:稻种活力对水稻产量的高低有重要影响，但目前稻种活力的近红外和高光谱等无损检测方法易受种子表皮颜色影响，且所建模型难以适应新品种。该研究提出基于光声光谱技术的稻种活力无损检测方法并结合迁移学习进行新品种稻种活力检测。首先，对Y两优、龙粳、南粳、宁粳、武运粳、新两优等具有区域代表性的典型6种水稻品种，进行高温高湿人工老化处理；再通过调制频率获得8种不同深度的光声光谱信息，用竞争性自适应重加权、主成分分析算法进行光谱降维得到特征光谱后，对Y两优、龙粳、南粳、宁粳、武运粳分别建立反向传播神经网络、偏最小二乘回归、广义回归神经网络、支持向量回归、深度卷积神经网络的稻种活力预测模型；最后，通过迁移学习将建立的模型迁移到新两优进行活力预测。结果表明，光声光谱最佳扫描频率为300 Hz，CNN预测模型精度较高；且经过迁移学习，仅需对源域数据训练，即可直接对新品种稻种的活力进行精确预测。研究表明，基于光声光谱深度扫描技术的稻种活力高精度检测方法是有效的，且经过迁移学习，仅需80粒新品种稻种信息即可实现稻种活力的精确预测。
目录
摘 要 Ⅰ
ABSTRACT Ⅱ
第一章 文献综述 1
1 国外研究现状 1
2 国内研究现状 2
3 光声光谱技术 2
第二章 材料与方法 3
1 试验材料 3
2 稻种老化试验 3
3 光声光谱检测 3
4 发芽试验 4
5 集合经验模态分解去噪处理 4
6 基于光声光谱的稻种活力预测建模 4
6.1 偏最小二乘回归模型 5
6.2 反向传播神经网络模型 5
6.3 广义回归神经网络模型 5
6.4 支持向量回归模型 5
6.5 深度卷积神经网络模型 6
7 对新品种稻种活力检测的迁移学习方法 6
第三章 结果与分析 7
1 稻种发芽率 7
2 光声光谱数据去噪处理 7
3 光声光谱数据降维 8
3.1 基于PCA的特征波长提取 8
3.2 基于CARS的特征波长提取 9
4 稻 *51今日免费论文网|www.51jrft.com +Q: &351916072& 
种活力检测建模 9
5 基于迁移学习的新品种稻种活力检测 11
第四章 结论与展望 12
4.1 结论 12
4.2 展望 12
参考文献 13
附 录 15
目录
致 谢 24
基于光声光谱和TCA迁移学习的稻种活力检测
目录

原文链接：http://www.jxszl.com/dzxx/dzdq/609040.html