玉米籽粒性状，如粒长、粒宽和粒数决定了玉米总粒重，从而决定了玉米产量。因此，玉米籽粒性状的测定对玉米育种和产量评估都至关重要。目前存在几种通过图像处理提取玉米籽粒特征的方法。本文评估了深卷积神经网络和二元机器学习(ML)算法(logistic回归(LR)、支持向量机(SVM)、AdaBoost(ADB)、分类树(CART)和K-邻域(kNN))在玉米籽粒败育检测和分类中的应用潜力。

用于聚类过程的玉米穗样本照片

以总计66幅图像为实验材料，其中75%进行算法训练，剩下的25%用于测试算法性能。混淆矩阵、分类准确率和精度是评估算法性能的主要指标。结果显示，SVM和LR算法在所有玉米籽粒败育状态下都具有很高的准确率和精度(100%)，其余算法的性能均大于95%。利用不同激活和优化技术进一步评估深度卷积神经网络。结果显示，使用ReLu激活程序和Adam优化技术可达到最佳性能(100%精度)。与未败育玉米穗相比，所有测试算法都能以最少的训练和测试时间准确检测出有败育的玉米穗。

显示所有主要操作的深度学习卷积神经网络结构

用树状图表示的层次聚类算法将玉米籽粒分为两大类

综上所述，深度卷积神经网络辅以二元机器学习算法，可以用来检测玉米穗败育状况。利用卷积神经网络(CNN)方法，可以采集和处理成百上千个玉米穗数据(大数据)，加快表型进程。

混淆矩阵总结了分类的准确性，精度和特异性

来源：

Chipindu L, Mupangwa W, Mtsilizah J, et al. Maize Kernel Abortion Recognition and Classification Using Binary Classification Machine Learning Algorithms and Deep Convolutional Neural Networks. AI 2020, 1(3), 361-375; https://doi.org/10.3390/ai1030024.