10.7506/spkx1002-6630-201724046
基于CNN神经网络的小麦不完善粒高光谱检测
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.
小麦、不完善粒、高光谱检测、卷积神经网络模型
38
TP3(计算技术、计算机技术)
土壤植物机器系统技术国家重点实验室开放课题2014-SKL-05;北京工商大学两科基金培育项目LKJJ2015-22
2018-01-03(万方平台首次上网日期,不代表论文的发表时间)
共5页
283-287