文献类型：期刊文章

作　　者：于重重[1] 周兰[1] 王鑫[1] 吴静珠[1] 刘倩[1]

机构地区：[1]北京工商大学计算机与信息工程学院,食品安全大数据技术北京市重点实验室,北京100048

出　　处：《食品科学》

基　　金：土壤植物机器系统技术国家重点实验室开放课题(2014-SKL-05);北京工商大学两科基金培育项目(LKJJ2015-22)

年　　份：2017

卷　　号：38

期　　号：24

起止页码：283-287

语　　种：中文

收录情况：BDHX、BDHX2014、CAS、CSCD、CSCD_E2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：利用高光谱成像技术对小麦不完善粒进行无损检测。以932个小麦为样本,其中正常粒样本486个、破损粒样本170个、虫蚀粒样本149个及黑胚粒样本127个为研究对象,通过高光谱图像采集系统采集样本的光谱信息,然后从每个样本的116个波段中选取30个波段,建立基于深度学习的卷积神经网络(convolutional neural networks,CNN)模型。实验中的CNN采用2个卷积层,第1层采用大小为3×3的32个卷积核,第2层采用大小为5×5的64个卷积核,池化层采用最大池,激活函数采用修正线性单元,为避免过拟合,在全连接层后面接入dropout层,参数设置为0.5,其他卷积参数均为默认值,得到校正集总识别率为100.00%,测试集总识别率为99.98%。最后,以支持向量机(support vector machine,SVM)为基线模型进行对比,从116个波段中选取90个波段进行建模,测试集总识别率为94.73%。通过实验对比可以看出,CNN模型比SVM模型识别率高。研究表明CNN模型能够实现对小麦不完善粒的准确、快速、无损检测。

关 键 词：小麦 不完善粒 高光谱检测  卷积神经网络模型  

分 类 号：TP3[计算机类]