图谱特征与卷积神经网络的名优大米无损鉴别

1、发现问题

对优质大米掺假甚 至以次充好，损害了消费者利益和大米贸易，打击了生产者的生产积极性。

2、研究思路

采集了全国具有代表性的七种名优大米400-1000nm范围高光谱图像，并提取了每种大米的光谱、纹理与形态特征。***使用多元散射校正算法做光谱预处理消除光谱散射。连续投影算法（SPA）、竞争自适应重加权算法（CARS）以及两者级联方法（CARS-SPA）被用来选取光谱特征的重要波长；用 SPA选择形态、纹理特征的重要变量。最后使用深度学习网络-卷积神经网络（CNN）融合各类特征构建大米种类识别模型，而K-近邻（KNN）、随机森林（RF）用于与CNN模型相对比。

3、相关研究

【1】桂江生等提出了一种基于卷积神经网络 模型的大豆花叶病害的诊断识别方法,最终模型训练集识别率达到94.79,预测集识别率达到92.08%。

4、实验部分

每种大米的每个批次采集两张高光谱图像7种大米共采集42张高光谱图像。

4、1图谱特征的获取

4.1.1光谱特征

对高光谱图像去除噪声和背景，再进行阈值化分割转变为二值图像，对大米矩阵中的每粒大米提取感兴趣区域，再计算每粒大米像素的平均反射率，以此作为光谱特征。

MSC是常用于修正光谱间的相对基线平移和偏移校正的一种数据处理方法，经过散射校正后的光谱可以有效的地消除散射影响，增强有用的光谱吸收信息。