状态检测方法的使用门槛低，不依靠个人经验，可以快速精准地判断水稻颖花的开花状态，以此确定水稻的最佳授粉时期，从而有助于提高制种结实率和产量，进而为提高杂交水稻全程机械化水平，促进无人农场智能化作业技术的发展提供参考。
7.本发明用于解决现有技术问题的技术方案是：
8.一种基于手持式分光辐射谱仪的水稻颖花开花状态检测方法，包括以下步骤：
9.(1)、通过手持式分光辐射谱仪测量水稻颖花的高光谱数据；
10.(2)、对采集到的高光谱数据进行预处理；
11.(3)、利用预处理后的高光谱数据建立水稻颖花开花检测的初步分类识别模型；
12.(4)、采用数据降维方法对水稻颖花开花检测的初步分类识别模型进行优化，得到最佳分类识别模型；
13.(5)、采集待检测区域内的水稻颖花的高光谱数据，将其输入最佳分类识别模型中，所述最佳分类识别模型判断并输出水稻颖花的开花状态。
14.优选的，在步骤(1)中，在手持式分光辐射谱仪的开机系统加载完毕后，采集反射率为100％的标准白板进行黑白标定；对每一次数据采集，手持式分光辐射谱仪同时采集5组高光谱数据；采集水稻颖花高光谱数据期间，须保证在光照强度好，天空没有云彩遮挡时进行采集；且手持式分光辐射谱仪每5分钟需要进行一次白板校验。
15.优选的，在步骤(2)中，利用手持式分光辐射谱仪携带的光谱数据读取软件对采集到的水稻颖花的高光谱数据进行处理，步骤为：首先对每个样本所采集到的多组光谱数据进行均值处理，得到水稻颖花高光谱曲线，然后对水稻颖花高光谱曲线中的光谱波段进行降噪平滑处理。
16.优选的，采用的手持式分光辐射谱仪的型号为handheld
tm
2，该手持式分光辐射谱仪配套使用的高光谱数据读取软件viewspecpro。
17.优选的，对每个样本所采集到的多组光谱数据进行均值处理的步骤为：
18.(2-1)、打开viewspecpro软件，指定水稻颖花高光谱数据作为输入目录；
19.(2-2)、设置输出目录，选择与输入目录一致；
20.(2-3)、打开输入目录下的全部水稻颖花高光谱数据，根据实验现场记录的对应的水稻颖花样本，显示选中的水稻颖花高光谱数据的水稻颖花高光谱曲线；
21.(2-4)、根据打开的水稻颖花高光谱曲线，剔除无效的水稻颖花高光谱曲线，对其他水稻颖花高光谱曲线取平均值，通过viewspecpro软件计算并输出得到的平均值光谱曲线；
22.(2-5)、将平均值光谱曲线保存为文本文件，作为水稻颖花开花检测的初步分类识别模型的输入文件。
23.优选的，在步骤(3)中，将预处理后的水稻颖花高光谱数据作为样本数据，投入机器学习算法中的训练集与测试集，其中，训练集与测试集按照4:1的比例进行划分，随机将所有样本数据分为训练集组与测试集组，并采用多种机器学习算法建立多个水稻颖花开花检测的初步分类识别模型，其中，所述机器学习算法包括以下几种：
24.(1)、利用python语言，调用支持向量机svm算法模型，将训练集组作为输入投入其中进行模型学习，将测试集组投入学习后的支持向量机svm算法模型中获取识别精度；
25.(2)、利用python语言，调用随机森林rf算法模型，将训练集组作为输入投入其中进行模型学习，将测试集组投入学习后的随机森林rf算法模型中获取识别精度；
26.(3)、利用python语言，搭建bp神经网络算法模型，将训练集组作为输入投入其中进行模型学习，将测试集组投入学习后的bp神经网络算法模型中获取识别精度；
27.(4)、利用python语言，搭建cnn卷积神经网络算法模型，将训练集组作为输入投入其中进行模型学习，将测试集组投入学习后的cnn卷积神经网络算法模型中获取识别精度。
28.优选的，在步骤(4)中，采用数据降维方法对水稻颖花开花检测的初步分类识别模型进行优化的步骤为；
29.(4-1)、利用python语言，将水稻颖花高光谱数据使用主成分分析算法进行特征提取，将原始水稻颖花高光谱数据生成按重要性顺序排列的新水稻颖花高光谱特征数据，再使用遗传算法对新水稻颖花高光谱特征数据进行特征选择，并通过参数的优化，将新水稻颖花高光谱特征数据进行降维；
30.(4-2)、将进行数据降维处理后的水稻颖花高光谱数据按照4:1的比例随机分为训练集组与测试集组，将训练集组投入到步骤(3)中的多个初步分类识别模型中，随后将测试集组进行精度验证，得出各个初步分类识别模型的识别精度；
31.(4-3)、选择识别精度最高的作为最佳分类识别模型。
32.优选的，在步骤(5)中，对最佳分类识别模型进行算法的封装；将新采集到水稻颖花高光谱数据输入到封装的算法模型中，获取分类识别结果。
33.本发明与现有技术相比具有以下的有益效果：
34.1、本发明的水稻颖花开花状态检测方法的使用门槛低，不依靠个人经验，可以快速精准地判断水稻颖花的开花状态，以此确定水稻的最佳授粉时期。
35.2、本发明的水稻颖花开花状态检测方法通过计算机定量分析开花状态代替人工定性判断来实现精准作业，有助于提高制种结实率和产量，从而为提高杂交水稻全程机械化水平，促进无人农场智能化作业技术的发展提供参考。
附图说明
36.图1是本发明的基于手持式分光辐射谱仪的水稻颖花开花状态检测方法的流程示意图。
37.图2是海南东方市南繁科技有限公司杂交水稻育种基地试验田的示意图。
38.图3是湖南邵阳市隆平高科育种基地试验田的示意图。
39.图4是handheld
tm
2手持式分光辐射谱仪的示意图。
40.图5为湖南水稻未开花颖花反射率与波长的关系示意图。
41.图6为湖南水稻开花颖花反射率与波长的关系示意图。
42.图7为海南水稻未开花颖花反射率与波长的关系示意图。
43.图8为海南水稻开花颖花反射率与波长的关系示意图。
44.图9为部分水稻颖花开花前高光谱曲线的示意图。
45.图10为部分水稻颖花开花后高光谱曲线的示意图。
46.图11为遗传算法特征选择波段结果的示意图。
47.图12为结合算法特征选择波段结果的示意图。
具体实施方式
48.下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
49.实施例1
50.参见图1，本发明的基于手持式分光辐射谱仪的水稻颖花开花状态检测方法，包括以下步骤：
51.(1)、通过手持式分光辐射谱仪测量水稻颖花的高光谱数据；本实施例中的手持式分光辐射谱仪的型号为handheld
tm
2，该手持式分光辐射谱仪配套使用的高光谱数据读取软件viewspecpro；
52.(2)、对采集到的高光谱数据进行预处理；
53.(3)、利用预处理后的高光谱数据建立水稻颖花开花检测的初步分类识别模型；
54.(4)、采用数据降维方法对水稻颖花开花检测的初步分类识别模型进行优化，得到最佳分类识别模型；
55.(5)、采集待检测区域内的水稻颖花的高光谱数据，将其输入最佳分类识别模型中，所述最佳分类识别模型判断并输出水稻颖花的开花状态。
56.参见图1，在步骤(1)中，在手持式分光辐射谱仪的开机系统加载完毕后，采集反射率为100％的标准白板进行黑白标定；对每一次数据采集，手持式分光辐射谱仪同时采集5组高光谱数据；在采集水稻颖花的高光谱数据期间，须保证在光照强度好，天空没有云彩遮挡时进行采集；且手持式分光辐射谱仪每5分钟需要进行一次白板校验。
57.参见图1，在步骤(2)中，利用手持式分光辐射谱仪携带的光谱数据读取软件对采集到的水稻颖花的高光谱数据进行处理，步骤为：
58.首先对每个样本所采集到的多组光谱数据进行均值处理，得到水稻颖花高光谱曲线，然后对水稻颖花高光谱曲线中的光谱波段进行降噪平滑处理，其中，对每个样本所采集到的多组光谱数据进行均值处理的步骤为：
59.(2-1)、打开viewspecpro软件，指定水稻颖花高光谱数据作为输入目录；
60.(2-2)、设置输出目录，选择与输入目录一致；
61.(2-3)、打开输入目录下的全部水稻颖花高光谱数据，根据实验现场记录的对应的水稻颖花样本，显示选中的水稻颖花高光谱数据的水稻颖花高光谱曲线；
62.(2-4)、根据打开的水稻颖花高光谱曲线，剔除无效的水稻颖花高光谱曲线，对其他水稻颖花高光谱曲线取平均值，通过viewspecpro软件计算并输出得到的平均值光谱曲线；
63.(2-5)、将平均值光谱曲线保存为文本文件，作为水稻颖花开花检测的初步分类识别模型的输入文件。
64.参见图1，在步骤(3)中，将预处理后的水稻颖花高光谱数据作为样本数据，投入机器学习算法中的训练集与测试集，其中，训练集与测试集按照4:1的比例进行划分，随机将所有样本数据分为训练集组与测试集组，并采用多种机器学习算法建立多个水稻颖花开花检测的初步分类识别模型，其中，所述机器学习算法为：
65.(1)、利用python语言，调用支持向量机svm算法模型，将训练集组作为输入投入其中进行模型学习，将测试集组投入学习后的支持向量机svm算法模型中获取识别精度；
66.(2)、利用python语言，调用随机森林rf算法模型，将训练集组作为输入投入其中进行模型学习，将测试集组投入学习后的随机森林rf算法模型中获取识别精度；
67.(3)、利用python语言，搭建bp神经网络算法模型，将训练集组作为输入投入其中进行模型学习，将测试集组投入学习后的bp神经网络算法模型中获取识别精度；
68.(4)、利用python语言，搭建cnn卷积神经网络算法模型，将训练集组作为输入投入其中进行模型学习，将测试集组投入学习后的cnn卷积神经网络算法模型中获取识别精度。
69.参见图1，在步骤(4)中，采用数据降维方法对水稻颖花开花检测的初步分类识别模型进行优化的步骤为；
70.(4-1)、利用python语言，将水稻颖花高光谱数据使用主成分分析算法进行特征提取，将原始水稻颖花高光谱数据生成按重要性顺序排列的新水稻颖花高光谱特征数据，再使用遗传算法对新水稻颖花高光谱特征数据进行特征选择，并通过参数的优化，将新水稻颖花高光谱特征数据进行降维；
71.(4-2)、将进行数据降维处理后的水稻颖花高光谱数据按照4:1的比例随机分为训练集组与测试集组，将训练集组投入到步骤(3)中的多个初步分类识别模型中，随后将测试集组进行精度验证，得出各个初步分类识别模型的识别精度；
72.(4-3)、选择识别精度最高的作为最佳分类识别模型。
73.参见图1，在步骤(5)中，对最佳分类识别模型进行算法的封装；将新采集到水稻颖花高光谱数据输入到封装的算法模型中，获取分类识别结果。
74.实施例2
75.以下则以具体案例来对本发明的基于手持式分光辐射谱仪的水稻颖花开花状态检测方法进行讲述。
76.参见图2和图3，本次实验样本分两次于不同实验基地取得，其中，
77.第一份实验样本数据于2018年10月25日9:00-12:00从海南省东方市海南农乐南繁科技有限公司育种试验田采集，试验样本为杂交水稻颖花高光谱数据，杂交水稻父本品种是534号，母本是梦两优，试验田gps坐标为北纬：18.875
°
东经：108.732
°
，采集样本当天晴朗无云，气温31摄氏度，西北风3-4级；
78.第二份实验样本数据于2020年8月9日至2020年8月12日期间每天的8:00-12:30从湖南省邵阳市绥宁县武阳镇隆平高科育种基地采集，试验样本同为杂交水稻晶两优华占与悦两优26469的水稻颖花高光谱数据，试验田gps坐标为北纬：26.824
°
东经：110.358
°
，采集样本时段晴朗无云，气温于28摄氏度至31摄氏度区间。
79.其中，图2为海南东方市基地试验田概况，图3为湖南邵阳市基地试验田概况。
80.参见图4，本实验采用的实验设备为测量设备是handheld
tm
2手持式分光辐射谱仪，实物见图4。
81.本实验采用的实验仪器是一种可以对实验目标进行快速、无损检测的便携式的手持式分光辐射谱，搭载了独特的光谱采集仪器，可以对波长范围为325nm-1075nm的光谱进行采集。这款手持便携式地物波谱仪为了在各种环境下工作都具备较好的抗干扰能力，其内部配置了多项抗干扰仪器以及降干扰软件。同时，手持式分光辐射谱设备拥有自身的测量系统，能结合计算机的普遍功能以及内置存储等多项功能，同时亦可以与其他定位系统联动兼容使用。
82.handheld
tm
2手持式分光辐射谱仪主要技术参数如表1所示：
83.表1光谱仪的主要技术参数
[0084][0085]
测量水稻颖花高光谱数据时，需保证手持式分光辐射谱的正规操作，使其准确反应水稻颖花的光谱反射信息。在仪器开机系统加载完毕后，采集反射率为100％的标准白板进行黑白标定。对每一次数据采集，手持式分光辐射谱同时采集5组高光谱数据以减少系统随机误差。
[0086]
在使用仪器采集水稻颖花高光谱数据期间，须尽量保证在光照强度较高，天空没有云彩遮挡时进行采集，这样做是为了尽量避免光照强度等外在因素对实验数据产生较大的影响。在采集数据期间若出现云彩遮挡，须等待云彩飘散后再继续采集，同时需要重新进行白板校验，保证光谱数据采集的准确性。另外，长时间使用仪器进行采集工作时，即使在无外在环境因素影响的情况下也需要每5分钟进行一次白板校验，这样做是为了削减仪器本身因为长时间工作而产生的热量而引起的误差。
[0087]
为了保证测量的是稻穗的表征区域，测量时须使手持式分光辐射谱的探头正对稻穗中间，以此来保证稻穗在辐射谱仪的覆盖范围之内，同时让仪器与待测稻穗保持固定的距离。
[0088]
在采集过程中，第一次试验采集水稻颖花高光谱数据1236条，剔除明显异常光谱数据后，获得有效光谱数据1115条，波长范围为325-1075nm。第二次试验采集水稻颖花高光谱数据4036条，剔除明显异常光谱数据后，有效光谱数据3000条，波长范围为325-1075nm。实验数据按照时间顺序进行采集，首先采集杂交水稻父本开花前的稻穗区域的光谱数据，再采集开花时间段的稻穗区域光谱数据。
[0089]
训练集与测试集按照4:1的比例进行划分，用于训练和测试的数据样本量具体如表2所示。
[0090]
表2高光谱数据训练集和测试集样本量
[0091][0092]
水稻开花前后颖花反射率与波长的关系如图5-图8所示，其中，图5为湖南水稻未开花颖花反射率与波长的关系，图6为湖南水稻开花颖花反射率与波长的关系，图7为海南水稻未开花颖花反射率与波长的关系，图8为海南水稻开花颖花反射率与波长的关系。
[0093]
由于实验数据的采集会受到实验环境和人为因素等客观因素影响，特别是在户外进行光谱数据的采集时，客观因素的影响更为明显，如光照的亮度变换、空气的温度湿度变换以及风力等级的变化等。在采用太阳光照明时，当温度湿度改变、光照强弱变幻、风力等级波动改变时，需对白板重新进行校正以获得正确的光谱反射信息。这里需要考虑当前天气波动是否会影响测量的数据，故而对于采集到的高光谱数据需进行多项预处理。首先，可以先对采集到的水稻颖花高光谱数据使用地物波谱仪配套使用的高光谱数据读取软件viewspecpro进行光谱数据的简单预处理：其中，具体为：
[0094]
(1)均值处理：本次数据采集时，handheld
tm
2手持式分光辐射谱仪设置为对同个样本重复采集5条高光谱曲线，从而降低原始光谱数据的内在误差。因此，在数据预处理步骤，首先需要对采集的样本数据做平均处理的操作。
[0095]
(2)计算光谱反射率：计算asd的光谱反射率(这里的白板光谱反射率为100％)。通过以下公式：
[0096][0097]
式中，左右侧的r
goal
分别代表目标光谱反射率和目标物光强值，分式下方的gad
board
代表光谱仪的白板光强值，另一个rad
board
则为白板反射率。
[0098]
对样品反射光进行采集时可以通过对参考白板的入射照明光谱数据采集以进行校验，这个过程称为采集参考白板。标准参考白板是指在每个波段内(光谱范围内)的反射率都接近于1，handheld
tm
2手持式分光辐射谱仪所携带的配套软件可以对参考白板的校验数据进行存储，而后在进行目标检测物样本光谱数据采集时，软件通过检验计算得出其反射率。
[0099]
经过数据预处理，获得水稻颖花高光谱数据共计3000组数据，其中，水稻颖花未开花的高光谱数据1500组，水稻颖花盛开的高光谱数据1500组，每一组数据均具备相对独立性。使用handheld
tm
2手持式分光辐射谱仪自带的高光谱数据读取软件viewspecpro进行数据读取(部分数据见图9和图10)。观察光谱曲线波动情况可以发现在350nm以下波段以及950-1075nm波段受干扰程度较大，故而需要对该光谱范围的数据进行平滑降噪处理。
[0100]
对所有水稻颖花未开花与开花的高光谱数据各合成一组平均高光谱数据，初步观察水稻颖花开花前后高光谱数据的差异主要集中500-660、700-1080波段之间。
[0101]
本实验使用地物波谱仪测量水稻颖花开花前后的高光谱数据变化情况，并建立分类识别模型，在此过程中需对水稻颖花开花前后水稻本身各项生理化参数指标进行校验，通过研究水稻颖花开放的机制，找出促使水稻颖花开放的关键理化因素，建立对应关系，使得通过应用光谱反射率鉴别水稻颖花开放的实验具备其合理性。
[0102]
在450-600nm区间以及700-950nm区间内水稻颖花开放的光谱反射率明显低于水稻颖花未开花的光谱反射率，这是因为禾本科植物颖花开放的原理实际上是通过其基部的一对浆片吸水后膨大所启动，这个过程当中水稻颖花内部的渗透压改变较为显著，故而以水稻颖花渗透压作为主要因素的水稻生理化参数改变作为变量，使得水稻颖花的光谱反射率发生了改变，其中在上述两个波段区间内尤为明显，因此这个波段可作为水稻颖花开放前后的识别的敏感波段。
[0103]
针对水稻颖花开花检测的研究，采用全波段光谱数据，基于机器学习与深度学习模型进行开花状态监测，分别采用三种传统的机器学习模型(bp神经网络、支持向量机svm、随机森林)与一种神经学习模型(卷积神经网络)进行水稻颖花开花状态的分类识别。比较不同分类识别模型在水稻颖花开花检测任务上的泛化能力与不足，作为进一步优化算法性能的基础与依据。
[0104]
预测结果有四种情况分别为：
[0105]
tp(真阳性)：正样本被正确预测为正样本，即颖花开花的数据预测为开花；
[0106]
fp(假阳性)：负样本被错误预测为正样本，即颖花未开花的数据预测为开花；
[0107]
tn(真阴性)：负样本被正确预测为负样本，即颖花未开花的数据预测为未开花；
[0108]
fn(假阴性)：正样本被错误预测为负样本，即颖花开花的数据预测为未开花。
[0109]
评价指标为准确率(accuracy)，即正确预测颖花开花状态的数量，在总数中所占的比例。
[0110][0111]
将1600组的751维原始数据输入至上述四组分类识别模型进行训练，并使用400组原始数据进行验证，最终得出的结果如表3所示。
[0112]
表3原始数据的分类结果
[0113][0114][0115]
使用原始数据对分类模型进行训练，传统分类识别模型(即图1中的传统分类器)中的svm算法模型准确率为84.75％，rf算法模型准确率为88.25％，bp算法模型准确率为91.75％，深度学习模型中的cnn算法模型准确率为92.00％。准确率最低为svm算法模型的84.75％，最高为cnn算法模型准确率的92.00％，其相差的准确率为7.25％。
[0116]
svm算法模型准确率较低的原因可能为：核函数及其参数选取未达到最优的选择，
目前核函数及其参数的选择都是人为根据经验进行选取，具有一定的随机性与不确定性，不同的问题领域，可能需要不同的核函数及不同的参数。cnn算法模型的准确率最高的原因可能为：卷积神经网络有参数共享机制，该机制可以让网络的参数数量大大地减少，用较少的参数，训练出更加好的模型，典型的事半功倍，而且可以有效地避免过拟合；且网络连接的稀疏性可以使数据获得有更好更有效的权重。
[0117]
接着，需要对水稻颖花开花高光谱数据的特征降维分类，其中，具体的数据降维方式有以下几种：
[0118]
a、基于主成分分析法pca的特征提取
[0119]
对每组的751维数据使用主成分分析算法(pca)进行数据的特征提取，通过参数的优化，将751维数据降维至200维，最后将1600组的200维数据输入至传统分类识别模型与深度学习模型进行训练，并使用400组降维后的数据进行验证，最终得出的结果如表4所示：
[0120]
表4特征选择后数据的分类结果
[0121][0122][0123]
降维后的前10主成分的方差值占总方差值的比例为0.895050863、0.024668192、0.02146239、0.008212715、0.003823772、0.00282828、0.002473182、0.00239898、0.001889824、0.001825118，可看出主要分主要为第一个发挥主要作用，占比接近高达90％，其余的主成分都低于2.5％，大部分都低于1％。
[0124]
使用通过遗传算法进行特征选择的数据对分类模型进行训练，传统分类识别模型中的svm算法模型准确率为87.50％，rf算法模型准确率为91.25％，bp算法模型准确率为97.92％，深度学习模型中的cnn算法模型准确率为97.29％。准确率最低为svm算法模型的87.50％，最高为bp算法模型准确率的97.92％，其相差的准确率为10.42％。
[0125]
b、基于遗传算法ga的特征选择
[0126]
对每组的751维数据使用遗传算法(ga)进行数据的特征选择，通过参数的优化，将751维数据降维至360维，最后将1600组的360维数据输入至传统分类识别模型与深度学习模型进行训练，并使用400组降维后的数据进行验证，最终得出的结果如表5所示。遗传算法特征选择波段的结果如图11所示。
[0127]
表5特征选择后数据的分类结果
[0128][0129]
使用通过主成分分析算法进行特征提取的数据对分类模型进行训练，传统分类识别模型中的svm算法模型准确率为83.75％，rf算法模型准确率为89.00％，bp算法模型准确率为88％，深度学习模型中的cnn算法模型准确率为91.00％。准确率最低为svm算法模型的83.75％，最高为cnn算法模型准确率的91.00％，其相差的准确率为7.25％。
[0130]
c、结合特征提取和特征选择的特征降维方法
[0131]
对每组的751维数据使用主成分分析算法(pca)进行特征提取，将751维原始数据生成按重要性顺序排列的新751维特征数据，再使用遗传算法(ga)对新的751维数据进行特征选择，通过参数的优化，将新的751维数据降维至392维，最后将1600组的360维数据输入至传统分类识别模型与深度学习模型进行训练，并使用400组降维后的数据进行验证，最终得出的结果如表6所示：
[0132]
表6特征提取与特征选择结合后数据的分类结果
[0133][0134]
降维后的前10主成分的方差值占总方差值的比例为0.895050863、0.024668192、0.02146239、0.008212715、0.003823772、0.00282828、0.002473182、0.00239898、0.001889824、0.001825118，可看出主要分主要为第一个发挥主要作用，占比接近高达90％，其余的主成分都低于2.5％，大部分都低于1％。结合算法特征选择波段的结果如图12所示。
[0135]
使用先通过主成分分析算法进行特征提取后通过遗传算法进行特征选择的数据对分类模型进行训练，传统分类识别模型中的svm算法模型准确率为82.50％，rf算法模型准确率为81.45％，bp算法模型准确率为92.92％。深度学习模型中的cnn算法模型准确率为94.17％，准确率最低为rf算法模型的81.45％，最高为bp算法模型准确率的94.17％，其相差的准确率为12.72％。
[0136]
在数据的处理方法中，使用遗传算法对原始数据进行特征选择，从而达到数据降维的目的，但是遗传算法处理的结果与原始数据的结果差别微小，甚至略微逊色，与原始数据的结果大约差1％的准确率。使用先通过主成分分析算法进行特征提取，将751维数据按
重要性顺序排列，再使用遗传算法进行特征选择，再使用处理过的数据分类得出结果较为好，其中最好的为cnn算法模型，准确率为94.17％。使用主成分分析算法对原始数据进行特征提取得出的结果为最好，为bp算法模型，准确率为97.92％。
[0137]
对于四种的分类识别模型，传统分类识别模型中svm算法模型准确率最低，但仍有80％以上的准确率，rf算法模型准确率一般，有90％左右的准确率，bp算法模型准确率最好，基本在90％以上的准确率。传统分类识别模型与深度学习模型的准确率对比，cnn算法模型的准确率最好，准确率都在90％以上。深度学习模型中的cnn算法模型准确率为四种分类算法模型中最好。
[0138]
各数据处理方法下的不同分类模型准确率如表7所示：
[0139]
表7各数据处理的分类模型准确率对比
[0140][0141]
综上所述，最优的模型构建为，使用主成分分析算法对原始数据进行降维，再将新的数据输入cnn算法模型中进行分类，以此得到最佳分类识别模型，然后对最佳分类识别模型进行算法的封装；将新采集到水稻颖花高光谱数据输入到封装的算法模型中，获取分类识别结果。
[0142]
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、块合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。