Sortenidentifikation von einzelnen Reissamen mittels hyperspektraler Bildgebung in Kombination mit convolutionalen neuronalen Netzwerken

Die Machbarkeit der Verwendung hyperspektraler Bildgebung mit convolutionalen neuronalen Netzwerken (CNN) zur Identifizierung von Reissamenvarianten wurde untersucht. Hyperspektrale Bilder von 4 Reissamenvarianten in zwei verschiedenen Spektralbereichen (380–1030 nm und 874–1734 nm) wurden aufgenommen. Die Spektraldaten in den Bereichen von 441–948 nm (Spektralbereich 1) und 975–1646 nm (Spektralbereich 2) wurden extrahiert. K-Nearest Neighbors (KNN), Support Vector Machine (SVM) und CNN-Modelle wurden mit unterschiedlichen Anzahl von Trainingsmustern (100, 200, 300, 400, 500, 600, 700, 800, 900, 1000, 1500, 2000, 2500 und 3000) erstellt. KNN, SVM und CNN-Modelle im Spektralbereich 2 schnitten etwas besser ab als die im Spektralbereich 1. Die Modellleistungen verbesserten sich mit der Zunahme der Anzahl an Trainingsmustern. Die Verbesserungen waren nicht signifikant, wenn die Anzahl der Trainingsmuster groß war. Das CNN-Modell schnitt in den meisten Fällen besser ab als die entsprechenden KNN- und SVM-Modelle, was die Effektivität der Verwendung von CNN zur Analyse von Spektraldaten zeigte. Die Ergebnisse dieser Studie zeigten, dass CNN in der Spektraldatenanalyse mit vielversprechenden Ergebnissen eingesetzt werden könnte. Weitere Reissorten müssen in zukünftigen Forschungen untersucht werden, um den Einsatz von CNNs in der Spektraldatenanalyse zu erweitern.