基于深度学习的西瓜可见/近红外光谱可溶性固形物预测模型研究

发布时间：2022-01-21 15:40

　　通过可见/近红外光谱技术结合K最近邻法回归、随机森林回归、深度卷积神经网络及带有残差块的深度卷积神经网络4种化学计量学方法对不同糖度的西瓜进行定量判别,并借鉴适用于图像处理的深度网络模块对可见/近红外光谱进行建模。结果表明,深度学习网络模块一维化在可见/近红外光谱数据处理中体现了巨大潜力,卷积神经网络CNN模型在预测集中Rp为0.855 9,RMSEP为0.778 1°Brix,加入Res-block后的改进卷积神经网络Res-CNN在预测集中Rp为0.893 2,RMSEP为0.710 4°Brix。 

【文章来源】：食品与机械. 2020,36(12)北大核心

【文章页数】：4 页

【部分图文】：

光谱采集系统原理图[16]

Res-CNN模型结构示意图如图3所示，该模型由4个卷积核、5个批归一化层、2个全连接层及1个池化层组成。Resnet等[17-18]提出bottleneck会导致经Res-block的特征数急剧上升，因此试验使用的Res-block为轻量级开发网络的Inverted Residual[19]，其结构包含1×1卷积、1×3卷积以及shortcut连接。残差结构在神经网络中的使用可以提高模型的学习效率，减缓模型因深度或迭代轮次造成的网络退化，1×1卷积核则可以改变通道数量并加强通道间信息的交互，该模型共含有545 505个训练参数。图3 含有残差块的卷积神经网络结构

含有残差块的卷积神经网络结构

【参考文献】：
期刊论文
[1]基于网中网卷积神经网络的红枣缺陷检测[J]. 杨志锐,郑宏,郭中原,许晓航.  食品与机械. 2020(02)
[2]基于随机森林回归的玉米单产估测[J]. 王鹏新,齐璇,李俐,王蕾,许连香.  农业机械学报. 2019(07)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[4]基于可见/近红外高光谱成像技术的西甜瓜糖度检测[J]. 何洪巨,胡丽萍,李武,陈兴海,黄宇,刘业林.  中国食物与营养. 2016(10)
[5]西瓜检测部位差异对近红外光谱可溶性固形物预测模型的影响[J]. 钱曼,黄文倩,王庆艳,樊书祥,张保华,陈立平.  光谱学与光谱分析. 2016(06)
[6]世界西瓜产业发展现状与展望[J]. 杨念,文长存,吴敬学.  农业展望. 2016(01)
[7]红提葡萄VC含量的可见/近红外检测模型[J]. 陈辰,鲁晓翔,张鹏,陈绍慧,李江阔.  食品与机械. 2015(05)
[8]适宜西瓜检测部位提高近红外光谱糖度预测模型精度[J]. 介邓飞,陈猛,谢丽娟,饶秀勤,应义斌.  农业工程学报. 2014(09)
[9]小型西瓜品质近红外无损检测的光谱信息采集[J]. 韩东海,常冬,宋曙辉,蒋圣楠,赵洪卫.  农业机械学报. 2013(07)
[10]小西瓜糖度表征与漫反射近红外检测方法的研究[J]. 王硕,袁洪福,宋春风,谢锦春,李效玉,冯乐平.  光谱学与光谱分析. 2012(08)



本文编号：3600542