基于声振信号对称极坐标图像的苹果霉心病早期检测

摘要：

为实现苹果早期霉心病较高精度的检测,该研究采用对称极坐标法(Symmetrized Dot Pattern,SDP)将苹果声振信号变换为雪花图,然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息,将其输入到支持向量机(Support Vector Machine,SVM)分类器,对霉心程度≤7％的苹果进行检测.研究结果表明,当时间间隔系数为25和角度放大因子为50°时,健康果与早期霉心果声振信号的SDP图形状特征差异最大,在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型,在各类SVM模型中,ResNet50-SVM-gaus(高斯核)模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率,经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本(10∶1)的总体分类准确率达到96.97％,平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19％、90.36％、86.21％,82.54％和82.68％,该模型不仅对多数类的健康果保持较高分类准确率,而且对少数类的早期霉心果也具有较高判别能力.研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑.

关键词：无损检测;支持向量机;苹果霉心病;早期检测;声振法;对称极坐标法;卷积神经网络

所属期刊栏目：37

分类号：S661.1;TP391.4(果树园艺)

资助基金：国家自然科学基金;研究生科研创新项目

在线出版日期：2021-12-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：290-298