基于CNN神经网络的小麦不完善粒高光谱检测

• 作者: 于重重 刘倩 吴静珠 周兰 王鑫
• 来源期刊: 食品科学
• 学科: 工学
• 关键词: 小麦 不完善粒 高光谱检测 卷积神经网络模型
• 年，卷（期）: 2017,（24）
• 所属期刊栏目: 安全检测
• 页码范围: 283-287
• 页数: 5页
• 分类号: TP3
• 字数: 3016字
• 语种: 中文
• DOI: 10.7506/spkx1002-6630-201724046

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴静珠	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	67	599	14.0	21.0
2	于重重	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	99	762	14.0	23.0
3	王鑫	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	14	31	3.0	5.0
4	周兰	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	4	18	2.0	4.0
5	刘倩	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	7	55	4.0	7.0