10.3964/j.issn.1000-0593(2018)12-3912-05
小麦黑胚病识别模型优选和多分类识别分析
为探讨利用可见/近红外光谱进行小麦黑胚病快速无损检测的可行性,以及基于主流机器学习算法,寻找面向生产的小麦黑胚病优化识别模型,利用自行研发的近红外光谱采集平台采集了579~1 099nm波段23个品种共2760个小麦单籽粒的吸光度光谱数据,采用标准正态变量变换(SNV)进行预处理之后分别经过SPA(successive projections algorithm),PCA(principal component analysis)等两种数据降维方法,结合ELM(extreme learning machine),SVM(support vector machine),RF(random forest)和AdaBoost等四种分类方法,分别构建SPA-SVM,SPA-ELM,SPA-RF,SPA-AdaBoost,PCA-SVM,PCA-ELM,PCA-RF,PCA-AdaBoost八种小麦黑胚病识别模型;结果表明小麦黑胚籽粒的识别准确率达到93.3%~98.6%,识别效果优于前人文献中利用近红外波段的识别效果;其中SPA-SVM模型具有最高的识别率,PCA-AdaBoost模型具有更好的普适性.将SPA-SVM模型和PCA-AdaBoost模型作为优选模型,从生产实际出发,分别对未感病+轻感病、中感病+重感病籽粒进行了二分类识别,对未感病,轻感病+中感病、重感病籽粒进行了三分类识别,以及对未感病、轻感病、中感病、重感病籽粒进行了四分类识别,并深入分析了识别效果和产生原因.总体来说,小麦黑胚粒的识别准确率随分类程度的细化而下降,二分类的识别模型可直接用于生产,尽管三分类和四分类的感病粒识别效果较差,但是对未感病粒的检出率则不受分类程度的影响,识别率在87.2%以上,符合生产需求.综合来看,SPA-SVM模型分类效果优于PCA-AdaBoost模型,可作为首选识别模型,该研究为小麦籽粒黑胚病的在线批量快速检测提供了技术依据.
小麦黑胚病、可见/近红外、机器学习、模型优选、多分类
38
O657.3(分析化学)
陕西省科技重点研发计划项目2018GY-051
2019-03-18(万方平台首次上网日期,不代表论文的发表时间)
共5页
3912-3916