Preview

Журнал прикладной спектроскопии

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

НЕРАЗРУШАЮЩАЯ ИДЕНТИФИКАЦИЯ СОРТОВ ПРОСА НА ОСНОВЕ ТЕХНОЛОГИИ ГИПЕРСПЕКТРАЛЬНОЙ ВИЗУАЛИЗАЦИИ

Полный текст:

Аннотация

Изучены гиперспектральные изображения 480 образцов проса восьми сортов в видимой и ближней инфракрасной областях спектра. В результате анализа изображений получены спектральные и графические характеристики образцов проса, выявлены особенности текстуры и цвета. На основе полученных характеристик созданы модели опорных векторов (SVM) для идентификации сортов проса. Идентификация сортов проса проведена на основе конволюционной рекуррентной нейронной сети (attention-CRNN), включающей в себя механизм внимания, а также с помощью моделей SVM и attention-CRNN методом слияния изображений и спектральных признаков. Определено, что лучшим методом преобразования является обратно-логарифмический метод. Точность идентификации сортов проса на базе классификационной модели SVM с обратно-логарифмической кривой спектральных характеристик 73.13%. Средняя точность идентификации восьми сортов проса по модели SVM с помощью признаков изображения 61.25%. Точность идентификации по модели SVM с использованием метода слияния изображения и спектральной информации значительно повышает общий показатель точности до 77.5%, а минимальная точность распознавания сортов проса увеличивается с 50 до 65%. Средняя точность идентификации по модели attention-CRNN 87.50%, что на 10% выше, чем у модели SVM, а минимальная точность распознавания сортов проса увеличивается с 65 до 90%. Использование модели attention-CRNN улучшает общую точность идентификации восьми сортов проса и значительно увеличивает минимальную точность идентификации. Модель attention-CRNN представляет большой интерес для неразрушающей идентификации проса и, возможно, других мелких сортов зерна.

Об авторах

X. Wang
Аграрный университет Шаньси
Китай

Тайгу, 030801



Z. Li
Аграрный университет Шаньси
Китай

Тайгу, 030801



D. Zheng
Аграрный университет Шаньси
Китай

Тайгу, 030801



W. Wang
Аграрный университет Шаньси
Китай

Тайгу, 030801



Список литературы

1. X. M. Diao, R. H. Cheng, Sci. Agric. Sin., 50, 4469–4474 (2017).

2. X. Ke, M. Z. Du, J. Image Graphics, 21, 24–38 (2016).

3. A. M. Rady, D. E. Guyer, W. Kirk, I. R. Donis-González, J. Food Eng., 135, 11–25 (2014).

4. M. A. Teena, A. Manickavasagan, L. Ravikanth, D. S. Jayas, J. Stored Prod. Res., 59, 306–313 (2014).

5. Q. Ding, Z. X. Shu, H. Y. Zhao, C. H. Yin, Y. Cao, Grain Storage, 46, 30–35 (2017).

6. X. Wu, W. Z. Zhang, J. F. Lu, Z. J. Qiu, Y. He, Spectrosc. Spectr. Anal., 36, 511–514 (2016).

7. X. Q. Deng, Q. B. Zhu, M. Huang, Laser Optoelectron. Progr., 52, 128–134 (2015).

8. C. C. Yu, L. Zhou, X. Wang, J. Z. Wu, Q. Liu, Food Sci., 38, 283–287 (2017).

9. A. Ambrose, L. M. Kandpal, M. S. Kim, W. H. Lee, B. K. Cho, Infrared Phys. Technol., 75, 173–179 (2016).

10. M. I. A. P. Zamri, F. Cordova, A. S. M. Khairuddin, N. Mokhtar, R. Yusof, Comput. Electron. Agric., 124, 227–233 (2016).

11. B. Zhao, X. L. Li, X. Q. Lu, Z. G. Wang, Neurocomputing, 322, 47–57 (2018).

12. A. J. Smola, B. Schȍlkopf, State Comput., 14, 199–222 (2004).

13. X. J. Guo, L. Chen, C. Q. Shen, Measurement, 93, 490–502 (2016).

14. Y. Z. Ji, H. J. Zhang, Q. M. Jonathan Wu, Neurocomputing, 322, 130–140 (2018).

15. A. K. Bhunia, A. Konwer, A. K. Bhunia, A. Bhowmick, P. P. Roy, U. Pal, Pattern Recogn., 85, 172–184 (2019).


Для цитирования:


Wang X., Li Z., Zheng D., Wang W. НЕРАЗРУШАЮЩАЯ ИДЕНТИФИКАЦИЯ СОРТОВ ПРОСА НА ОСНОВЕ ТЕХНОЛОГИИ ГИПЕРСПЕКТРАЛЬНОЙ ВИЗУАЛИЗАЦИИ. Журнал прикладной спектроскопии. 2020;87(1):64-71.

For citation:


Wang X., Li Z., Zheng D., Wang W. NONDESTRUCTIVE IDENTIFICATION OF MILLET VARIETIES USING HYPERSPECTRAL IMAGING TECHNOLOGY. Zhurnal Prikladnoii Spektroskopii. 2020;87(1):64-71.

Просмотров: 71


ISSN 0514-7506 (Print)