10.3964/j.issn.1000-0593(2020)12-3847-07
基于卷积神经网络和光谱特征的孵前种鸭蛋受精信息无损检测
我国是鸭蛋与鸭肉生产和消费大国,为此每年需要孵化大量雏鸭才能满足生产需要.由于无精蛋在孵化过程中无法孵化出雏鸭,所以尽早地将其剔除可避免资源的浪费.国内鸭蛋孵化行业需在种鸭蛋入孵7天左右使用人工照蛋方式才能将无精蛋剔除.针对人工照蛋效率低且剔除的无精蛋已无食用价值等问题,以入孵前种鸭蛋为研究对象,将可见-近红外透射光谱技术与卷积神经网络相结合,用于入孵前种鸭蛋受精信息的无损鉴别.实验中对采集得到的400~1000 nm原始光谱信息进行预处理(去除噪声波段和Savitzky-Golay卷积平滑处理)去除噪声与无关信息,使用竞争性自适应重加权算法(CARS)与连续投影算法(SPA)选取特征波长,并将选择的特征波长转换成二维光谱矩阵.二维光谱矩阵既可以表征特征光谱的有效信息,又可以将光谱信息传入到神经网络进行训练.针对光谱数据的特点,网络过深容易造成模型的过拟合,网络过浅则会造成模型的欠拟合.为此构建了一个4层的卷积神经网络(CNN)用于对光谱信息矩阵进行训练,该网络包括3个卷积层和1个全连接层,卷积层用于自动提取光谱二维信息矩阵的有效信息,全连接层通过对卷积层提取的局部特征进行整合进而供输出层决策,此外在卷积神经网络中引入了局部相应归一化、池化和dropout操作可以加速网络的收敛速度并防止模型过拟合.运用SPA提取的特征波长建立的卷积神经网络模型训练集准确率为97.71%,测试集准确率为97.41%,验证集准确率为98.29%;运用C A RS提取的特征波长建立的卷积神经网络模型训练集准确率为97.42%,测试集准确率为97.41%,验证集准确率为97.44%,而使用SPA和CARS提取的特征波长建立的传统机器学习模型测试集精度最高仅为87.39%.研究结果表明,利用卷积神经网络与光谱技术相结合可以实现入孵前种鸭蛋受精信息无损鉴别,可为后续开发动态在线检测设备提供高效、无损、快速的技术支持.
入孵前种鸭蛋、受精、卷积神经网络、无损检测、可见-近红外光谱
40
TP391.4(计算技术、计算机技术)
国家自然科学基金项目;国家科技支撑计划项目;公益性行业农业科研专项
2020-12-15(万方平台首次上网日期,不代表论文的发表时间)
共7页
3847-3853