食品科学 ›› 2017, Vol. 38 ›› Issue (24): 283-287.doi: 10.7506/spkx1002-6630-201724046
于重重,周兰,王鑫,吴静珠,刘倩
YU Chongchong, ZHOU Lan, WANG Xin, WU Jingzhu, LIU Qian
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。
中图分类号: