[论文解读] Maize Haploid Identification via LSTM-CNN and Hyperspectral Imaging Technology

Xuan-Yu Wang, Wen-Xuan Liao+2 more|arXiv (Cornell University)|May 23, 2018

Spectroscopy and Chemometric Analyses参考文献 2被引用 9

一句话总结

本研究提出了一种新颖的LSTM-CNN深度学习模型，利用高光谱成像技术在1367.6–1526.4 nm波段范围内选择最优波段，实现了97%的玉米单倍体种子识别准确率。LSTM用于去除噪声波段，而CNN则识别具有高区分度的波段区间，从而实现高精度、非侵入性且高效的种子分选，且仅使用了全数据集的1/5进行训练。

ABSTRACT

Accurate and fast identification of seed cultivars is crucial to plant breeding, with accelerating breeding of new products and increasing its quality. In our study, the first attempt to design a high-accurate identification model of maize haploid seeds from diploid ones based on optimum waveband selection of the LSTM-CNN algorithm is realized via deep learning and hyperspectral imaging technology, with accuracy reaching 97% in the determining optimum waveband of 1367.6-1526.4nm. The verification of testing another cultivar achieved an accuracy of 93% in the same waveband. The model collected images of 256 wavebands of seeds in the spectral region of 862.9-1704.2nm. The high-noise waveband intervals were found and deleted by the LSTM. The optimum-data waveband intervals were determined by CNN's waveband-based detection. The optimum sample set for network training only accounted for 1/5 of total sample data. The accuracy was significantly higher than the full-waveband modeling or modeling of any other wavebands. Our study demonstrates that the proposed model has outstanding effect on maize haploid identification and it could be generalized to some extent.

研究动机与目标

• 开发一种高精度、非侵入性的方法，用于在二倍体种子中识别玉米单倍体种子，以加速育种进程。
• 克服传统方法存在的高成本、耗时长以及依赖人工操作或复杂标记等局限性。
• 利用深度学习与高光谱成像技术，提取最优光谱特征以提升识别性能。
• 识别出能最大化分类准确率同时最小化数据复杂度的最具信息量的波段区间。
• 展示模型在不同玉米品种及波段配置下的泛化能力。

提出的方法

• 高光谱成像在862.9–1704.2 nm范围内采集玉米种子的256个波段，捕捉光谱与空间特征。
• LSTM用于分析波段序列的时序数据，通过比较不同波段序列下损失函数的收敛行为，识别出噪声较高的波段区间。
• CNN执行基于波段的分类任务，检测具有高识别准确率的波段区间，选择最具区分度的光谱区域。
• 模型在仅包含最优波段区间（1367.6–1526.4 nm）的缩减数据集上进行训练，该数据集占总数据的1/5。
• 最终模型采用LSTM-CNN混合架构，联合优化噪声滤除与特征提取以实现分类。
• 通过跨品种测试及与全波段和替代波段模型的对比，验证模型性能。

实验结果

研究问题

• RQ1 基于高光谱成像的深度学习模型能否准确识别玉米单倍体种子与二倍体种子？
• RQ2 哪些特定波段区间包含区分单倍体与二倍体种子的最具区分度的光谱信息？
• RQ3 通过LSTM与CNN进行波段选择，相较于全谱建模，如何提升分类准确率？
• RQ4 该模型在多大程度上可泛化至不同玉米品种？
• RQ5 通过LSTM去除噪声波段是否能提升模型的稳定性和准确率？

主要发现

• 所提出的LSTM-CNN模型在最优波段区间（1367.6–1526.4 nm）上实现了97%的识别准确率，显著优于全波段建模（80%）及其他波段子集（<90%）。
• 最优波段区间（1367.6–1526.4 nm）被确定为基于光谱特征区分玉米单倍体与二倍体种子最具信息量的区域。
• 仅在总数据1/5的选定最优波段上进行训练，即实现了更高的准确率和更优的测试稳定性，优于在更宽或全波段范围上训练的结果。
• 模型展现出良好的泛化能力，在使用相同最优波段区间的另一玉米品种上测试时，准确率达到93%。
• LSTM成功识别并排除了受噪声影响的波段区间，提升了整体模型的鲁棒性与性能。
• 混合LSTM-CNN方法优于传统方法（如SVM和基于PCA的模型），尤其在处理高维、噪声较多的高光谱数据方面表现更优。