文献类型：期刊文章

作　　者：周兆永[1,2] 何东健[1] 张海辉[1] 雷雨[1] 苏东[1] 陈克涛[1]

ZHOU Zhaoyong;HE Dongjian;ZHANG Haihui;LEI Yu;SU Dong;CHEN Ketao(College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China;Network and Education Technology Center, Northwest A&F University, Yangling 712100, China)

机构地区：[1]西北农林科技大学机械与电子工程学院,陕西杨凌712100 [2]西北农林科技大学网络与教育技术中心,陕西杨凌712100

出　　处：《食品科学》

基　　金：国家高技术研究发展计划(863计划)项目(2013AA10230402);国家自然科学基金面上项目(61473235);陕西省重大农技推广服务试点项目(2016XXPT-05)

年　　份：2017

卷　　号：38

期　　号：14

起止页码：297-303

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：针对现有霉心病无损检测只能检测出有无病害,无法对病害程度进行判断的问题,研究并提出一种基于深度信念网络(deep belief net,DBN)的无监督检测模型。该模型由多层限制玻尔兹曼机(restricted Boltzmann machine,RBM)网络和1层反向传播(back propagation,BP)神经网络组成,RBM网络实现最优特征向量映射,输出的特征向量由BP神经网络对霉心病病害程度分类。对225个苹果样本在波长200~1 025 nm获取其透射光谱后,根据腐烂面积占横截面比例将霉心病害程度分为健康、轻度、中度和重度4种,分别用150个和75个样本作为训练集和测试集,以全光谱数据和基于连续投影算法提取的特征波长数据为输入构建病害程度判别模型,并比较DBN模型与偏最小二乘判别分析、BP神经网络和支持向量机模型的识别效果,实验结果表明,DBN模型病害判别准确率达到88.00%,具有较好的识别效果。

关 键 词：苹果霉心病 病害程度  透射光谱 深度信念网络(DBN)  限制玻尔兹曼机(RBM)  

分 类 号：S24]