基于近红外光谱技术及ELM对小麦中不同生长阶段米象的分类识别

作者：鲁玉杰; 王文敬; 张俊东; 王争艳; 卢少华

来源：河南工业大学学报(自然科学版), 2023, 44(01): 104-111.

DOI：10.16433/j.1673-2383.2023.01.014

• 近红外
• 隐蔽性害虫
• 极限学习机
• 分类
• 米象
• 早期诊断

对粮食中隐蔽性害虫的早期诊断和检测，不仅可以减少因害虫取食造成的粮食产后损失，还可以减少化学药剂的使用，对于保证粮食品质和减少环境污染具有重要的意义。基于近红外光谱技术与极限学习机(ELM)构建小麦中不同生长阶段米象的分类识别模型，采集未感染小麦和感染米象小麦的近红外光谱数据，选择SNV+De-trending的组合对原始光谱数据进行预处理，使用主成分分析(PCA)方法对光谱数据进行降维特征提取，利用ELM和支持向量机(SVM)建立分类识别模型。结果表明：ELM模型训练时间仅需0.062 5 s,总体分类准确率为90%,0、6、24和27 d的识别率为100%,10～20 d的幼虫期识别率偏低，20 d时识别率最低，为65%;SVM模型运行时间为3.38 s,分类准确率为85.42%,ELM模型较SVM模型的运行时间和分类准确率都有所提高。因此，ELM分类识别模型能够快速准确地判断小麦有无米象，以及分类识别小麦中不同生长发育阶段的米象。

• 单位
  江苏科技大学; 粮油食品学院; 河南工业大学