|
3 }" `. x' G7 s9 G
原标题：高光谱相机针对大米农产品无损检测技术
1 S* v4 j+ S. Z& ?$ @- J
3 O! O! ?% A. m' s; ]6 ^( c: e, B 本研究应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。 6 h& D; p( d& |; F# g% X5 j
! e- ]! Q# Q. R0 F7 p 大米是我国主要粮食产品之一，不同产地大米的口感与营养价值具有较大差异，而大米在外观及品质方面用肉眼难以鉴别，使得低质高价、混淆真伪、产地造假的现象日益严重，传统方法例如感官识别、近红外光谱、矿物质元素等都有一定的劣势与不足。如感官评价不仅对从业人员有很高的经验要求，且容易受主观影响而错判；近红外光谱方法需要对大米进行粉碎处理；矿物质元素方法实验繁琐且周期长，均无法满足快速无损的产地确证需求。
2 t! ^, C- q' B, v! _3 t 
M/ h' P9 P; R0 n6 e3 Y 
: N# w; K8 w5 O 
" X3 ~; F; X( R" W8 b0 |, ^ 
2 Z- B* v. O8 U 高光谱图像技术结合机器学习方法是近年来应用比较广泛的农产品无损检测技术，因其高效、准确、稳定的特点被广泛应用于农产品的产地确证，本文选取吉林省梅河口市水稻主产区大米与非梅河产区大米作为样本数据，经高光谱数据采集后对数据进行 MSC、SVN、S-G预处理；对预处理后数据利用CARS、MDS、PCA三种方法进行数据降维；最后为迎合高光谱数据中所包含的大量非线性数据，选取MLP、ELM、OS-ELM、PLS算法进行分类模型的建立，并与传统方法PLS对比，得到结论如下∶ 6 e+ p/ T5 z% t' h) l% `" k1 s
（1）MSC、SVN、S-G 三种预处理方法均可对高光谱数据进行预处理，但经模型实际验证后发现，经SVN、S-G处理后的光谱数据对模型准确率均存在一定的负面影响，所以本文选择MSC对后续实验数据进行预处理。 : E- o& D; N0 Q# l
（2）CARS、MDS、PCA三种方法均可有效地对预处理后高光谱数据进行降维处理，其中CARS提取了15个特征波长，MDS提取了13个特征波长，PCA提取了9个特征波长，其中基于PCA降维后数据建立的四种模型分类准确率有明显下降，其中PCA-PLS准确率已经下降到66.5%；基于CARS方法降维后数据建立的四种模型准确率亦有所下降，但基本控制在10%左右，其中OS-ELM模型分类准确率可达到88.1%；基于MDS降维后数据建立的四种模型准确率下降均在1.3%以内，其中MDS-OS-ELM分类准确率最高可达到97%以上，而输入变量减少了96%，大大提升了模型运行效率。
3 D1 a7 a. q: ` r& W0 n （3）以经 MDS 降维后数据作为基础，对 MLP、ELM、OS-ELM、PLS 四种模型训练效率进行对比分析，结果表明∶在一次性输入所有数据时，ELM与OS-ELM模型训练时间相近且明显优于MLP与PLS。由于在实际应用中通常不能一次性获取所有数据，本文将500条数据分5次输入ELM与OS-ELM模型，由于OS-ELM在新加入数据时只需训练新的样本，避免反复学习的特点，使得在分批次加入数据时，大大提升了模型效率，
5 m# J B8 o2 a8 i1 ] （4）本文通过高光谱成像技术获取不同产地大米数据，在经数据预处理与降维处理后利用MLP、ELM、OS-ELM、PLS模型进行分类，经试验表明，四种模型均可实现对大米产地鉴别，其中MDS-OS-ELM模型分类性能最好，模型效率最高，以及在后续分批次添加数据时模型效率更加明显。满足了快速无损的大米产地确证需求，在大数据背景下的地标大米产地确证领域更具有实用性。返回搜狐，查看更多 ) v1 g; R1 D" |6 X* h
7 k$ k0 E0 p; j& Y
责任编辑： - }+ K; T7 Y/ R
. l, m' r& @: _
9 i0 y, |1 m; Y- E
, W" [8 I: u; e: y, X9 K( N% }) \0 p5 l4 ` Z
| 
