The Application of Machine Learning in Crop Variety Recognition: A Review

doi:10.11924/j.issn.1000-6850.casb20191100813

Abstract

Abstract:

The successful application of machine learning in the field of image recognition provides a new idea for the automatic recognition of crop varieties. In order to fully understand the application status of machine learning in crop variety recognition and grasp the development trend and research direction of crop variety recognition, this paper summarized the common acquisition methods of crop image, and analyzed the research status of crop varieties recognition based on spectral image and RGB image with machine learning methods. The research on crop variety recognition based on RGB images started earlier, the cost of image acquisition is relatively low, and the recognition rate is general; the research on crop variety recognition based on hyperspectral images has developed rapidly in recent years, and the recognition accuracy is relatively high, but the cost of image acquisition is higher and easily affected by environmental factors. Through the summary, the existing problems in crop variety recognition research are pointed out, and it is considered that deep learning has a wide application prospect in the automatic recognition of crop varieties.

Key words: machine learning, spectral image, RGB image, crop variety recognition, image classification

CLC Number:

S3-3

Yang Lingyan, Zhang Hongyan, Chen Yufeng, Liu Yawen. The Application of Machine Learning in Crop Variety Recognition: A Review[J]. Chinese Agricultural Science Bulletin, 2020, 36(30): 158-164.

Figures/Tables 4

References 51

[1]	王莺, 巩垠熙. 遥感光谱技术在农作物估产中的应用研究进展[J]. 中国农学通报, 2019,35(03):69-75.
[2]	Etherm A. 机器学习导论[M]. 范明, 昝红英,牛常勇译.北京:机械工业出版社, 2009.
[3]	曹晓兰, 邓梦洁, 崔国贤. 高光谱结合主成分分析的苎麻品种识别[J]. 光谱学与光谱分析, 2019,39(06):1905-1908.
[4]	刘凯, 龚辉, 曹晶晶, 等. 基于多类型无人机数据的红树林遥感分类对比[J]. 热带地理, 2019,39(04):492-501.
[5]	Christina K, Marios O, Konstantinos K. Vineyard Detection and Vine Variety Discrimination from Very High Resolution Satellite Data[J]. Remote Sensing, 2016,8(3):235-260. doi: 10.3390/rs8030235 URL
[6]	Zhang B H, Li J B, Zheng L, et al. Development of a Hyperspectral Imaging System for the Early Detection of Apple Rottenness Caused by Penicillium[J]. Journal of Food Process Engineering, 2015,38(5):11. doi: 10.1111/jfpe.2015.38.issue-1 URL
[7]	武锦龙, 苗荣慧, 黄锋华, 等. 高光谱图像与卷积神经网络相结合的油桃轻微损伤检测[J]. 山西农业大学学报:自然科学版, 2019,39(02):79-85.
[8]	曹乐平. 基于机器视觉的植物病虫害实时识别方法[J]. 中国农学通报, 2015,31(20):244-249.
[9]	李亨. 高光谱技术在马铃薯淀粉含量无损检测中的应用研究[D]. 哈尔滨:东北农业大学, 2018.
[10]	牛鲁燕, 孙家波, 刘延忠等. 基于成像高光谱的小麦叶片叶绿素含量估测模型研究[J]. 河南农业科学, 2016,45(04):150-154.
[11]	Chatnuntawech I, Tantisantisom K, Khanchaitit P, et al. Rice Classification Using Hyperspectral Imaging and Deep Convolutional Neural Network[J]. arXiv, 2018(18):1-22.
[12]	Hasan Md Mehedi, Chopin Joshua P, Laga Hamid, et al. Correction to: Detection and analysis of wheat spikes using Convolutional Neural Networks[J]. Plant methods, 2018(14):100-113.
[13]	Joshi, Suraj Saxena, Nitin Khanna. First steps toward CNN based source classification of document images shared over messaging app[J]. Signal Processing: Image Communication, 2019(78):32-41.
[14]	徐朋, 徐伟诚, 罗阳帆, 等. 基于无人机可见光遥感影像的耕地精准分类方法研究[J]. 中国农业科技导报, 2019,21(06):79-86.
[15]	王孝宇. 基于机器视觉的柑桔苗品种识别方法[J]. 中国果业信息, 2018,35(06):58-61.
[16]	冯丽娟, 李秀娟, 文成林. 基于稀疏表示的小麦品种识别[J]. 江南大学学报:自然科学版, 2015,14(06):730-735.
[17]	倪茜茜, 祁亨年, 周竹, 等. 基于高光谱成像技术的红酸枝木材种类识别[J]. 浙江农林大学学报, 2016,33(03):489-494.
[18]	刘瑶, 谭克竹, 陈月华, 等. 基于分段主成分分析和高光谱技术的大豆品种识别[J]. 大豆科学, 2016,35(04):672-678.
[19]	罗微, 杜焱喆, 章海亮. PCA和SPA的近红外光谱识别白菜种子品种研究[J]. 光谱学与光谱分析, 2016,36(11):3536-3541.
[20]	杨赛. 基于张量分析的玉米种子高光谱图像最优波段选择[D]. 无锡:江南大学, 2017.
[21]	魏利峰. 玉米种子高光谱图像品种检测方法研究[D]. 沈阳:沈阳农业大学, 2017.
[22]	孟惜, 王克俭, 韩宪忠. 基于改进BP网络的小麦品种识别[J]. 贵州农业科学, 2017,45(10):156-160.
[23]	黄蒂云. 基于高光谱图像技术的脱绒棉种品种鉴别方法研究[J]. 石河子大学, 2018.
[24]	曹晓兰, 陈星明, 张帅, 等. 高光谱参数和逐步判别的苎麻品种识别[J]. 光谱学与光谱分析, 2018,38(05):1547-1551.
[25]	王卓卓, 何英彬, 罗善军, 等. 基于冠层高光谱数据与马氏距离的马铃薯品种识别[J]. 江苏农业学报, 2018,34(05):1036-1041.
[26]	刘双喜, 张宏建, 王金星, 等. 基于可见光波段的色彩概率聚类模型的玉米杂交种子识别[J]. 光谱学与光谱分析, 2018,38(08):2516-2523.
[27]	Qiu Z J, Chen J, Zhao Y Y, et al. Variety Identification of Single Rice Seed Using Hyperspectral Imaging Combined with Convolutional Neural Network[J]. Applied Sciences, 2018,8(2):212-224. doi: 10.3390/app8020212 URL
[28]	章林忠, 蔡雪珍, 方从兵. 近红外光谱定量和定性分析技术在鲜食葡萄果实无损检测中的应用[J]. 浙江农业学报, 2018,30(02):330-338.
[29]	Xie C, He Y. Modeling for mung bean variety classification using visible and near-infrared hyperspectral imaging[J]. International Journal of Agricultural and Biological Engineering, 2018,11(1):187-191.
[30]	Zhang J, Feng X, Liu X, et al. Identification of Hybrid Okra Seeds Based on Near-Infrared Hyperspectral Imaging Technology[J]. Applied Sciences, 2018,8(10). doi: 10.3390/app8101715 URL pmid: 32457819
[31]	Wu N, Zhang C, Bai X, et al. Discrimination of Chrysanthemum Varieties Using Hyperspectral Imaging Combined with a Deep Convolutional Neural Network[J]. Molecules, 2018,23(11):2831-2845. doi: 10.3390/molecules23112831 URL
[32]	尚静, 张艳, 孟庆龙. 可见/近红外光谱技术无损识别苹果品种的研究[J]. 保鲜与加工, 2019(03):8-14
[33]	苗荣慧, 黄锋华, 杨华等. 基于光谱和Gabor纹理信息融合的油桃品种识别[J]. 江苏农业科学, 2019,47(06):174-178.
[34]	Su W H, Bakalis S, Sun D W . Chemometrics in tandem with near infrared (NIR) hyperspectral imaging and Fourier transform mid infrared (FT-MIR) microspectroscopy for variety identification and cooking loss determination of sweet potato[J]. Biosystems Engineering, 2019(180):70-86.
[35]	Wu N, Zhang Y, Na R, et al. Variety identification of oat seeds using hyperspectral imaging: investigating the representation ability of deep convolutional neural network[J]. RSC Advances, 2019(9):12634-12644.
[36]	邓立苗, 唐俊, 马文杰. 基于图像处理的玉米叶片特征提取与识别系统[J]. 中国农机化学报, 2014,35(06):72-75,79.
[37]	Taner A, Ali Tekgüler, Hüseyin Sauk. Classification of durum wheat varieties by artificial neural networks[J]. Anadolu Tarım Bilimleri Dergisi, 2015,30(1):51-59.
[38]	孙宏杰. 基于叶片图像分析的葡萄品种识别方法研究[D]. 杨凌:西北农林科技大学, 2016.
[39]	翟果, 李志敏, 路文超, 等. 基于图像处理技术的观赏菊品种识别方法研究[J]. 中国农机化学报, 2016,37(02):105-110,115.
[40]	付晓鹏. 基于计算机视觉的大豆品种识别技术的研究[D]. 哈尔滨:东北农业大学, 2017.
[41]	杜璇. 基于流形学习的葡萄叶片品种识别方法研究[D]. 杨凌:西北农林科技大学, 2017.
[42]	Lo Bianco R, Mirabella F. Use of Leaf and Fruit Morphometric Analysis to Identify and Classify White Mulberry (Morus alba L.) Genotypes[J]. Agriculture (MDPI), 2018,8(10):157-166.
[43]	侯干. 基于机器视觉苦荞种子的鉴别[D]. 杨凌:西北农林科技大学, 2018.
[44]	袁培森, 黎薇, 任守纲, 等. 基于卷积神经网络的菊花花型和品种识别[J]. 农业工程学报, 2018,34(05):152-158.
[45]	陈文根, 李秀娟, 吴兰. 基于深度卷积网络的小麦品种识别研究[J]. 粮食储藏, 2018,47(02):1-4,13.
[46]	Francisco J. Rodríguez, Antonio García, Pardo P J, et al. Study and classification of plum varieties using image analysis and deep learning techniques[J]. Progress in Artificial Intelligence, 2018,7(2):119-127. doi: 10.1007/s13748-017-0137-1 URL
[47]	李冬. 基于图像的稻花香水稻种子鉴别方法的研究[D]. 大庆:黑龙江八一农垦大学, 2018.
[48]	Deng L M, Han Z Z. Image features and DUS testing traits for peanut pod variety identification and pedigree analysis[J]. Journal of the science of food and agriculture, 2019,99(5):2572-2578. doi: 10.1002/jsfa.9472 URL pmid: 30411361
[49]	赵春江. 智慧农业展望, 有数字技术才有新未来[J]. 营销界:农资与市场, 2018(18):59-61.
[50]	陈玲, 贾佳, 王海庆. 高分遥感在自然资源调查中的应用综述[J]. 国土资源遥感, 2019,31(01):1-7.
[51]	王斌, 范冬林. 深度学习在遥感影像分类与识别中的研究进展综述[J]. 测绘通报, 2019(02):99-102,136.

图像内容	采集环境	时间	机器学习算法	识别精度/%	参考文献
小麦粒	实验室	2015	稀疏表示方法	96.70	[16]
红酸枝木	实验室	2015	ELM	100.0	[17]
大豆	实验室	2016	PCA	91	[18]
白菜种子	实验室	2016	LS-SVM	100	[19]
玉米种子	实验室	2017	LS-SVM	93.08	[20]
玉米种子	实验室	2017	PLS-DA	98.14	[21]
小麦籽	实验室	2017	BP神经网络	91-100	[22]
脱绒棉	实验室	2018	PLS-DA	96	[23]
苎麻叶片	自然环境	2018	逐步判别分析	91	[24]
马铃薯冠层	自然环境	2018	马氏距离逐步判别分析	87.70	[25]
玉米种子	实验室	2018	Som/k-meas/两步法	75~98	[26]
水稻种子	实验室	2018	CNN	87	[27]
水稻种子	实验室	2018	DCNN	97.67	[11]
葡萄	实验室	2018	判别模型	92.11	[28]
绿豆	实验室	2018	ELM线性判别模型	99.58	[29]
秋葵种子	实验室	2018	SVM	93.62	[30]
干菊花	实验室	2018	DCNN	100	[31]
苹果	实验室	2019	MSC+KNN	100	[32]
油桃	实验室	2019	SVM	94.70	[33]
熟甘薯	实验室	2019	PLS-DA	100	[34]
燕麦种子	实验室	2019	DCNN	99.19	[35]

图像内容	采集环境	时间	机器学习算法	识别精度/%	参考文献
小麦粒	实验室	2015	稀疏表示方法	96.70	[16]
红酸枝木	实验室	2015	ELM	100.0	[17]
大豆	实验室	2016	PCA	91	[18]
白菜种子	实验室	2016	LS-SVM	100	[19]
玉米种子	实验室	2017	LS-SVM	93.08	[20]
玉米种子	实验室	2017	PLS-DA	98.14	[21]
小麦籽	实验室	2017	BP神经网络	91-100	[22]
脱绒棉	实验室	2018	PLS-DA	96	[23]
苎麻叶片	自然环境	2018	逐步判别分析	91	[24]
马铃薯冠层	自然环境	2018	马氏距离逐步判别分析	87.70	[25]
玉米种子	实验室	2018	Som/k-meas/两步法	75~98	[26]
水稻种子	实验室	2018	CNN	87	[27]
水稻种子	实验室	2018	DCNN	97.67	[11]
葡萄	实验室	2018	判别模型	92.11	[28]
绿豆	实验室	2018	ELM线性判别模型	99.58	[29]
秋葵种子	实验室	2018	SVM	93.62	[30]
干菊花	实验室	2018	DCNN	100	[31]
苹果	实验室	2019	MSC+KNN	100	[32]
油桃	实验室	2019	SVM	94.70	[33]
熟甘薯	实验室	2019	PLS-DA	100	[34]
燕麦种子	实验室	2019	DCNN	99.19	[35]

图像内容	采集环境	时间	机器学习算法	识别精度/%	参考文献
玉米叶片	实验室	2014	SVMKM/随机森林	91	[36]
小麦籽	实验室	2015	ANN	99.99	[37]
葡萄叶片	实验室	2016	DCNN	88.33	[38]
菊花	实验室	2016	KNN	92.17	[39]
大豆	实验室	2017	LWKNCN	85.61	[40]
葡萄叶片	实验室	2017	支持向量机+流行降维+VGG-NET	90.33	[41]
白桑叶、果实	实验室	2018	线性判别分析	86.20	[42]
苦荞种子	实验室	2018	卷积残差网络	71.30	[43]
菊花	自然环境	2018	CNN	95	[44]
小麦籽	实验室	2018	DCNN	98.40	[45]
李子	实验室	2018	DCNN	94	[46]
水稻种子	实验室	2018	PCA	88	[47]
小麦穗	自然环境	2018	Faster-RCNN	95	[12]
花生荚	实验室	2019	支持向量机	90	[48]

图像内容	采集环境	时间	机器学习算法	识别精度/%	参考文献
玉米叶片	实验室	2014	SVMKM/随机森林	91	[36]
小麦籽	实验室	2015	ANN	99.99	[37]
葡萄叶片	实验室	2016	DCNN	88.33	[38]
菊花	实验室	2016	KNN	92.17	[39]
大豆	实验室	2017	LWKNCN	85.61	[40]
葡萄叶片	实验室	2017	支持向量机+流行降维+VGG-NET	90.33	[41]
白桑叶、果实	实验室	2018	线性判别分析	86.20	[42]
苦荞种子	实验室	2018	卷积残差网络	71.30	[43]
菊花	自然环境	2018	CNN	95	[44]
小麦籽	实验室	2018	DCNN	98.40	[45]
李子	实验室	2018	DCNN	94	[46]
水稻种子	实验室	2018	PCA	88	[47]
小麦穗	自然环境	2018	Faster-RCNN	95	[12]
花生荚	实验室	2019	支持向量机	90	[48]