基于高光谱与在线序列极限学习机确证大米产地方法
发布时间：2022-01-12 10:23
为满足快速无损的大米产地确证需求,采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400～1 000 nm）作为研究对象,利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机（ELM）与在线序列极限学习机（OS-ELM）算法,分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明,基于全波段高光谱数据的OS-ELM模型分类性能最好,准确率达到98.3%。经MDS处理后,输入的数据变量减少了96.6%,MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析,OS-ELM训练时间明显优于MLP,在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。
【文章来源】：中国农业科技导报. 2020,22(09)北大核心CSCD
【文章页数】：8 页
【部分图文】：
高光谱图像采集系统
感兴趣区域(region of interest,ROI)选取方法直接影响建立模型的分类精度。本文在3×5网格内所有单粒米样的中间部位选取,采用如图2所示的10×10像素的红色正方形区域作为感兴趣区域,通过计算感兴趣区域内所有像素的均值反射率得到每个样本的平均光谱数据。均值反射率计算如式(2)所示。采用ENVI 5.0对高光谱图像ROI进行选择,感兴趣区域内均值反射率由ENVI5.0计算生成。基于Python3.6软件提取高光谱图像对应的光谱数据。采集的高光谱图像共549个波段。
经MDS提取13个特征波长为484、510、536、560、608、720、750、780、841、854、899、921、932 nm。选取的特征波长位置如图4所示。据已有研究,510、560、750 nm 的吸收波段主要与大米中水分、脂肪、淀粉和蛋白质的吸收有关[29]。位于608、536 和720nm 的吸收波段与大米中直链淀粉和支链淀粉的吸收相关[35];780 nm左右的光谱吸收主要与水分子中O-H键的第二和第三倍频峰的振动和延伸相关[36]。而蛋白质、脂肪、糖等大米内部重要的化学指标均可以由高光谱信息表征,且大米颗粒中最主要的水分和淀粉等理化指标,因大米的产地不同其含量也会有一定的区别 [37]。这些对应关系从大米理化指标上进一步验证MDS降维方法选取的特征波段是可靠的。2.2.2 模型性能评估结果
【参考文献】：
期刊论文
[1]基于改进OS-ELM的冷连轧在线轧制力预报[J]. 魏立新,张宇,孙浩,魏新宇. 计量学报. 2019(01)
[2]基于低秩表示的判别特征提取算法[J]. 苏雅茹,许智杰,吴小惠. 福州大学学报(自然科学版). 2019(01)
[3]基于高光谱技术的金银花硫含量快速检测模型建立（英文）[J]. 冯洁,刘云宏,石晓微,王庆庆,许倩. 食品科学. 2018(24)
[4]基于多层感知机网络的手写数字识别算法[J]. 张行文,董元和. 电脑知识与技术. 2018(32)
[5]不同高光谱特征参数区分马铃薯品种的优劣势分析[J]. 段丁丁,何英彬,罗善军,王卓卓. 光谱学与光谱分析. 2018(10)
[6]基于多维尺度分析的自适应室内群终端定位方法[J]. 付先凯,蒋鑫龙,刘军发,张少博,陈益强. 计算机科学. 2018(10)
[7]基于机器学习方法的吉林大米产地确证模型研究[J]. 王靖会,臧妍宇,曹崴,崔浩,郑晖,陈美文,于合龙. 中国粮油学报. 2018(09)
[8]基于高光谱技术检测全蛋粉掺假的研究[J]. 刘平,马美湖. 光谱学与光谱分析. 2018(01)
[9]基于ELM-AE的二进制非线性哈希算法[J]. 邓万宇,张倩,屈玉涛. 计算机技术与发展. 2017(12)
[10]基于近红外高光谱成像技术的干制红枣品种鉴别[J]. 樊阳阳,裘正军,陈俭,吴翔,何勇. 光谱学与光谱分析. 2017(03)
博士论文
[1]基于电子鼻技术的茶树虫害信息检测[D]. 孙玉冰.浙江大学 2018
[2]基于光谱与光谱成像技术的油菜病害检测机理与方法研究[D]. 张初.浙江大学 2016
[3]高光谱数据降维算法研究[D]. 高阳.中国矿业大学 2013
[4]大米品质检测系统研究[D]. 万鹏.吉林大学 2009
硕士论文
[1]基于面向对象MLP模型的遥感植被信息提取方法研究[D]. 杨希鹏.东华理工大学 2018
[2]电饭煲烹饪籼米饭品质变化及加工参数影响[D]. 刘巧真.江南大学 2018
[3]基于近红外光谱的单籽粒水稻种子品质检测的方法研究[D]. 王纯阳.中国科学技术大学 2017
[4]基于多维尺度分析和小波统计特征的图像哈希算法[D]. 黄紫晴.广西师范大学 2017
[5]基于高光谱成像技术的大米快速无损检测研究[D]. 王璐.华南理工大学 2016
本文编号：3584607
【文章来源】：中国农业科技导报. 2020,22(09)北大核心CSCD
【文章页数】：8 页
【部分图文】：
高光谱图像采集系统
感兴趣区域(region of interest,ROI)选取方法直接影响建立模型的分类精度。本文在3×5网格内所有单粒米样的中间部位选取,采用如图2所示的10×10像素的红色正方形区域作为感兴趣区域,通过计算感兴趣区域内所有像素的均值反射率得到每个样本的平均光谱数据。均值反射率计算如式(2)所示。采用ENVI 5.0对高光谱图像ROI进行选择,感兴趣区域内均值反射率由ENVI5.0计算生成。基于Python3.6软件提取高光谱图像对应的光谱数据。采集的高光谱图像共549个波段。
经MDS提取13个特征波长为484、510、536、560、608、720、750、780、841、854、899、921、932 nm。选取的特征波长位置如图4所示。据已有研究,510、560、750 nm 的吸收波段主要与大米中水分、脂肪、淀粉和蛋白质的吸收有关[29]。位于608、536 和720nm 的吸收波段与大米中直链淀粉和支链淀粉的吸收相关[35];780 nm左右的光谱吸收主要与水分子中O-H键的第二和第三倍频峰的振动和延伸相关[36]。而蛋白质、脂肪、糖等大米内部重要的化学指标均可以由高光谱信息表征,且大米颗粒中最主要的水分和淀粉等理化指标,因大米的产地不同其含量也会有一定的区别 [37]。这些对应关系从大米理化指标上进一步验证MDS降维方法选取的特征波段是可靠的。2.2.2 模型性能评估结果
【参考文献】：
期刊论文
[1]基于改进OS-ELM的冷连轧在线轧制力预报[J]. 魏立新,张宇,孙浩,魏新宇. 计量学报. 2019(01)
[2]基于低秩表示的判别特征提取算法[J]. 苏雅茹,许智杰,吴小惠. 福州大学学报(自然科学版). 2019(01)
[3]基于高光谱技术的金银花硫含量快速检测模型建立（英文）[J]. 冯洁,刘云宏,石晓微,王庆庆,许倩. 食品科学. 2018(24)
[4]基于多层感知机网络的手写数字识别算法[J]. 张行文,董元和. 电脑知识与技术. 2018(32)
[5]不同高光谱特征参数区分马铃薯品种的优劣势分析[J]. 段丁丁,何英彬,罗善军,王卓卓. 光谱学与光谱分析. 2018(10)
[6]基于多维尺度分析的自适应室内群终端定位方法[J]. 付先凯,蒋鑫龙,刘军发,张少博,陈益强. 计算机科学. 2018(10)
[7]基于机器学习方法的吉林大米产地确证模型研究[J]. 王靖会,臧妍宇,曹崴,崔浩,郑晖,陈美文,于合龙. 中国粮油学报. 2018(09)
[8]基于高光谱技术检测全蛋粉掺假的研究[J]. 刘平,马美湖. 光谱学与光谱分析. 2018(01)
[9]基于ELM-AE的二进制非线性哈希算法[J]. 邓万宇,张倩,屈玉涛. 计算机技术与发展. 2017(12)
[10]基于近红外高光谱成像技术的干制红枣品种鉴别[J]. 樊阳阳,裘正军,陈俭,吴翔,何勇. 光谱学与光谱分析. 2017(03)
博士论文
[1]基于电子鼻技术的茶树虫害信息检测[D]. 孙玉冰.浙江大学 2018
[2]基于光谱与光谱成像技术的油菜病害检测机理与方法研究[D]. 张初.浙江大学 2016
[3]高光谱数据降维算法研究[D]. 高阳.中国矿业大学 2013
[4]大米品质检测系统研究[D]. 万鹏.吉林大学 2009
硕士论文
[1]基于面向对象MLP模型的遥感植被信息提取方法研究[D]. 杨希鹏.东华理工大学 2018
[2]电饭煲烹饪籼米饭品质变化及加工参数影响[D]. 刘巧真.江南大学 2018
[3]基于近红外光谱的单籽粒水稻种子品质检测的方法研究[D]. 王纯阳.中国科学技术大学 2017
[4]基于多维尺度分析和小波统计特征的图像哈希算法[D]. 黄紫晴.广西师范大学 2017
[5]基于高光谱成像技术的大米快速无损检测研究[D]. 王璐.华南理工大学 2016
本文编号：3584607
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3584607.html
