13.4.2.1 感兴趣区域的提取
高光谱图像感兴趣区域（Region Of Iinterest，ROI）选取的好坏将直接影响到后续建立模型的预测精度。因此为使提取的ROI作为的光谱具有较强的代表性，选取籽粒样本全区域作为感兴趣区。
13.4.2.2 数据预处理
在对每类小麦样本以10×10网格进行光谱采集时，有的样本的数据不完整，直接剔除。由于高光谱在测量临界区具有较大的机器噪声，因此需要去除两端噪声严重的波段，如图13-27、图13-28所示。而且原始高光谱的数据也存在波段多、冗余性强、数据量大等特点，如果直接采用全波段数据进行建模，则会导致建模效率降低、模型性能变差。因此选取722.5～880.6nm的30个高光谱波段作为特征波进行分析，如图13-29、图13-30所示。
图13-27 正常样本第15个波段的光谱图
图13-28 正常样本第100个波段的光谱图
图13-29 正常样本第46个波段的光谱图
图13-30 正常样本第76个波段的光谱图(www.xing528.com)
13.4.2.3 预测模型与结果分析
1.预测模型
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，一共932个样本，采用10×10的网格切割出每个小麦样本，每个小麦样本的像素为40×57，每个样本选择第46～76的30个波段，则每个样本具有30个样本光谱图，作为CNN的输入图像数据。同时标签数据采用one-hot编码方式，4类小麦类别的标签分别为0001、0010、0100和1000。CNN模型构建两层卷积：第一层的卷积核大小为3×3，一共32个卷积核；第二层卷积核大小为5×5，共64个卷积核。采样层大小为2×2，选用最大池；激活函数采用ReLu（Rectifield Linear U-nits，整流线性单元激活函数）。为防止过拟合，在全连接层后接入Dropout层，参数设置为0.5。
932个样本，每个样本30个光谱图，则总共有27960个样本图，随机打乱数据，50%作为训练集，50%作为测试集。
2.结果分析
迭代2500次后，模型收敛。最终得到分类准确率为99.98%。损失函数曲线如图13-31所示。
通过损失函数loss的曲线走势可以看出，模型训练过程非常好，在迭代90次之后曲线开始陡降，在迭代2000次时，损失函数曲线已几乎趋近于0，识别准确率为99.98%，几乎完全准确地识别出不完善粒，由此可以说明此模型是非常可靠的。
通过近年来各种发表文献模型对比可以看出，CNN模型时效高，处理过程简单，直接用原始光谱图像，而且识别准确率又极高。
图13-31 CNN模型的损失函数曲线图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
