基于高光谱图像技术和DBN的生菜叶片铅含量无损检测研究

发布时间：2023-03-26 18:25

　　随着工业污染的日益加剧,重金属铅逐渐侵害我国的耕地、水源和空气,对农业生产安全构成巨大挑战。高浓度的铅不仅会抑制蔬菜的生长,导致蔬菜减产,甚至还会通过食物链逐级在生物体内富集,严重危害人们身体健康。因此,寻找快速检测蔬菜铅含量的方法对保证蔬菜产业的发展和人体健康具有重要的研究意义。目前,常用的化学分析法能够实现重金属的痕量检测,但是该方法破坏性强、耗材大、过程繁琐,难以进行实时检测。高光谱图像技术作为兴起的无损检测技术,在农副产品的品质检测中具有广泛的应用。高光谱数据存在相关性强和冗余度高的问题,如何有效处理非线性高光谱数据是研究的难点。传统的高光谱数据分析方法建模精度较低,难以满足精确检测的要求,而深度信念网络(DBN)可以提取出原始数据中的本质特征,同时具备更强的预测能力。因此,本文将DBN应用到高光谱数据的处理中,将光谱数据直接作为网络的输入,建立生菜叶片铅含量的预测模型,并与传统模型进行对比分析,具体的研究内容如下:(1)基于高光谱图像信息划分得到生菜叶片样本的训练数据。采集了360个生菜叶片高光谱图像,将整个生菜样本作为感兴趣区域(ROI),计算ROI的平均光谱值,并将其作为...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 DBN的研究现状
        1.2.2 重金属无损检测的研究现状
    1.3 本文主要内容
        1.3.1 主要研究内容
        1.3.2 整体的框架结构安排
    1.4 本章小结
第2章 相关算法研究
    2.1 传统的光谱处理算法
        2.1.1 光谱数据的降维算法
        2.1.2 BP神经网络
    2.2 深度生成模型算法
        2.2.1 限制玻尔兹曼机模型
        2.2.2 限制玻尔兹曼机的训练
        2.2.3 深度信念网络的结构
        2.2.4 深度信念网络的训练过程
    2.3 群体智能寻优算法
        2.3.1 粒子群优化算法
        2.3.2 灰狼优化算法
    2.4 模型的评价指标
    2.5 本章小结
第3章 高光谱数据的采集
    3.1 数据的获取
        3.1.1 生菜样本的培育
        3.1.2 高光谱图像的采集
        3.1.3 生菜铅含量的测定
        3.1.4 感兴趣区域的提取
    3.2 数据的预处理
    3.3 样本的划分
    3.4 实验环境搭建
    3.5 本章小结
第4章 基于传统机器学习算法预测生菜叶片铅含量
    4.1 特征光谱数据的提取
        4.1.1 SPA特征选择结果
        4.1.2 PCA特征提取结果
    4.2 基于BP模型的建模结果分析
        4.2.1 基于原始BP的生菜铅含量预测模型
        4.2.2 基于PSO-BP的生菜铅含量预测模型
        4.2.3 基于GWO-BP的生菜铅含量预测模型
        4.2.4 不同BP模型的对比分析
    4.3 本章小结
第5章 基于DBN预测生菜叶片铅含量
    5.1 DBN模型预测生菜铅含量的流程
    5.2 DBN参数优化实验
        5.2.1 网络层数和节点数对预测结果的影响
        5.2.2 学习率对预测结果的影响
        5.2.3 批量大小对预测结果的影响
    5.3 本章小结
第6章 基于改进的DBN预测生菜叶片铅含量
    6.1 基于PSO-DBN模型预测生菜叶片铅含量
    6.2 基于GWO-DBN模型预测生菜叶片铅含量
    6.3 模型对比分析
    6.4 本章小结
第7章 总结与展望
    7.1 本文内容的总结
    7.2 展望
参考文献
致谢
攻读硕士学位期间获得的学术成果



本文编号：3771467