使用HSI技术的小麦不完善粒无损检测实验中的CNN表现优异

高光谱图像检测分析技术，具有速度快、无破坏性、无侵入性等优点。在最近几年的研究中，它成为无损检测食品品质和安全方面最有效的技术之一，在食品生产和加工过程的在线检测方面具有广阔的应用前景。在高光谱检测分析技术中。常用的分类方法有多元线性回归、主成分回归、PLS回归、判别分析、SVM、神经网络。这些传统的方法对样本提取出的分类特征要求比较高，人工设定的特征需要多次尝试，并不一定能够较好地覆盖住样本的最有效特征，而深度学习方法有着天然的自动提取特征能力，使得其在高光谱检测分析技术中有着不俗的表现。

本章介绍了HSI技术原理、高光谱的图像处理方法、CNN的发展历史以及其原理。CNN在图像方面有着突出的表现，它的局部感知、参数共享、多卷积核特点，让待调参数锐减，鲁棒性大大提高，CNN的迅速发展，把图像识别能力一步步推高。(www.xing528.com)

本章实验利用HSI技术对小麦不完善粒进行无损检测。以932个小麦样本，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CNN模型。实验中的CNN采用两个卷积层：第一层采用大小为3×3的32个卷积核；第二层采用大小为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，得到校正集识别准确率为1，测试集识别准确率为0.9998。可见CNN在高光谱食品品质检测中有着很好的表现。