НЕРАЗРУШАЮЩАЯ ИДЕНТИФИКАЦИЯ СОРТОВ ПРОСА НА ОСНОВЕ ТЕХНОЛОГИИ ГИПЕРСПЕКТРАЛЬНОЙ ВИЗУАЛИЗАЦИИ
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.
Ключевые слова
гиперспектральная визуализация,
просо,
конволюционная рекуррентная нейронная сеть,
механизм внимания
При поддержке: This work was supported by grants from the National Key Research and Development Program of China (2017YFD0701501), General Program of National Natural Science Foundation of ShanXi Province (201701D121099), and Science and Technology Innovation Fund of Shanxi Agricultural University (2017YJ12).
Об авторах
X. Wang
Аграрный университет Шаньси
Китай
Китай
Тайгу, 030801
Z. Li
Аграрный университет Шаньси
Китай
Китай
Тайгу, 030801
D. Zheng
Аграрный университет Шаньси
Китай
Китай
Тайгу, 030801
W. Wang
Аграрный университет Шаньси
Китай
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).
Рецензия
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: 259
Послать статью по эл. почте 