根据超光谱成像与深度学习相结合,快速确定和可视化Camellia oleifera种子中的水分含量
Weidong Yuan1, Hongping Zhou1, Cong Zhang2
1Co-Innovation Center of Efficient Processing and Utilization of Forest Resources, Nanjing Forestry University, Nanjing 210037, China; College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China.
概括
检测Camellia oleifera种子中的水分含量至关重要. 可见近红外高光谱成像与深度学习相结合,为准确的湿度检测和可视化提供了可靠的,非破坏性的方法.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 在储存,运输和加工过程中,水分含量 (MC) 对Camellia oleifera种子质量至关重要.
- 准确而非破坏性的MC评估对于优化这些流程至关重要.
研究的目的:
- 评估使用可见近红外高光谱成像 (VNIR-HSI) 与深度学习 (DL) 结合用于在Camellia oleifera种子中非破坏性MC检测的可行性.
- 开发和优化混合模型,以高精度预测MC.
主要方法:
- 使用可见近红外高光谱成像 (VNIR-HSI) 来获取Camellia oleifera种子的光谱数据.
- 对比了各种机器学习模型,包括PLSR,SVR,AlexNet和CNNR.
- 粒子群集优化 (PSO) 用于超参数调整和特征选择,从而开发了一个PSO-CNN-SVR模型.
主要成果:
- 混合PSO-CNN-SVR模型在预测集中实现了0.918的高确定系数 (R2P).
- 使用特征提取算法 (SPA,CARS,PSO,DL) 来确定最佳的光谱变量.
- 开发的模型使得在Camellia oleifera种子中可视化MC分布.
结论:
- 与深度学习相结合的VNIR-HSI提供了一种可靠和高效的方法,用于在Camellia oleifera种子中进行非破坏性的MC检测.
- 优化的混合模型显示了种子行业质量控制和管理的巨大潜力.
