玉米作为中国重要粮食作物，品种众多，易出现错分现象，影响农业安全和粮食生产。针对传统基于卷积神经网络CNN（Convolutional Neural Network）的高光谱图像作物品种识别模型所需建模样本数量巨大的问题，提出基于高光谱像素级信息和CNN的玉米种子品种识别模型。首先，获取不同品种玉米种子在400—1000 nm范围内的高光谱图像，提取样本全部像素的203维光谱信息，利用主成分分析PCA（Principal Component Analysis）算法将光谱维度降至8维。在实验中，样本的像素级光谱信息（即：样本的全部像素的光谱信息）除应用于CNN模型外，也应用于支持向量机（SVM）和K近邻分类（KNN）模型中，结果表明：在相同模型中，基于像素级光谱信息比基于米粒级光谱信息（即：每粒样本所有像素光谱信息的平均值）识别效果好；在相同情况下，CNN模型比SVM和KNN模型的识别效果好；基于像素级光谱信息和CNN的品种识别模型识别效果最稳定，依据像素级分类结果采用多数投票策略对玉米种子样本进行识别，样本识别精度高达100%（注：100%为建模集样本与测试集样本数量为0.27和0.32时的识别精度，随着测试集样本数量的增加，该识别精度将有所降低）。最后，使用t分布随机邻域嵌入（t-SNE）算法实现CNN输出特征值的可视化，验证了基于高光谱像素级信息和CNN的品种识别模型的有效性。在建模样本极少的情况下，实现了玉米种子品种的无损、高效识别，为精准农业提供了理论基础。

PDF全文下载地址:

http://www.ygxb.ac.cn/rc-pub/front/front-article/download?id=10705925