论文部分内容阅读
马铃薯是一种仅次于水稻、玉米、小麦的重要粮食作物,营养丰富,是粮、菜、饲、工业原料兼用的农作物,其种植主要分布于我国东北、华北和华东地区。马铃薯产业对保证我国粮食安全具有重要意义。马铃薯品质的好坏直接影响其产品的质量,进行马铃薯产品质量检测是马铃薯主粮化战略的关键。目前,马铃薯品质检测主要以传统的理化检测、经验识别、生物检测等检测方法为主,这些方法存在耗时、费力、时间较长、成本较高等问题,无法满足马铃薯品质快速检测需求。高光谱成像技术具有波段多、分辨率高等优点,在马铃薯无损、快速检测中具有很大优势,其不仅能反映被测对象表面的特征,同时也能反映其内部品质、物质组成成分等。但是高光谱成像数据是三维立方体数据,波段多,信息冗余大,直接对其进行计算处理,运行速度慢,而且会降低计算结果的准确性。为了进一步提高马铃薯品质高光谱成像无损检测的速度和精度,需要不断研究高光谱成像数据处理方法,进而促进马铃薯品质检测的进一步发展。论文以多种马铃薯茎块为对象,利用高光谱成像技术,综合运用光谱成像分析技术、化学计量学和机器学习等方法研究马铃薯的分类识别。探究在小样本下基于辅助分类器的生成对抗网络(auxiliary classifier generative adversarial nets,ACGAN)网络模型的马铃薯高光谱成像数据识别分类的可行性。主要研究内容和结论如下:(1)选择川引、大西洋、费乌瑞它、后旗红、克新、青薯9号和226七种马铃薯样本,共429个,经过清洗、晾干,贮藏7天,在此期间按照不同品种分别采集高光谱成像数据。(2)论文采用了 多元散射校正(multiplicative scatter correction,MSC)、标准正态变量变换(standard normal variate,SNV)、S-G(Savizkg-Golag)平滑法和导数法对光谱维数据进行平滑、降噪等预处理。(3)研究利用卷积神经网络(convolutional neural networks,CNN)模型对处理后的数据进行分类识别实验,经过多次重复试验,和优化模型参数,最终取其测试结果平均值,其中MSC方法的结果表现优于其他的方法,分类准确率可达到 92.97%。(4)论文探究马铃薯的识别分类方法,经过预处理125个光谱波段的ROI区域光谱维数据转化为64×64的单通道图像为作为输入,利用ACGAN模型进行马铃薯分类识别实验。同时采用CNN、偏最小二乘判别分析(partial least squares discrimination analysis,PLS-DA)、主成分分析(principal component analysis,PCA)十支持向量机(support vector machines,SVM)和半监督式生成对抗网络(semi-supervised generative adversarial networks,SGAN)模型进行分类对比实验,实验结果表明ACGAN模型分类正确率达98.45%,准确率高于其他模型。研究结果表明ACGAN模型在小样本下的马铃薯分类研究其准确率方面是可行的。