10.16433/j.1673-2383.2023.01.014
基于近红外光谱技术及ELM对小麦中不同生长阶段米象的分类识别
对粮食中隐蔽性害虫的早期诊断和检测,不仅可以减少因害虫取食造成的粮食产后损失,还可以减少化学药剂的使用,对于保证粮食品质和减少环境污染具有重要的意义.基于近红外光谱技术与极限学习机(ELM)构建小麦中不同生长阶段米象的分类识别模型,采集未感染小麦和感染米象小麦的近红外光谱数据,选择SNV+De-trending的组合对原始光谱数据进行预处理,使用主成分分析(PCA)方法对光谱数据进行降维特征提取,利用ELM和支持向量机(SVM)建立分类识别模型.结果表明:ELM模型训练时间仅需0.0625 s,总体分类准确率为90％,0、6、24和27 d的识别率为100％,10～20 d的幼虫期识别率偏低,20 d时识别率最低,为65％;SVM模型运行时间为3.38 s,分类准确率为85.42％,ELM模型较SVM模型的运行时间和分类准确率都有所提高.因此,ELM分类识别模型能够快速准确地判断小麦有无米象,以及分类识别小麦中不同生长发育阶段的米象.
近红外、隐蔽性害虫、极限学习机、分类、米象、早期诊断
44
TS210(食品工业)
国家重点研发计划2019YFC1605304
2023-03-15（万方平台首次上网日期，不代表论文的发表时间）
共8页
104-111
