基于深度学习与可见-近红外光谱的患腥黑穗病小麦籽粒分类研究
针对小麦腥黑穗病快速无损的检测需求,该文将可见-近红外光谱与深度学习算法结合建立了小麦腥黑穗病籽粒的分类模型.采用多元散射校正算法(MSC)和标准正态变换算法(SNV)对光谱进行预处理,消除光谱噪音的影响,分别使用竞争性自适应重加权算法(CARS)和随机蛙跳算法(RF)对预处理后的光谱进行特征波长提取.结果显示,特征提取算法可去除大量冗余信息,波段减少比率为93.7%～94.2%,有效降低了模型运行成本,并可防止模型过拟合.结果显示:MSC+CARS+VGG16模型训练集的准确率为96.39%,测试集准确率为91.67%,取得了较好的分类结果.最终建立的VGG16深度学习模型实现了健康、轻度患病和重度患病3类小麦籽粒的分类.对比传统机器学习模型,VGG16模型能够充分提取光谱特征信息,更好地区分健康与轻度患病籽粒.该研究表明深度学习结合可见-近红外光谱方法,能够实现对不同患病程度腥黑穗病小麦籽粒的有效分类,为腥黑穗病小麦籽粒的快速无损检测提供了一种新方法.
可见-近红外光谱、深度学习、腥黑穗病、小麦
42
O657.3;S512.1(分析化学)
2023-07-18（万方平台首次上网日期，不代表论文的发表时间）
共10页
784-793
