【摘要】 这项研究还强调了使用扫描电子显微镜（SEM）成像技术的系统性和功能性小麦识别方法。

随着世界人口的增加、农田面积的减少和全球气候变化，寻找智能系统对于保持产品质量和生产力变得非常重要。小麦是人类健康的基本宏量营养素，小麦的连续、优质、清洁生产，需要使用高产、优质、无杂的清洁种子。本次综述的目标是为食品工业中的小麦品种提供计算机辅助识别，并为分类学家提供克服分类困难的机会。

 

这项研究还强调了使用扫描电子显微镜（SEM）成像技术的系统性和功能性小麦识别方法。综述发现，深度学习方法不仅可以准确地对小麦品种的 SEM 图像进行分类，而且可以在不同的环境条件（灌溉和非灌溉）下区分它们。

 

Fig. 1 a Hitachi Regulus scanning electron microscopy and b gold and palladium plated[1]

 

使用 SEM，借助镜筒中的收集器透镜，从电子源发射的电子在真空下落在样品上。

 

然后，检测由于电子束与样品表面原子相互作用而产生的粒子和X射线，并获得有关样品的形貌和化学成分的信息。

 

如图 1 所示，研究中使用的 Hitachi Regulus 8230 品牌/型号 SEM 具有冷场发射电子枪，在 1 kV 下的图像分辨率为 0.9 nm。该显微镜在 0.5–30 kV 范围内工作，凭借其光束减速功能可将电压降至 10 V，从而在低工作电压下提供 HR。根据样品特性，HR 成像的放大倍数最高可达 2000-k。 SEM 成像遇到的最大问题之一是高倍率拍摄过程中生物材料的燃烧。

 

因此，在研究范围内拍摄的小麦横截面采用 Leica EM ACE600 品牌镀膜装置镀有金/钯。所有与小麦样品相关的方法均按照相关指南和规定进行。

 

Fig. 2 SEM images of the non-irrigated Bezostaya wheat sample[1]

 

如果某个像素（异常值）偏离中值超过阈值，则将其替换为相邻像素的中值。对于 [0–255] 像素范围，半径和阈值分别选择为 10 和 50。实现非局部均值（NLM）[2] 滤波器以去除噪声并清洁边缘，同时保留太多精细纹理和细节。从 SEM 数据集中选择的每个 Bezostaya 非灌溉小麦种子的代表性图像如图 2 所示。基于 CNN 的架构在三个小麦数据集上的泛化能力，每个数据集由不同数量的类和异构图像特征组成，由不同的小麦收成收集。

 

EfficientNet 模型值得注意，因为与以前的模型相比，它提供了更高的训练速度和更好的参数效率。因此，在有效的预处理任务之上使用了 EfficientNetB4 和 EfficientNetV2-M。研究结果证实，SEM 成像在农业诊断和分类方面表现出色。实验结果表明，与最先进的卷积神经网络（CNN）算法相比，所提出的技术提供了明显更好的定量结果和更高的准确率。

 

[1]Anagun, Y., Isik, S., Olgun, M.et al.The classification of wheat species based on deep convolutional neural networks using scanning electron microscope (SEM) imaging.Eur Food Res Technol 249, 1023–1034 (2023). https://doi.org/10.1007/s00217-022-04192-8

[2]. Buades A, Coll B, Morel J 2005 A non-local algorithm for image denoising. In: 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). 60–65.

 

科学指南针已获得检验检测机构资质认定证书（CMA）、实验动物使用许可证、“ISO三体系认证”等专业认证，并荣获国家高新技术企业、国家“互联网+科研服务领军企业等多项荣誉。未来，科学指南针将继续朝着“世界级科研服务机构”的目标，在产品研发和用户服务等方面持续努力，为科学发展和技术创新做出更大贡献。

 

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。