科研之友
微信
新浪微博
Facebook
分享链接
摘要
稻谷在储藏和运输过程中,在适宜的温湿度环境下极易发生霉变,导致大量的粮食浪费和巨大的经济损失,进而影响粮食安全。为解决传统的稻谷霉变检测存在的繁琐且耗时较长等不足,提出了基于近红外光谱图像处理和神经网络的稻谷霉变程度检测方法。首先,通过农业多光谱相机(Sequoia)和固定光源等设备,构建了霉变稻谷近红外图像数据采集平台,获取了黑龙江地区牡响、早香、彩稻三个品种不同的霉变状态(健康稻谷、轻度霉变、中度霉变)的近红外光谱成像数据。对于近红外光谱图像的160×160像素有效区域,应用数字图像处理技术结合光谱图像分析方法,分析了NIR图像多种纹理特征和光谱反射值频率特性,优选不同稻谷品种霉变状态的光谱特征,计算了近红外图像的纹理特征(均值、标准差、平滑度、三阶距、一致性、信息熵、平均梯度、分形维数)以及间隔步长0.1时NIR光谱图像在0.2～0.8区间反射值频率,共计14维度的光谱图像特性指标。最后,以提取NIR图像的特征向量为依据,利用前馈神经网络的自适应推理机制,建立了稻谷霉变程度与其近红外图像特征之间的非线性映射模型,该神经网络结构为14-60-3型,进一步将网络输出编码向量解析至稻谷霉变等级,实现了稻谷霉变程度的快速检测方法。结果表明:本文提出检测模型在学习次数为28 455次时达到预设的目标精度0.06,所提取的稻谷NIR图像特征与模型输出的相关系数为0.85。仿真测试中该检测模型所计算出的网络输出值和期望输出值的误差平均值为0.521 39,方差为0.137 82,误差的标准差为0.371 23,对于不同稻谷的霉变程度检测的准确率为93.33%。该研究为实现稻谷霉变程度无损检测提供了新方法,为稻谷仓储时霉变早期自动快速检测提供了技术支持。
- 单位
