摘要
为探究卷积神经网络(Convolutional neural network,CNN)在果品品质检测中的预测能力,实现不同成熟度沙果的识别,本研究以未成熟、可采成熟、食用成熟、生理成熟4个不同成熟度沙果为研究对象,采用高光谱成像技术,分别利用光谱和图像信息采用CNN建立沙果成熟度判别模型。结果表明,基于光谱和图像信息分别建立的沙果成熟度CNN模型的识别准确率均达到98.75%,实现了不同成熟度沙果的识别,为水果品质的无损检测提供了方法和思路。
引文
[1]薛建新,张淑娟,孙海霞.可见/近红外光谱结合软化指标快速判定沙果货架期[J].农业机械学报,2013,44(8):169-173.
[2]国家检测标准GB10651-2008.中华人民共和国国家标准批准发布公告2008年第6号(总第119号).
[3]Polder G,Van der Heijden G.CHAPTER 12-Measuring ripening of tomatoes using imaging spectrometry[M].New York:Academic Press,2010,369-402.
[4]Rodríguez-Pulido F J,Barbin D F,Sun D W,et al.Grapes seed characterization by NIR hyperspectral imaging[J].Postharvest Biology and Technology,2013,76:74-82.
[5]牛晓颖,贡东军,王艳伟,等.基于近红外光谱和化学计量学的李果实成熟度鉴别方法研究[J].现代食品科技,2014,30(12):230-234,125.
[6]孙静涛,马本学,董娟,等.高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究[J].光谱学与光谱分析,2017,37(07):2184-2191.
[7]蒋浩,张初,刘飞,等.基于高光谱图像多光谱参数的草莓成熟度识别[J].光谱学与光谱分析,2016,36(05):1423-1427.
[8]Wei X,Liu F,Qiu Z,et al.Ripeness classification of astirngent persimmon using hyperspectral imaging technique[J].Food and Bioprocess Technology,2014,7(5):1371-1380.
[9]黄玉萍,Renfu Lu,戚超,等.基于空间可分辨光谱的番茄成熟度判别方法研究[J].光谱学与光谱分析,2018,38(07):2183-2188.
[10]齐海军,李绍稳,KARNIELI Arnon,等.基于PLS-BPNN算法的土壤速效磷高光谱回归预测方法研究[J].农业机械学报,2018(02):1-8.
[11]Dieeman S,Willett K W,Dambre J.Rotation-invariant convolutional neural networks for galaxy morphology prediction[J].Monthly Notices of the Royal Astronomical Society,2015,450(2):1441-1459.
[12]贾凡,孔令智.基于卷积神经网络的入侵检测算法[J].北京理工大学学报,2017,37(12):1271-1275.
[13]Dahl G E,Acero A.Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition[J].IEEE Transactions on Audio Speech&Language Processing,2011,20(1):30,42.