10.3964/j.issn.1000-0593(2014)09-2519-04
高光谱与机器学习相结合的大白菜种子品种鉴别研究
提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15 pixel ×15 pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost算法、极限学习机(extreme learning machine , ELM )、随机森林(random forest ,RF)和支持向量机(support vector machine ,SVM )四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF ,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-EL M模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。
高光谱、Ada-Boost算法、极限学习机、随机森林、支持向量机
O657.3;S565(分析化学)
国家高技术研究发展计划863计划项目2012AA101903;国家自然科学基金项目31201137,31071332;浙江省公益性技术应用研究计划项目2014C32103
2014-09-23(万方平台首次上网日期,不代表论文的发表时间)
共4页
2519-2522