当玉米植株作为饲料被收获时，饲料的质量在很大程度上取决于玉米籽粒大小以及是否充分破碎。对于奶牛饲料，破碎的籽粒中的淀粉更易被获取，能在相同饲料量下提高产奶量；在沼气生产中，完整或破碎不充分的玉米籽粒因为其中的淀粉发酵更慢且不完全，导致出气量少，能量产出较低。玉米籽粒淀粉的暴露取决于饲料收割机的设置，如切割长度和加工辊距离。现代收割机能在短时间内处理大量玉米饲料，不理想的设置会影响收割机燃油消耗和收获量，激进的设置不一定能提高加工质量，还可能增加能耗。传统上采用Kernel Processing Score（KPS）来评估玉米加工质量，其定义为通过4.75mm筛的淀粉颗粒的质量分数，理想值接近1。但确定KPS的过程涉及多个干燥、称重和分离步骤，不适合田间评估，无法为操作员优化收割机设置提供实时反馈。
随着计算机视觉用于检测和计数操作，已有研究使用图像分析和深度学习方法评估KPS，但这些研究使用RGB图像，籽粒和其他饲料颗粒之间对比度有限。光谱成像能同时提供光谱和空间信息，其光谱信息可用于区分不同材料。传统处理高光谱图像数据的方法是使用机器学习模型基于获取的光谱对图像中的像素进行分类，已有研究使用此方法估计玉米作物的生物能源潜力和产量，以及评估单个籽粒的质量。但这些模型缺乏考虑空间或相邻像素信息的能力，而计算KPS需要估计平均粒径或粒径分布以及籽粒形状，因此引入深度学习模型同时获取光谱和空间特征。深度学习模型近年来在RGB数据上有广泛研究，但在高光谱数据上的应用，特别是在目标检测方面鲜见报道。
近期，一项发表于Computers and Electronics in Agriculture的研究，探讨了利用高光谱成像技术评估玉米饲料中籽粒加工质量的方法，通过对比不同模型，证明了光谱信息在籽粒检测中的价值，并分析了各模型的优缺点及应用前景。
材料与方法
图1 图像采集装置的示意图
图2 分离出的籽粒（左）和非籽粒材料（右）
图3 RGB图像上的真实标注（左）及对应高光谱图像生成的虚拟RGB图像（右）
主要研究结果
OSC预处理的PLSDA模型在独立测试集上准确率最高，达95.2%。筛选出的5个重要波段分别为935-990nm、435-484nm、460-510nm、633-685nm和688-740nm，基于这5个波段的模型准确率与全光谱模型相近，且优于RGB模型。
表1 使用不同波段数量的像素分类器概述及其在训练集、验证集和测试集上的准确率
图5 （a）非籽粒材料（上）和籽粒（下）的像素分类模型及其预测（右）和真实RGB（左）
Faster R-CNN模型的籽粒检测
基于5个选定波段的Faster R-CNN模型在AP50指标上优于基于RGB的模型，但 AP50值仍较低，可能是由于高光谱图像空间分辨率低，限制了小籽粒的空间信息。提高交并比（IoU）阈值至 0.3（AP30）时，模型性能有所提高，5 个波段模型在有锚点调整时 AP30 值最高可达 53.3%。
表2 IoU值为 0.3 和 0.5 时，最佳的 5 个波长模型和 RGB 模型在验证集和测试集上的平均精度值
人烟寒橘柚，秋色老梧桐。
