Machine Learning-based Predictive Modelling of Seed Mass and Terminal Velocity through Physical and Morphological Characteristics of Selected Seeds
Shubham Chaudhary · Tapan Kumar Khura · P. Sahoo 等 9 人
用机器学习预测种子质量和终速，基于形态特征，为气力式排种器设计提供支持。
比较七种机器学习模型，用形态特征预测，五折交叉验证，SHAP解释。
随机森林预测种子质量最准（R²=0.9994），决策树预测终速最优（R²=0.9978），关键特征为
可扩展至更多作物和实际排种系统，探索深度学习或集成方法以提高泛化能力，并考虑实时应用。
研究利用机器学习精准预测种子质量与终端速度，为智能气力式排种系统提供关键参数，方法新颖且数据可靠，但时效性稍差。
基于基本形态特征精确测量种子质量和终端速度，对于精密农业中气力式排种器、种子处理及分级系统的设计至关重要。本研究评估了七种不同机器学习模型在预测玉米（*Zea mays*）、大豆（*Glycine max*）和黄秋葵（*Abelmoschus esculentus*）种子质量及终端速度方面的性能，利用了常见的可测量形态特征。共分析了300粒种子（每种100粒）以确定其关键尺寸属性。数据集被划分为训练集（70%）、验证集（15%）和测试集（15%），用于基于机器学习的预测建模，并通过五折分层交叉验证评估模型可靠性。通过SHapley加性解释（SHAP）分析探究模型可解释性，该分析提供了每个特征对模型预测的贡献度。在种子质量预测方面，随机森林模型取得了最高精度，R²为0.9994，均方根误差（RMSE）为2.831 mg，平均绝对误差（MAE）为1.84 mg，且预测仅需4.43毫秒（ms）。决策树模型在种子质量预测中产生了最快的预测速度（0.80 ms），且精度相当（R² = 0.9993）。在终端速度预测方面，决策树模型优于其他模型，R²为0.9978，RMSE为0.089 m·s⁻¹，MAE为0.0400 m·s⁻¹，预测时间为1.27毫秒。SHAP分析揭示，在种子质量预测中，几何平均直径（GMD）是最具影响力的特征；而在终端速度预测中，种子长度是最主要的影响因素。这些发现强调了种子直径和种子长度在决定种子质量及空气动力学行为中的关键作用。因此，所提出的基于机器学习的关键种子属性预测建模方法，为开发适用于不同作物的智能多作物气力式排种系统奠定了坚实基础。