国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于高光譜圖像與光譜特征融合技術(shù)的雞蛋新鮮度無損判別模型的建立

2022-12-15 12:58劉翠玲孫曉榮吳靜珠楊雨菲李佳琮昝佳睿
關(guān)鍵詞:新鮮度波長光譜

劉翠玲, 秦 冬, 孫曉榮,*, 吳靜珠, 楊雨菲,2, 胡 昊,李佳琮, 昝佳睿,

(1.北京工商大學(xué) 人工智能學(xué)院/食品安全大數(shù)據(jù)技術(shù)北京市重點實驗室, 北京 100048;2.北京工業(yè)大學(xué) 信息學(xué)部, 北京 100124; 3.浙江省農(nóng)業(yè)科學(xué)院 數(shù)字農(nóng)業(yè)研究所, 浙江 杭州 310021)

雞蛋新鮮度等級評價是雞蛋品質(zhì)檢測研究中一項重要的工作。近年來,國內(nèi)外學(xué)者運用介電特性、電子鼻、機器視覺、近紅外光譜分析等技術(shù)在雞蛋新鮮度無損檢測領(lǐng)域進行了相關(guān)理論研究。研究表明,可以通過介電特征建立雞蛋的電磁特性與其內(nèi)部成分含量的關(guān)系,建立雞蛋新鮮度無損判別模型[1-2]。在雞蛋腐化過程中,營養(yǎng)物質(zhì)會被微生物分解而產(chǎn)生NH3、H2S、CH4等特殊氣體,然后通過蛋殼上的氣孔排出,可通過電子鼻氣敏傳感器對揮發(fā)性氣體的組成及濃度進行分析,實現(xiàn)雞蛋內(nèi)部品質(zhì)的檢測,但電子鼻分析技術(shù)[3-4]對傳感器靈敏度要求較高。用機器視覺對雞蛋檢測無須對樣品進行特殊處理,但在應(yīng)用過程中,雞蛋擺放位置、表面亮斑、雞蛋表面雜質(zhì)以及雞蛋的蛋殼形狀等因素都會對機器判別準(zhǔn)確率產(chǎn)生較大影響[5]。近紅外光譜分析法[6-7]通過采集雞蛋樣本的透射或者反射光譜圖,建立待測目標(biāo)與吸光度之間校正模型來實現(xiàn)對未知樣本的預(yù)測,但近紅外光譜不能體現(xiàn)雞蛋的外在圖像特征。蛋殼是雞蛋的重要組成部分,盡管其本身很少用于食用,但是對雞蛋的運輸、保存,乃至內(nèi)部品質(zhì)的影響至關(guān)重要。雞蛋新鮮度無損檢測的現(xiàn)有方法,各自都有局限和不足,且檢測效率較低。

近年來,高光譜成像技術(shù)在農(nóng)畜產(chǎn)品品質(zhì)檢測方面得到了廣泛應(yīng)用。高光譜成像技術(shù)獲取的樣本信息具有更廣的維度,集光譜分析和圖像分析于一體。光譜信息可用于表征檢測物質(zhì)內(nèi)部屬性,圖像信息可用來代表檢測物質(zhì)的外觀特征。楊曉玉等[8]用可見/近紅外高光譜成像技術(shù)建立雞蛋新鮮度無損檢測判別模型,表明基于高光譜成像技術(shù)的雞蛋新鮮度無損檢測是可行的。王巧華等[9]采用近紅外高光譜技術(shù)對白殼蛋新鮮和不新鮮兩個等級進行成功判別。目前高光譜應(yīng)用于雞蛋新鮮度的研究主要應(yīng)用其光譜信息,忽略了高光譜成像獨有的圖像信息,進而丟失了樣本的外在圖像特征。

應(yīng)用高光譜成像技術(shù)評價雞蛋新鮮度具有良好的理論基礎(chǔ)和可行性,滿足快速、無損、準(zhǔn)確檢測雞蛋新鮮度的需求。本研究擬采用高光譜透射成像技術(shù),以雞蛋為研究對象,采用哈夫單位為雞蛋新鮮度評價標(biāo)準(zhǔn),采集不同新鮮度等級雞蛋的500~1 000 nm波比的高光譜信息,利用連續(xù)投影法(successive projections algorithm,SPA)篩選出特征波長,對特征波長對應(yīng)的高光譜圖像進行圖像主成分提取,并提取前三維主成分圖像的灰度共生矩陣(gray level co-occurrhence matrix,GLCM)紋理參數(shù),建立基于并行式特征融合的粒子群算法(particle swarm optimization,PSO)尋優(yōu)支持向量機的新鮮度判別模型。在并行式特征融合模型的基礎(chǔ)上,提出遞進式特征融合方法,采用方向梯度直方圖(histogram of gradient,HOG)算法提取特征波長對應(yīng)高光譜圖像的圖像特征,分別建立基于方向梯度直方圖特征的多模型共識策略和深度殘差網(wǎng)絡(luò)(ResNet)50模型的雞蛋新鮮度判別模型。通過比較不同的特征融合方法和建模方法對雞蛋新鮮度等級的判別效果,選出最優(yōu)模型,以期為雞蛋新鮮度等級快速、高效無損判別提供理論支撐與應(yīng)用實例。

1 材料與方法

1.1 樣本來源及儲存條件

江蘇泰州某大型養(yǎng)雞場當(dāng)日生產(chǎn)的雞蛋,共計90枚。為使實驗樣本更具有代表性,控制用于實驗的雞蛋處于不同的新鮮度等級。取等時間間隔的不同生產(chǎn)日期的雞蛋,使雞蛋新鮮度呈階梯狀遞進分布;對于同一產(chǎn)蛋日期的雞蛋改變儲存的環(huán)境,分別置于室溫(浙江省農(nóng)科院實驗室,室內(nèi)溫度25 ℃、濕度68%)和冷藏(恒溫恒濕冷藏箱,恒溫10 ℃、恒濕60%)條件中。實驗雞蛋的生產(chǎn)日期與檢測日期的時間間隔、數(shù)量、儲存條件統(tǒng)計結(jié)果見表1。

表1 實驗樣本儲存情況

1.2 實驗儀器與參數(shù)設(shè)置

Pika XC2型高精度VNIR機載高光譜成像儀,Resonon公司。

采用高光譜成像儀對雞蛋樣本進行采集,儀器掃描方式為線性推掃式掃描,光譜覆蓋波長范圍為400~1 000 nm,其中可見光波段為400~780 nm,近紅外波段為800~1 000 nm,光譜分辨率為2.3 nm,光譜通道數(shù)為231個;高光譜相機空間分辨率為1 600,最大幀頻為165 Hz。實驗儀器參數(shù)設(shè)置:幀頻為30 Hz,曝光時間為31.886 ms,掃描速度為4.09 mm/s。ENVI軟件為遙感領(lǐng)域圖像處理平臺,可以用來提取雞蛋高光譜信息和主成分圖像。

1.3 實驗方案

1.3.1雞蛋新鮮度等級判定方法

根據(jù)我國農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)文件[10-11],雞蛋的哈夫單位值是衡量雞蛋新鮮度的關(guān)鍵性指標(biāo)。

哈夫單位值的國標(biāo)測定方法:通過高精度天平稱量雞蛋質(zhì)量,打破雞蛋殼倒出雞蛋液于干凈的玻璃平面上,游標(biāo)卡尺測量蛋黃周圍濃蛋白的厚度。哈夫單位計算公式[12]見式(1)。

HU=100×lg(H+7.57-1.7G0.37)。

(1)

式(1)中,HU為哈夫單位;H為蛋白高度,mm;G為雞蛋質(zhì)量,g。

共測得90枚樣本的哈夫單位值,根據(jù)測得的哈夫單位值范圍不同,依據(jù)國標(biāo)定義4種雞蛋等級,分別為特級、一級、二級、三級。“特級雞蛋”和“一級雞蛋”合并為可食用類別,“二級雞蛋”為不建議食用類別,“三級雞蛋”為不可食用類別。具體分類見表2。

表2 90個雞蛋樣本的新鮮度測定結(jié)果

1.3.2高光譜數(shù)據(jù)采集

1.3.2.1 高光譜系統(tǒng)校正

高光譜成像系統(tǒng)在數(shù)據(jù)采集過程中,受到光源在各波段強度分布不均勻以及存在暗電流噪聲的影響,會造成采集的高光譜圖像質(zhì)量降低。為了降噪及修正圖像,可對原始高光譜系統(tǒng)進行黑白板校正[13]。

高光譜照相機掃描到的雞蛋高光譜原始圖像,經(jīng)黑白板校正轉(zhuǎn)換為相對透射圖像,校正公式[14]見式(2)。

(2)

式(2)中,R′為校正后的光譜圖像,S為采集到的暗場原始光譜圖像,W為拍攝光源得到的白板圖像,D為關(guān)閉鏡頭后的全黑圖像。

1.3.2.2 數(shù)據(jù)采集

分別采集90枚不同新鮮度雞蛋樣品的高光譜圖像,為保證實驗數(shù)據(jù)不受非系統(tǒng)光線干擾,所有實驗均在常溫暗室中進行。

1) 光譜采集前預(yù)熱20 min,待照明系統(tǒng)穩(wěn)定開始檢測工作。

2) 檢查軟件與儀器的連接狀況,連接成功進行下一步操作。

3) 放置樣品于載物臺,粗調(diào)成像光譜儀的掃描速度和曝光時間。

4) 黑板校正:遮蓋鏡頭,采集多個暗電流噪聲。

5) 白板校正:將光源移至鏡頭下,采集光源信號譜圖作為白板信號。

6) 經(jīng)反復(fù)調(diào)整,確定儀器設(shè)置參數(shù):幀頻為30 Hz,積分時間為31.886 ms,掃描速度為4.09 mm/s。

1.3.2.3 雞蛋原始高光譜信息采集

采集到的雞蛋透射高光譜偽彩色(red green blue,RGB)圖像如圖1。提取90個不同新鮮度雞蛋的感興趣區(qū)域(region of interest,ROI)的平均光譜,見圖2。

圖1 雞蛋高光譜偽彩色RGB圖像

圖2 90個不同新鮮度雞蛋的ROI平均光譜

1.4 光譜與圖像特征提取方法

1.4.1光譜特征提取

由于高光譜數(shù)據(jù)維度較大,存在信息重疊、共線性度高等問題,故采用連續(xù)投影算法[15]進行光譜特征提取。SPA是一種前向循環(huán)選擇特征方法,是將某一個單波長作為起始波長,進行多次循環(huán)選取計算,在每次循環(huán)中計算選中波長在未選中波長上的投影,將最大投影向量對應(yīng)的波長自動選入特征波長組合。經(jīng)SPA算法選出的特征波長組合中的每一個波長的共線性關(guān)系最小。

1.4.2圖像特征提取

圖像信息是高光譜成像技術(shù)的特有特征,采用灰度共生矩陣算法[16-17]和方向梯度直方圖算法[18-19]提取其圖像特征信息。GLCM以圖像像素的灰度值和位置信息作為參考量,通過分析圖像空間中相鄰區(qū)域間像素點的灰度值組合情況來描述圖像的紋理特征。HOG算法應(yīng)用在計算機視覺和圖像處理領(lǐng)域中,是通過計算局部圖像梯度方向信息的統(tǒng)計值,來實現(xiàn)物體檢測的。

1.5 數(shù)據(jù)分析方法

為了建立適用于雞蛋新鮮度的等級判別模型,通過并行式和遞進式兩種方法進行圖譜特征融合。采用支持向量機(suport vector machine,SVM)算法[20-21]建立并行式特征融合的雞蛋新鮮度等級判別模型,采用多模型共識策略和深度ResNet算法建立遞進式特征融合的雞蛋新鮮度等級判別模型,并對兩種等級判別模型結(jié)果進行對比分析。

1.5.1基于粒子群算法優(yōu)化支持向量機分類模型

采用SVM算法對雞蛋的圖譜特征融合信息建模,通過對雞蛋樣本數(shù)據(jù)學(xué)習(xí),得到不同等級雞蛋的一個最大邊距超平面,進而尋找不同等級雞蛋之間的最佳分類超平面。為了避免局部最優(yōu),采用粒子群優(yōu)化算法對雞蛋新鮮度等級判別模型參數(shù)懲罰系數(shù)c和核函數(shù)參數(shù)g尋優(yōu)。

1.5.2基于多模型共識策略的分析方法

為了聯(lián)合多個單特征波長用于分析雞蛋圖像的模型,采用多模型共識判別策略[22-23],通過統(tǒng)計分析多個單特征波長模型的結(jié)果,綜合判別雞蛋新鮮度。假設(shè)子模型個數(shù)為n,采用n個子模型預(yù)測同一樣本可以得到n個識別結(jié)果,當(dāng)識別結(jié)果中識別為真的比率>50%,則判定樣本為真,反之則為假。

1.5.3基于深度殘差網(wǎng)絡(luò)建模的分析方法

采用殘差網(wǎng)絡(luò)(ResNet)分析方法[24-25]對雞蛋特征圖像進行深度卷積網(wǎng)絡(luò)建模學(xué)習(xí)。為了避免殘差網(wǎng)絡(luò)模型出現(xiàn)過擬合問題,采用深度ResNet 50結(jié)構(gòu)進行建模分析。深度ResNet 50模型采用跨層連接傳遞的方式,將經(jīng)過卷積處理后的雞蛋圖像特征與雞蛋原始圖像特征進行合并。該連接方式不會增加雞蛋等級模型的計算復(fù)雜度,同時通過充分訓(xùn)練底層網(wǎng)絡(luò),可增加網(wǎng)絡(luò)的訓(xùn)練深度,提高模型的判別準(zhǔn)確率。

2 結(jié)果與分析

2.1 不同新鮮度等級雞蛋的光譜信息分析

任意提取3個不同新鮮度等級雞蛋的光譜信息,見圖3。

圖3 不同新鮮度等級雞蛋的光譜

從圖3可知,3種不同新鮮等級度的雞蛋分別在620、700、800 nm波長附近的波峰呈現(xiàn)明顯差異。620 nm附近波峰變化為橙色可見光的透射信息,主要是由于蛋殼顏色和蛋黃顏色的不同引起的。700 nm 附近處的波峰變化表征紅色可見光的透射信息,3類新鮮度雞蛋的透射率差別較大且可食用雞蛋的透射率最高,不建議食用的雞蛋次之,不可食用的雞蛋透射率最低。產(chǎn)生這種現(xiàn)象的主要原因是3種新鮮度雞蛋的濃厚蛋白稀化程度依次增大,蛋清的黏度和透明度依次減小,蛋清的酸堿度依次變大,且蛋黃的形態(tài)逐漸變成液態(tài),內(nèi)部變得渾濁,導(dǎo)致雞蛋的透射率依次降低。800 nm附近的波峰變化為近紅外光的透射信息,主要是由于N—H鍵振動和能級的躍遷引起的變化。雞蛋內(nèi)部的蛋白質(zhì)部分發(fā)生裂解和變質(zhì)現(xiàn)象,N—H鍵的穩(wěn)定性被破壞,N—H鍵的含量下降導(dǎo)致此波段內(nèi)透射率升高。該處透射率差異主要是3種新鮮度等級的雞蛋內(nèi)部蛋白質(zhì)等營養(yǎng)物質(zhì)的含量不同所引起的。

2.2 SPA特征波長提取結(jié)果

從圖3可知,3種新鮮度等級雞蛋在3個波峰附近有較大差異,采用SPA算法提取表征差異的特征波長(見圖4)。SPA篩選的特征波長數(shù)量與均方根誤差(RMSE)變化見圖4(a)。經(jīng)SPA算法提取的特征波長有6個,分別為606.83、676.27、740.62、807.91、880.88、905.27 nm,特征波長位置見圖4(b)。

圖4 SPA算法特征波長提取結(jié)果

從圖4(a)可知,當(dāng)篩選的特征波長數(shù)為6個時,SPA的均方根誤差最小,為0.3843,表明這6個波長對雞蛋等級判別的效果最佳。圖4(b)中,606.83 nm處的波長是橙色可見光有效波段,該波段處的差異主要是由雞蛋殼顏色和蛋黃顏色的不同引起的;676.27、740.62 nm處的波長是紅色可見光的有效波段,該波段的差異主要是由雞蛋殼的顏色不同造成的差異;807.91 nm處的波長為N—H鍵伸縮振動敏感波段,該處透射率的差異主要由雞蛋內(nèi)部的蛋白質(zhì)等營養(yǎng)物質(zhì)的含量不同所引起的;880.88 nm附近波段為C—H鍵4倍頻伸縮振動活躍波段范圍,該處表征雞蛋內(nèi)部的脂肪等含量的差異;905.27 nm附近波段處于O—H鍵伸縮振動波段范圍,該波段的差異受雞蛋內(nèi)部水分含量不同的影響。

2.3 主成分圖像提取結(jié)果

特征波長對應(yīng)的高光譜圖像見圖5。利用ENVI軟件對圖像進行主成分分析,根據(jù)主成分分量重構(gòu)前三維圖像,見圖6。前三維圖像的累計貢獻率為95.75%。

圖5 特征波長對應(yīng)的高光譜圖像

圖6 前三維主成分圖像

2.4 并行式高光譜圖像與光譜特征數(shù)據(jù)融合建模結(jié)果

提取的主成分分析(PCA)前三維圖像的GLCM紋理特征參數(shù),取其平均值作為該樣本的高光譜圖像特征,將光譜特征波段下的透射率與圖像特征首尾相連,得到90個樣本組成的并行式融合數(shù)據(jù)矩陣。

2∶1劃分樣本集:訓(xùn)練樣本60個,包括“可食用”樣本20個、“不建議食用”樣本22個和“不可食用樣本”18個;預(yù)測樣本30個,包括“可食用”樣本11個、“不建議食用”樣本10個和“不可食用樣本”9個。建立基于SVM雞蛋新鮮度判別模型,采用PSO算法對模型徑向積參數(shù)c和g全局尋優(yōu)。參數(shù)初始化設(shè)置,局部搜索能力為1.5,全局搜索能力為1.7,最大進化數(shù)量為200,初始種群為20,SVM參數(shù)c和g為2,通過迭代尋優(yōu)得出最佳參數(shù)c和g,建模結(jié)果見表3。

表3 基于PSO-SVM算法的雞蛋新鮮度判別模型的判別結(jié)果

2.5 遞進式高光譜圖像與光譜特征融合建模結(jié)果

2.5.1基于HOG-SVM的多模型共識策略方法建模結(jié)果與分析

針對SPA提取出的6個特征波長下的雞蛋圖像,應(yīng)用HOG算法對雞蛋圖像進行特征提取,提取后的結(jié)果見圖7。首先分別建立基于HOG圖像特征的6個單波長模型,隨機2∶1劃分樣本集,訓(xùn)練集樣本60個,預(yù)測集樣本30個,則單波長模型對應(yīng)的訓(xùn)練集圖像60張,預(yù)測集圖像30張。單波長模型的HOG-SVM建模結(jié)果見表4,單波長模型訓(xùn)練集的圖像誤識別數(shù)見圖8,單波長模型預(yù)測集的圖像誤識別數(shù)見圖9。

圖7 雞蛋HOG特征圖像

從表4可知,單波長模型的預(yù)測集最高準(zhǔn)確率為80.00%,其他單波長模型的預(yù)測集準(zhǔn)確率等于或低于70.00%。從圖8和圖9可知,單波長模型對可食用雞蛋類別的判別效果較好,對不可食用雞蛋和不建議食用雞蛋類別的判別效果不佳。

圖8 單波長模型的訓(xùn)練集圖像誤識別數(shù)

圖9 單波長模型的預(yù)測集圖像誤識別數(shù)

表4 基于HOG-SVM算法的單波長模型的判別結(jié)果

為了保證不同單波長模型對同一個樣本判別為真和假的概率不相同,采用子模型聯(lián)合建模策略,設(shè)定子模型聯(lián)合個數(shù)為4和5。根據(jù)表4中單波長模型的識別率從高到低進行排序,固定判別準(zhǔn)確率最高的前3個波長,即807.91、606.83、740.62 nm;依次聯(lián)合第4個單波長模型和第5個單波長模型進行建模判別。

聯(lián)合第4個單波長模型進行判別,隨機以2∶1的比例劃分樣本集,預(yù)測集30個,則4個單波長對應(yīng)的訓(xùn)練集60個,訓(xùn)練集樣本圖像240張、預(yù)測集樣本圖像120張。4個單波長聯(lián)合的HOG-SVM建模結(jié)果見表5,4個單波長聯(lián)合模型的訓(xùn)練集圖像誤識別數(shù)見圖10,4個單波長聯(lián)合模型的預(yù)測集圖像誤識別數(shù)見圖11。

表5 基于HOG-SVM算法的4個單波長聯(lián)合模型的判別結(jié)果

圖10 4個單波長聯(lián)合模型的訓(xùn)練集圖像誤識別數(shù)

圖11 4個單波長聯(lián)合模型的預(yù)測集圖像誤識別數(shù)

從表5可知,4個單波長聯(lián)合模型的預(yù)測集最高準(zhǔn)確率達82.50%,相對于單特征波長模型有小幅提升。從圖10和圖11可知,4個單波長聯(lián)合模型的誤識別比例有明顯下降,表明聯(lián)合模型比單波長模型整體識別效果更好。

固定判別準(zhǔn)確率最高的前4個單波長,即807.91、606.83、740.62、880.88 nm。聯(lián)合第5個單波長模型進行判別,隨機2∶1的比例劃分樣本集,訓(xùn)練集60個,預(yù)測集30個,則5個單波長對應(yīng)的訓(xùn)練集樣本圖像300張、預(yù)測集樣本圖像150張。5個單波長聯(lián)合的HOG-SVM建模結(jié)果見表6,5個單波長聯(lián)合模型的訓(xùn)練集圖像誤識別數(shù)見圖12,5個單波長聯(lián)合模型的預(yù)測集圖像誤識別數(shù)見圖13。

表6 基于HOG-SVM算法的5個單波長聯(lián)合模型的判別結(jié)果

圖12 5個單波長聯(lián)合模型訓(xùn)練集圖像誤識別數(shù)

圖13 5個單波長聯(lián)合模型預(yù)測集圖像誤識別數(shù)

從表6可知,5個單波長聯(lián)合模型的預(yù)測集最高準(zhǔn)確率達88.00%,較單波長模型和4個單波長聯(lián)合模型的判別準(zhǔn)確率提高了8%左右,判別準(zhǔn)確率有了明顯提升,且誤識別比例有了大幅降低。對比表4、5和6可得,當(dāng)5個單波長聯(lián)合時,即807.91、606.83、740.62、880.88、676.27 nm建模判別效果最好,訓(xùn)練集判別準(zhǔn)確率達89.00%,預(yù)測集判別準(zhǔn)確率達88.00%。

2.5.2基于深度殘差建模結(jié)果與分析

將SPA提取的特征波長下的高光譜圖像作為輸入,以3∶1的比例劃分數(shù)據(jù)集,將90個樣本的540張圖像作為輸入,隨機選取180張圖像作為預(yù)測集。建立ResNet 50雞蛋新鮮度判別模型,設(shè)置Epoch為50,設(shè)置batch size為10,學(xué)習(xí)率(lr)設(shè)置為e-4,分類數(shù)設(shè)置為3。模型在訓(xùn)練過程中,有兩項模型性能評價指標(biāo),分別是loss值和模型分析準(zhǔn)確率。迭代50次訓(xùn)練時間為258 s,訓(xùn)練集判別準(zhǔn)確率在89%附近波動,損失值收斂于0.30;預(yù)測集判別準(zhǔn)確率可達86.67%,損失值收斂于0.54。ResNet 50的建模結(jié)果見表7,ResNet 50模型的判別準(zhǔn)確率變化見圖14,ResNet 50模型的損失值變化見圖15。

圖14 ResNet 50模型的判別準(zhǔn)確率變化

圖15 ResNet 50模型的損失值變化

表7 ResNet 50模型的判別結(jié)果

對比并行式特征融合方法,基于遞進式融合方法的模型判別性能有了明顯提升。改善原因:一方面,遞進式特征融合是在模型學(xué)習(xí)了光譜特征后又對其相應(yīng)圖像進行數(shù)據(jù)挖掘,獲取的信息更能夠表征樣本的屬性;另一方面,對判別方法進行改進,引入多模型共識策略可以更好地解決單模型出現(xiàn)的偶然性誤判問題,多模型共識的結(jié)果更具有代表性;深度殘差網(wǎng)絡(luò)增加了數(shù)據(jù)特征提取的層數(shù),使得參與建模的數(shù)據(jù)特征更顯著,同時ResNet 50中引入殘差的概念提升了模型的性能。

3 結(jié) 論

通過采用高光譜透射成像儀無損采集不同新鮮度等級雞蛋的高光譜信息,提取其光譜特征和圖像特征,分別采用并行式圖譜特征融合和遞進式圖譜特征融合方法進行數(shù)據(jù)分析和建模,得出適用于雞蛋新鮮度的判別模型。

1) 在并行式特征融合方法中,建立基于SPA-GLCM特征融合的SVM等級判別模型,采用PSO優(yōu)化模型,結(jié)果為訓(xùn)練集準(zhǔn)確率為85.00%,預(yù)測集準(zhǔn)確率為76.67%。

2) 在遞進式特征融合方法中,建立基于SPA-HOG特征提取方法的多模型共識策略模型和深度ResNet 50模型,其中兩種模型的訓(xùn)練集準(zhǔn)確率都能達到89.00%;多模型共識策略模型的預(yù)測集準(zhǔn)確率為88.00%,深度ResNet 50模型的預(yù)測集準(zhǔn)確率為86.67%。對比并行式融合方法,基于遞進式融合方法的模型精度和性能有了明顯提升。

圖像與光譜融合方法能實現(xiàn)對不同新鮮度等級的雞蛋較為準(zhǔn)確的判別,其中遞進式融合方法的模型性能更好,且遞進式融合方法中的多模型共識策略對不同新鮮度等級的雞蛋判別準(zhǔn)確率最高。由于雞蛋種類和數(shù)量會對其準(zhǔn)確度造成一定的影響,后期可以通過擴大實驗樣本的種類和數(shù)量,進而提高模型的判別精度和泛化性。

猜你喜歡
新鮮度波長光譜
基于三維Saab變換的高光譜圖像壓縮方法
稻谷新鮮度測定影響因素分析及優(yōu)化
杯中“日出”
高光譜遙感成像技術(shù)的發(fā)展與展望
基于頻域分析方法的軌道高低不平順敏感波長的研究
日本研發(fā)出可完全覆蓋可見光波長的LED光源
星載近紅外高光譜CO2遙感進展
RP—HPLC波長切換法同時測定坤泰膠囊中6個成分的含量
你在異性眼中的“新鮮度”
苦味酸與牛血清蛋白相互作用的光譜研究