多光谱食品品质检材料与方法简述

13.4.1.1 材料

本实验所采用的样本材料由中国农业科学院作物科学研究所提供。正常样本与不完善粒的挑选均由实验人员凭借视觉经验进行区分筛选，分别选出正常粒样本486个、破损粒样本170个、虫蚀粒样本149个及黑胚粒样本127个进行实验。

13.4.1.2 高光谱图像采集与处理

1.高光谱图像采集

实验设备采用北京安洲科技有限公司SOC710VP便携式高光谱成像光谱仪作为高光谱图像采集系统，如图13-24所示，光谱采集过程如图13-25所示。采集过程及仪器参数设定如下：每类小麦样本以10×10网格状放置于样本台采集其高光谱图像，图像分辨率为696×520像素，光谱扫描范围为493～1106nm，扫描速度为30线/s，波段间隔为5.1nm，波段数为116。

2.高光谱图像黑白校正

在高光谱采集过程中，由于每个波段的光照强度分布不均匀，摄像头中有暗电流以及样本的形状不规则，导致光源强度分布比较弱的波段得到的图像会含有较大的噪声。因此为了减少噪声和误差，需要对采集到的高光谱图像进行黑白标定：

式中，I_correction为校正后的光谱图像；I_raw为原始光谱图像；I_white为扫描反射率为99%的标准白板得到的白板标定图像；I_dark为关上光源，拧上镜头盖后采集的黑板标定图像。

13.4.1.3 建模算法(www.xing528.com)

CNN模型是一种特殊的深层神经网络模型，凭借其权值共享、卷积运算直接处理二维图像，避免前期对图像复杂的预处理，这对于深层结构来说尤为重要，因此得到了广泛的应用。

利用CNN进行图像识别的方法流程如图13-26所示。

图13-24 SOC710VP便携式高光谱成像光谱仪

图13-25 SOC710VP高光谱图像采集过程原理

图13-26 CNN的处理过程

首先选定训练集和测试集的数目，其次对训练样本进行规则化，将其调整为同样的尺寸m×n，然后采用随机梯度下降（Stochastic Gradient Descent，SGD）进行权值更新，当误差或迭代次数达到阈值时训练停止。最后将测试集输入已经训练好的CNN中，通过前向传播得到最终的分类结果。