基于CNN神经网络的小麦不完善粒高光谱检测

利用高光谱成像技术对小麦不完善粒进行无损检测。以932?个小麦为样本，其中正常粒样本486?个、破损粒样本170?个、虫蚀粒样本149?个及黑胚粒样本127?个为研究对象，通过高光谱图像采集系统采集样本的光谱信息，然后从每个样本的116?个波段中选取30?个波段，建立基于深度学习的卷积神经网络（convolutional neural networks，CNN）模型。实验中的CNN采用2?个卷积层，第1层采用大小为3×3的32?个卷积核，第2层采用大小为5×5的64?个卷积核，池化层采用最大池，激活函数采用修正线性单元，为避免过拟合，在全连接层后面接入dropout层，参数设置为0.5，其他卷积参数均为默认值，得到校正集总识别率为100.00%，测试集总识别率为99.98%。最后，以支持向量机（support vector machine，SVM）为基线模型进行对比，从116?个波段中选取90?个波段进行建模，测试集总识别率为94.73%。通过实验对比可以看出，CNN模型比SVM模型识别率高。研究表明CNN模型能够实现对小麦不完善粒的准确、快速、无损检测