基于高光谱图像及深度特征的大米蛋白质含量预测模型

• 作者: 孙俊 戴春霞 武小红 沈继锋 芦兵 靳海涛
• 来源期刊: 农业工程学报
• 学科: 农学
• 关键词: 无损检测 光谱分析 模型 高光谱图像 堆叠自动编码器 深度特征 大米 蛋白质含量
• 年，卷（期）: 2019,（15）
• 所属期刊栏目: 农产品加工工程
• 页码范围: 295-303
• 页数: 9页
• 分类号: S126
• 字数: 6782字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2019.15.036

摘要

为了充分挖掘高光谱图像的光谱信息和图像信息,实现大米中蛋白质含量的无损检测,该文提出一种堆叠自动编码器(stacked auto-encoder,SAE)提取高光谱图像深度特征的方法,在高温(45 ℃)高湿(95%相对湿度)条件下对市售大米进行放置处理,以6组不同放置时间(0,24,48,72,96和120 h)共420个大米样本(每组70个)为对象,利用可见光/近红外高光谱成像仪采集高光谱图像(400～1 000 nm,共478个波段),采用阈值分割法获取样本高光谱图像掩膜,分别提取掩膜后高光谱图像感兴趣区域(region of interest,ROI)的平均光谱信息和图像信息.应用多项式平滑(savitzky-golay,SG)对获取的光谱曲线进行预处理,利用SAE提取光谱深度特征,采用支持向量机回归(support vector regression,SVR)建立预测模型,结果表明训练集决定系数R2C 、训练集均方根误差RMSEC、预测集决定系数R2P和预测集均方根误差RMSEP分别为0.976 2、0.068 6 g/(100 g)、0.939 2和0.115 3 g/(100 g).将图像尺寸统一为28像素×28像素的灰度图并扁平化处理,利用SAE提取图像深度特征,结果表明R2C 、RMSEC、 R2P和RMSEP分别为0.915 4、0.051 0 g/(100 g)、0.821 0和0.111 8 g/(100 g).进一步融合光谱信息和图像信息,结果表明R2C 、RMSEC、R2P和RMSEP分别为0.971 0、0.077 2 g/(100 g)、0.964 4和0.085 1 g/(100 g),相较于光谱信息, R2P提升幅度 2.68%;相较于图像信息, R2P提升幅度 17.47%.研究表明,充分挖掘大米样本高光谱图像中的光谱信息和图像信息并进行融合,利用SAE提取光谱-图像融合深度特征,可有效提高模型的预测精度,为大米蛋白质含量无损检测提供了理论依据,具有良好的应用前景.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	武小红	江苏大学电气信息工程学院	62	694	15.0	24.0
2	孙俊	江苏大学电气信息工程学院	133	1226	19.0	28.0
3	戴春霞	江苏大学电气信息工程学院	8	41	4.0	6.0
4	芦兵	江苏大学电气信息工程学院	11	33	3.0	5.0
5	沈继锋	江苏大学电气信息工程学院	10	46	3.0	6.0
6	靳海涛	江苏大学电气信息工程学院	2	6	1.0	2.0